KR20230010286A - 신경망 모델을 이용한 이미지 변환 방법 및 장치 - Google Patents

신경망 모델을 이용한 이미지 변환 방법 및 장치 Download PDF

Info

Publication number
KR20230010286A
KR20230010286A KR1020210090668A KR20210090668A KR20230010286A KR 20230010286 A KR20230010286 A KR 20230010286A KR 1020210090668 A KR1020210090668 A KR 1020210090668A KR 20210090668 A KR20210090668 A KR 20210090668A KR 20230010286 A KR20230010286 A KR 20230010286A
Authority
KR
South Korea
Prior art keywords
image
neural network
network model
block
model
Prior art date
Application number
KR1020210090668A
Other languages
English (en)
Inventor
장동원
오도관
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020210090668A priority Critical patent/KR20230010286A/ko
Priority to US17/679,492 priority patent/US20230007964A1/en
Publication of KR20230010286A publication Critical patent/KR20230010286A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control
    • H04N1/6016—Conversion to subtractive colour signals
    • H04N1/6019—Conversion to subtractive colour signals using look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control
    • H04N1/6077—Colour balance, e.g. colour cast correction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/64—Circuits for processing colour signals
    • H04N9/73—Colour balance circuits, e.g. white balance circuits or colour temperature control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

신경망 모델을 이용한 이미지 변환 방법 및 장치가 개시된다. 일 실시예에 따른 신경망 모델을 이용한 이미지 변환 방법은 원본 이미지를 식별하는 단계; 및 상기 원본 이미지의 색상을 변환하는 신경망 모델에 상기 원본 이미지를 입력하여 변환 이미지를 획득하는 단계를 포함하고, 상기 신경망 모델은, 상기 원본 이미지에 대한 화이트 밸런싱(white balancing)을 수행하는 연산 블록, 상기 연산 블록의 출력 이미지의 색상을 수정하는 수정 블록 및 상기 수정 블록의 출력 이미지에 룩업 테이블(lookup table)을 적용하는 맵핑 블록을 포함할 수 있다.

Description

신경망 모델을 이용한 이미지 변환 방법 및 장치{METHOD AND APPARATUS FOR IMAGE TRANSFORMATION USING NEURAL NETWORK MODEL}
아래 실시예들은 신경망 모델을 이용한 이미지 변환 방법 및 장치에 관한 것으로, 구체적으로는 영상 처리 장치의 동작들을 모사한 신경망 모델을 이용하여 이미지의 컬러를 변환하는 기술에 관한 것이다.
최근, 신경망 모델(neural network)은 다양한 기술 분야에 적용되고 있다. 일례로, 이미지 세그멘테이션(segmentation), 이미지 인식(recognition), 객체 검출(detection), 깊이 추정(depth estimation) 등 다양한 종류의 컴퓨터 비전 기술에 신경망 모델이 적용될 수 있다.
신경망 모델을 높은 성능으로 트레이닝하기 위해서는 다양한 종류의 많은 학습 데이터가 요구될 수 있다. 예를 들어, 동일한 이미지라도 계절에 의한 도메인 차이나 카메라 특성에 의한 도메인 차이로 인하여 신경망 모델의 성능이 저하될 수 있다. 이를 위하여, 여러 도메인의 학습 데이터를 직접 수집하는 것은 어려울 수 있다. 따라서, 이미지의 컬러 변환을 수행하는 기술들이 연구되고 있다.
종래, 이미지의 컬러 변환을 수행하는 기술은, 원본 이미지와 참조 이미지 간의 컬러 확률을 최적화하여 컬러 변환을 수행하는 기술이다. (Color Transfer Using Probabilistic Moving Least Squares (CVPR 2014)) 이 경우, 참조 이미지가 요구되며, 매번 최적화 문제를 해결해야 하므로 연산의 복잡도가 증가할 수 있다.
일 실시예에 따른 신경망 모델을 이용한 이미지 변환 방법은 원본 이미지를 식별하는 단계; 및 상기 원본 이미지의 색상을 변환하는 신경망 모델에 상기 원본 이미지를 입력하여 변환 이미지를 획득하는 단계를 포함하고, 상기 신경망 모델은, 상기 원본 이미지에 대한 화이트 밸런싱(white balancing)을 수행하는 연산 블록, 상기 연산 블록의 출력 이미지의 색상을 수정하는 수정 블록 및 상기 수정 블록의 출력 이미지에 룩업 테이블(lookup table)을 적용하는 맵핑 블록을 포함할 수 있다.
상기 연산 블록은, 상기 원본 이미지에 포함된 각 픽셀들의 컬러에 대한 채널 별 연산을 통해 화이트 밸런싱을 수행하는 뎁스 와이즈 컨볼루션(depth-wise convolution) 계층을 포함할 수 있다.
상기 수정 블록은, 상기 연산 블록의 출력 이미지에 포함된 각 픽셀들의 컬러 간 연산을 수행하는 컨볼루션 계층, 상기 연산 블록의 출력 이미지에 대한 배치 정규화(batch normalization)를 수행하는 배치 정규화 계층 및 활성화 함수(activation function)의 연산을 수행하는 활성화 계층을 포함할 수 있다.
상기 맵핑 블록은, 상기 수정 블록의 출력 이미지에 대해 상기 룩업 테이블을 적용하여 미리 설정된 상기 신경망 모델의 목적에 따라 상기 수정 블록의 출력 이미지의 색상을 변환하는 복수의 잔차 블록(residual block)들을 포함할 수 있다.
상기 변환 이미지로부터 상기 원본 이미지와 동일한 이미지를 생성하도록 트레이닝된 비교 모델-상기 비교 모델은 상기 신경망 모델과 구별되는 딥러닝 모델이고, 상기 신경망 모델과 동일한 구조를 가짐-을 이용하여 상기 변환 이미지로부터 비교 이미지를 생성하고, 상기 원본 이미지와 상기 비교 이미지 간의 차이에 기초하여 상기 신경망 모델을 트레이닝하는 단계를 더 포함할 수 있다.
실제 이미지와 상기 신경망 모델로부터 생성된 변환 이미지를 구별하도록 트레이닝된 구별자 모델(discriminative model)에 의해 구별되지 않는 변환 이미지를 생성하도록 상기 신경망 모델을 트레이닝할 수 있다.
일 실시예에 따른 신경망 모델을 이용한 이미지 변환 장치에 있어서, 상기 이미지 변환 장치는 프로세서를 포함하고, 상기 프로세서는, 원본 이미지를 식별하고, 상기 원본 이미지의 색상을 변환하는 신경망 모델에 상기 원본 이미지를 입력하여 변환 이미지를 획득하고, 상기 신경망 모델은, 상기 원본 이미지에 대한 화이트 밸런싱(white balancing)을 수행하는 연산 블록, 상기 연산 블록의 출력 이미지의 색상을 수정하는 수정 블록 및 상기 수정 블록의 출력 이미지에 룩업 테이블(lookup table)을 적용하는 맵핑 블록을 포함할 수 있다.
상기 연산 블록은, 상기 원본 이미지에 포함된 각 픽셀들의 컬러에 대한 채널 별 연산을 통해 화이트 밸런싱을 수행하는 뎁스 와이즈 컨볼루션(depth-wise convolution) 계층을 포함할 수 있다.
상기 수정 블록은, 상기 연산 블록의 출력 이미지에 포함된 각 픽셀들의 컬러 간 연산을 수행하는 컨볼루션 계층, 상기 연산 블록의 출력 이미지에 대한 배치 정규화(batch normalization)를 수행하는 배치 정규화 계층 및 활성화 함수(activation function)의 연산을 수행하는 활성화 계층을 포함할 수 있다.
상기 맵핑 블록은, 상기 수정 블록의 출력 이미지에 대해 상기 룩업 테이블을 적용하여 미리 설정된 상기 신경망 모델의 목적에 따라 상기 수정 블록의 출력 이미지의 색상을 변환하는 복수의 잔차 블록(residual block)들을 포함할 수 있다.
상기 프로세서는, 상기 변환 이미지로부터 상기 원본 이미지와 동일한 이미지를 생성하도록 트레이닝된 비교 모델-상기 비교 모델은 상기 신경망 모델과 구별되는 딥러닝 모델이고, 상기 신경망 모델과 동일한 구조를 가짐-을 이용하여 상기 변환 이미지로부터 비교 이미지를 생성하고, 상기 원본 이미지와 상기 비교 이미지 간의 차이에 기초하여 상기 신경망 모델을 트레이닝할 수 있다.
상기 프로세서는, 실제 이미지와 상기 신경망 모델로부터 생성된 변환 이미지를 구별하도록 트레이닝된 구별자 모델(discriminative model)에 의해 구별되지 않는 변환 이미지를 생성하도록 상기 신경망 모델을 트레이닝할 수 있다.
도 1은 일 실시예에 따른 이미지 변환 장치를 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 신경망 모델의 구조를 블록도로 도시한 도면이다.
도 3은 일 실시예에 따른 이미지 변환 방법을 흐름도로 도시한 도면이다.
도 4는 일 실시예에 따른 신경망 모델을 트레이닝 과정을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 신경망 모델에 의해 변환되는 이미지의 예를 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 신경망 모델이 적용될 수 있는 실시예를 설명하기 위한 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 이미지 변환 장치를 설명하기 위한 도면이다.
일 실시예에 따르면, 영상 처리 장치의 동작들을 모사한 신경망 모델을 이용하여 원본 이미지의 컬러를 저비용 및 고품질로 변환할 수 있다. 다양한 실시예들은 원본 이미지의 다양한 색 변환을 위해 이용될 수 있다. 다양한 실시예들에 따르면, 원본 이미지를 다양한 도메인의 변환 이미지로 변환함으로써 이미지 인식이나 객체 검출을 수행하는 신경망 모델의 성능을 높이기 위한 트레이닝에 이용될 수 있다.
본 발명은, 이미지 세그멘테이션(segmentation), 이미지 인식(recognition), 객체 검출(detection), 깊이 추정(depth estimation) 등 다양한 종류의 컴퓨터 비전 기술에 적용될 수 있어, 자율 주행(autonomous driving), 주행 보조 시스템(advanced driver assistance system), IVI(In vehicle Infotainment), SVM(Surround View Monitor) 분야에 이용될 수 있다.
영상 처리 장치(Image Signal Processor)의 동작들은, 영상 처리 장치에서 수집한 이미지에 대해 처리되는 동작들로, 화이트 밸런싱(white balancing), 컬러 수정(Color Correction), 비선형 톤 맵핑(Non-linear Tone Mapping) 등을 포함할 수 있다.
도 1을 참조하면, 일 실시예에 따른 이미지 변환 장치(101)는 프로세서(102)를 포함할 수 있다. 이미지 변환 장치(101)의 프로세서(102)는 일 실시예에 따른 이미지 변환 방법을 수행할 수 있다. 일 실시예에 따른 신경망 모델의 동작들은 이미지 변환 장치(101)의 프로세서(102)에 의해 수행될 수 있다.
도 1을 참조하면, 프로세서(102)는, 신경망 모델을 이용하여 원본 이미지로부터 색상이 변환된 변환 이미지를 생성할 수 있다. 본 발명에서 이용되는 신경망 모델은 별도의 정답 레이블이나 타겟 이미지 없이 트레이닝될 수 있다. 신경망 모델의 구조는, 도 2에서 후술한다.
도 2는 일 실시예에 따른 신경망 모델의 구조를 블록도로 도시한 도면이다.
신경망 모델(200)은, 원본 이미지에 대한 화이트 밸런싱(white balancing)을 수행하는 연산 블록(210), 연산 블록(210)의 출력 이미지의 색상을 수정하는 수정 블록(220) 및 수정 블록(220)의 출력 이미지에 룩업 테이블(lookup table)을 적용하는 맵핑 블록(230)을 포함할 수 있다.
연산 블록(210)은, 영상 처리에서 화이트 밸런싱 동작을 모사한 연산을 수행하는 블록으로서, 원본 이미지에 포함된 각 픽셀들의 컬러에 대한 채널 별 연산을 통해 화이트 밸런싱을 수행하는 뎁스 와이즈 컨볼루션(depth-wise convolution) 계층(211) 및 배치 정규화 계층(212)을 포함할 수 있다. 각 픽셀들의 컬러의 채널은 R, G, B 중 하나일 수 있다. 연산 블록(210)은 원본 이미지에 포함된 각 픽셀들의 컬러의 채널 별로 임의의 가중치를 곱하여 화이트 밸런싱을 수행할 수 있다. 일 실시예로, 뎁스 와이즈 컨볼루션 계층(211)에서 아래 수학식 1에 따른 연산이 수행될 수 있다.
Figure pat00001
수학식 1에서,
Figure pat00002
,
Figure pat00003
,
Figure pat00004
는 임의의 가중치가 곱해진 R, G, B 값을 의미할 수 있다. 수학식 1에서 R, G, B는 원본 이미지에 포함된 각 픽셀들의 컬러의 채널들을 의미할 수 있다. WR, WG, WB는 각 채널 별 연산에 이용되는 임의의 가중치를 의미할 수 있다.
뎁스 와이즈 컨볼루션 계층(211)은, 1x1 커널 사이즈를 갖는 컨볼루션 계층일 수 있다. 커널 사이즈가 1x1이기 때문에, 전치 컨볼루션(Transposed Convolution) 연산이 수행되지 않을 수 있어 아티팩트(artifact)와 같은 규칙적인 노이즈가 발생하지 않을 수 있다.
수정 블록(220)은, 영상 처리에서 컬러 수정(Color Correction) 동작을 모사한 연산을 수행하는 블록으로서, 연산 블록(210)의 출력 이미지에 포함된 각 픽셀들의 컬러 간 연산을 수행하는 컨볼루션(convolution) 계층(221), 연산 블록(210)의 출력 이미지에 대한 배치 정규화(batch normalization)를 수행하는 배치 정규화 계층(222) 및 활성화 함수(activation function)의 연산을 수행하는 활성화 계층(223)을 포함할 수 있다. 일례로, 활성화 계층(223)에서 이용되는 활성화 함수는 정류 선형 유닛(Rectified Linear Unit, ReLU)일 수 있다.
컨볼루션 계층(221)은, 1x1 커널 사이즈를 갖는 컨볼루션 계층일 수 있다. 커널 사이즈가 1x1이기 때문에, 전치 컨볼루션(Transposed Convolution) 연산이 수행되지 않을 수 있어 아티팩트(artifact)와 같은 규칙적인 노이즈가 발생하지 않을 수 있다.
수정 블록(220)은, 연산 블록(210)의 출력 이미지에 포함된 각 픽셀들의 컬러의 채널들 간의 가중합을 계산함으로써 컬러 수정을 수행할 수 있다. 일 실시예로, 컨볼루션 계층(221)에서 아래 수학식 2에 따른 연산이 수행될 수 있다.
Figure pat00005
수학식 1에서,
Figure pat00006
,
Figure pat00007
,
Figure pat00008
는 임의의 가중치가 곱해진 R, G, B 값을 의미할 수 있다. 수학식 1에서 R, G, B는 연산 블록(210)의 출력 이미지에 포함된 각 픽셀들의 컬러의 채널들을 의미할 수 있다. WRR, WGG, WBB, WRG, WGR, WBR, WRB, WGB, WBG는 가중합 연산에 이용되는 임의의 가중치를 의미할 수 있다.
맵핑 블록(230)은, 수정 블록(220)의 출력 이미지에 대해 룩업 테이블을 적용하여 미리 설정된 신경망 모델(200)의 목적에 따라 수정 블록(220)의 출력 이미지의 색상을 변환하는 복수의 잔차 블록(residual block)(240)들을 포함할 수 있다.
각 잔차 블록(240)은, 컨볼루션 계층(241), 배치 정규화 계층(242), 활성화 계층(243), 컨볼루션 계층(244) 및 배치 정규화 계층(245)을 포함할 수 있다. 컨볼루션 계층(241)은, 1x1 커널 사이즈를 갖는 컨볼루션 계층일 수 있다. 일례로, 활성화 계층(243)에서 이용되는 활성화 함수는 정류 선형 유닛(Rectified Linear Unit, ReLU)일 수 있다.
일 실시예로, 영상 처리의 동작 중 3D 룩업 테이블(3D lookup table) 및 1D 톤 커브(1D Tone Curve)를 적용하기 위한 연산들이 복수의 잔차 블록(240)들에서 수행될 수 있다. 잔차 블록(240)을 통해 수정 블록(220)의 출력 이미지에 포함된 픽셀의 특정 색상이 강조되도록 변환될 수 있다.
도 3은 일 실시예에 따른 이미지 변환 방법을 흐름도로 도시한 도면이다.
단계(301)에서, 이미지 변환 장치의 프로세서는, 원본 이미지를 식별할 수 있다. 단계(302)에서, 프로세서는, 원본 이미지의 색상을 변환하는 신경망 모델에 원본 이미지를 입력하여 변환 이미지를 획득할 수 있다. 신경망 모델은 원본 이미지의 색상을 변환하도록 트레이닝될 수 있다. 변환 이미지는, 원본 이미지에서 신경망 모델에 의해 색상이 변환된 이미지를 의미할 수 있다.
신경망 모델은, 원본 이미지에 대한 화이트 밸런싱(white balancing)을 수행하는 연산 블록, 연산 블록의 출력 이미지의 색상을 수정하는 수정 블록 및 수정 블록의 출력 이미지에 룩업 테이블(lookup table)을 적용하는 맵핑 블록을 포함할 수 있다.
도 4는 일 실시예에 따른 신경망 모델을 트레이닝 과정을 설명하기 위한 도면이다.
이미지 변환 장치의 프로세서는, 변환 이미지(404, 414)로부터 원본 이미지(403, 413)와 동일한 이미지를 생성하도록 트레이닝된 비교 모델을 이용하여 변환 이미지(404, 414)로부터 비교 이미지를 생성하고, 원본 이미지(403, 413)와 비교 이미지 간의 차이에 기초하여 신경망 모델을 트레이닝할 수 있다.
비교 모델은, 신경망 모델과 구별되는 딥러닝 모델이고, 신경망 모델과 동일한 구조를 가질 수 있다. 즉, 신경망 모델과 목적이 반대인 모델일 수 있다. 예를 들어, 신경망 모델이 원본 이미지(403, 413)를 어둡게 변환하도록 트레이닝되는 경우, 비교 모델은 원본 이미지(403, 413)를 밝게 변환하도록 트레이닝될 수 있다. 비교 모델도 본 발명에 따른 신경망 모델과 동일한 구조를 포함할 수 있다.
도 4를 참조하면, 생성 모델 A(401)는, 본 발명의 신경망 모델과 동일한 구조를 갖는 모델로서, 원본 이미지(403, 413)를 밝게 변환할 수 있다. 생성 모델 B(411)는, 비교 모델로서, 본 발명의 신경망 모델과 동일한 구조를 갖는 모델이고, 원본 이미지(403, 413)를 어둡게 변환할 수 있다.
일 실시예에 따른 트레이닝 방법은 비지도 학습(unsupervised learning)이기 때문에, 타겟 데이터가 존재하지 않을 수 있다. 이미지 변환 장치의 프로세서는, 변환 이미지(404, 414)로부터 원본 이미지(403, 413)와 동일한 이미지를 생성하도록 트레이닝된 비교 모델을 이용하여 변환 이미지(404, 414)로부터 비교 이미지를 생성하고, 원본 이미지(403, 413)와 비교 이미지 간의 차이에 기초하여 신경망 모델을 트레이닝할 수 있다.
도 4를 참조하면, 원본 이미지(403)에 대하여 색상을 밝게 변환하는 생성 모델 A(401)에 의해 생성된 변환 이미지(404)를, 색상을 어둡게 변환하는 비교 모델인 생성 모델 B(411)에 입력하여 변환 이미지(405)를 획득할 수 있다. 생성 모델A와 생성 모델 B(411)가 정상적으로 동작할 경우, 원본 이미지(403)과 원본 이미지(405)가 거의 동일할 수 있다. 프로세서는, 원본 이미지(403)과 원본 이미지(405) 간의 차이에 기초하여 재구성 손실(406)을 결정할 수 있다. 프로세서는, 재구성 손실(406)을 최소화하도록 신경망 모델을 트레이닝할 수 있다.
프로세서는, 실제 이미지(413)와 신경망 모델로부터 생성된 변환 이미지(404)를 구별하도록 트레이닝된 구별자 모델(discriminative model)에 의해 구별되지 않는 변환 이미지(404)를 생성하도록 신경망 모델을 트레이닝할 수 있다.
도 4를 참조하면, 구별 모델 A(402)는, 이미지들이 밝은 이미지인지 구별하도록 트레이닝된 구별자 모델일 수 있다. 프로세서는, 구별 모델 A(402)의 판단 결과와 정답 레이블 간의 차이에 기초하여 구별 모델 A(402)를 트레이닝할 수 있다. 정답 레이블은 입력된 이미지가 밝은 이미지인지 아닌지에 대한 레이블을 포함할 수 있다. 구별 모델 A(402)은 지도 학습(supervised learning)으로 트레이닝될 수 있다. 사용자에 의해 밝은 이미지로 결정된 원본 이미지(413)가 구별 모델 A(402)의 트레이닝에 이용될 수 있다.
프로세서는, 생성 모델 A(401)가 생성한 변환 이미지(404)가 트레이닝된 구별 모델 A(402)로부터 구별되는 경우, 생성 모델 A(401)의 파라미터를 업데이트함으로써 생성 모델 A(401)를 트레이닝할 수 있다. 즉, 생성 모델 A(401)로부터 생성된 변환 이미지(404)가 실제 밝은 이미지와 거의 동일하여 구별 모델 A(402)에 의해 구별되지 못할 때까지, 프로세서는, 생성 모델 A(401)의 파라미터를 업데이트함으로써 생성 모델 A(401)를 트레이닝할 수 있다.
도 4를 참조하면, 생성 모델 B(411)는 원본 이미지(413)을 어둡게 변환할 수 있다. 도 4를 참조하면, 원본 이미지(413)에 대하여 색상을 어둡게 변환하는 생성 모델 B(411)에 의해 생성된 변환 이미지(414)를, 색상을 밝게 변환하는 비교 모델인 생성 모델 A(401)에 입력하여 변환 이미지(415)를 획득할 수 있다. 생성 모델A와 생성 모델 B(411)가 정상적으로 동작할 경우, 원본 이미지(413)과 원본 이미지(401)가 거의 동일할 수 있다. 프로세서는, 원본 이미지(413)과 원본 이미지(415) 간의 차이에 기초하여 재구성 손실(416)을 결정할 수 있다. 프로세서는, 재구성 손실(416)을 최소화하도록 생성 모델 B(411)를 트레이닝할 수 있다.
프로세서는, 실제 이미지(403)와 신경망 모델로부터 생성된 변환 이미지(414)를 구별하도록 트레이닝된 구별자 모델(discriminative model)에 의해 구별되지 않는 변환 이미지(414)를 생성하도록 신경망 모델을 트레이닝할 수 있다.
도 4를 참조하면, 구별 모델 B(412)는, 이미지들이 어두운 이미지인지 구별하도록 트레이닝된 구별자 모델일 수 있다. 프로세서는, 구별 모델 B(412)의 판단 결과와 정답 레이블 간의 차이에 기초하여 구별 모델 B(412)를 트레이닝할 수 있다. 정답 레이블은 입력된 이미지가 밝은 이미지인지 아닌지에 대한 레이블을 포함할 수 있다. 구별 모델 B(412)은 지도 학습(supervised learning)으로 트레이닝될 수 있다. 사용자에 의해 밝은 이미지로 결정된 원본 이미지(413)가 구별 모델 B(412)의 트레이닝에 이용될 수 있다.
프로세서는, 생성 모델 B(411)가 생성한 변환 이미지(414)가 트레이닝된 구별 모델 B(412)로부터 구별되는 경우, 생성 모델 B(411)의 파라미터를 업데이트함으로써 생성 모델 B(411)를 트레이닝할 수 있다. 즉, 생성 모델 B(411)로부터 생성된 변환 이미지(414)가 실제 어두운 이미지와 거의 동일하여 구별 모델 B(412)에 의해 구별되지 못할 때까지, 프로세서는, 생성 모델 B(411)의 파라미터를 업데이트함으로써 생성 모델 B(411)를 트레이닝할 수 있다.
신경망 모델의 트레이닝 방법은 기재된 예로 제한되지 않으며, 도 2의 신경망 모델의 구조를 이용하는 다양한 방식의 트레이닝이 적용될 수 있다.
신경망 모델에 이용되는 가중치들은 신경망 모델의 목적에 따라 다르게 트레이닝될 수 있다. 예를 들어, 원본 이미지(413)를 어둡게 변환하는 신경망 모델과, 원본 이미지(403)를 밝게 변환하는 신경망 모델 각각의 가중치들이나 연산 식들은 서로 다르게 설정될 수 있다. 다른 예로, 신경망 모델의 목적은 원본 이미지에 특정 날씨(예: 구름, 맑음 등)를 적용하거나, 색감을 강조하는 목적일 수 있다.
도 5는 일 실시예에 따른 신경망 모델에 의해 변환되는 이미지의 예를 설명하기 위한 도면이다.
도 5에서 이용되는 신경망 모델은 원본 이미지를 밝은 이미지로 변환하도록 트레이닝된 모델일 수 있다. 도 5의 (a)는 변환의 대상이 되는 원본 이미지일 수 있다. 도 5의 (b)는 화이트 밸런싱이 처리된 원본 이미지를 의미할 수 있다. 도 5의 (b)는 연산 블록에 의해 화이트 밸런싱이 처리된 원본 이미지를 의미할 수 있다.
도 5의 (c)는 수정 블록에 의해 컬러 수정(Color Correction)이 처리된 이미지일 수 있다. 도 5의 (d)는 맵핑 블록에 의해 룩업 테이블(lookup table)이 적용된 이미지일 수 있다. 구현 과정에서 도 5의 (b)-(c)가 출력되지 않을 수 있다. 맵핑 블록은 룩업 테이블을 적용하기 위하여 복수의 잔차 블록들을 포함할 수 있다. 복수의 잔차 블록에서 룩업 테이블을 적용하기 위한 연산들이 처리될 수 있다.
도 6은 일 실시예에 따른 신경망 모델이 적용될 수 있는 실시예를 설명하기 위한 도면이다.
다양한 실시예들에 따르면, 원본 이미지를 다양한 도메인의 변환 이미지로 변환함으로써 이미지 인식이나 객체 검출을 수행하는 학습 모델의 성능을 높이기 위한 트레이닝에 이용될 수 있다.
일 실시예로, 원본 이미지(602)가 어두운 도메인의 이미지 밖에 존재하지 않더라도 일 실시예에 따른 생성 모델 A에 의해 생성된 변환 이미지(603)가 학습 모델의 학습 데이터로 될 수 있다. 일 실시예로, 원본 이미지(612)가 밝은 도메인의 이미지 밖에 존재하지 않더라도 일 실시예에 따른 생성 모델 B에 의해 생성된 변환 이미지(613)가 학습 모델의 학습 데이터로 될 수 있다.
일 실시예들에 따르면, 여러 종류의 학습 모델을 트레이닝함에 있어 도메인 적응(Domain Adaptation)에 도움이 될 수 있다. 학습 모델은, 자율 주행(autonomous driving), 주행 보조 시스템(advanced driver assistance system), IVI(In vehicle Infotainment), SVM(Surround View Monitor) 분야와 같이 도메인 적응이 중요한 분야에 이용될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (13)

  1. 신경망 모델을 이용한 이미지 변환 방법에 있어서,
    원본 이미지를 식별하는 단계; 및
    상기 원본 이미지의 색상을 변환하는 신경망 모델에 상기 원본 이미지를 입력하여 변환 이미지를 획득하는 단계
    를 포함하고,
    상기 신경망 모델은,
    상기 원본 이미지에 대한 화이트 밸런싱(white balancing)을 수행하는 연산 블록, 상기 연산 블록의 출력 이미지의 색상을 수정하는 수정 블록 및 상기 수정 블록의 출력 이미지에 룩업 테이블(lookup table)을 적용하는 맵핑 블록을 포함하는,
    이미지 변환 방법.
  2. 제1항에 있어서,
    상기 연산 블록은,
    상기 원본 이미지에 포함된 각 픽셀들의 컬러에 대한 채널 별 연산을 통해 화이트 밸런싱을 수행하는 뎁스 와이즈 컨볼루션(depth-wise convolution) 계층을 포함하는, 이미지 변환 방법.
  3. 제1항에 있어서,
    상기 수정 블록은,
    상기 연산 블록의 출력 이미지에 포함된 각 픽셀들의 컬러 간 연산을 수행하는 컨볼루션 계층, 상기 연산 블록의 출력 이미지에 대한 배치 정규화(batch normalization)를 수행하는 배치 정규화 계층 및 활성화 함수(activation function)의 연산을 수행하는 활성화 계층을 포함하는, 이미지 변환 방법.
  4. 제1항에 있어서,
    상기 맵핑 블록은,
    상기 수정 블록의 출력 이미지에 대해 상기 룩업 테이블을 적용하여 미리 설정된 상기 신경망 모델의 목적에 따라 상기 수정 블록의 출력 이미지의 색상을 변환하는 복수의 잔차 블록(residual block)들을 포함하는 이미지 변환 방법.
  5. 제1항에 있어서,
    상기 변환 이미지로부터 상기 원본 이미지와 동일한 이미지를 생성하도록 트레이닝된 비교 모델-상기 비교 모델은 상기 신경망 모델과 구별되는 딥러닝 모델이고, 상기 신경망 모델과 동일한 구조를 가짐-을 이용하여 상기 변환 이미지로부터 비교 이미지를 생성하고, 상기 원본 이미지와 상기 비교 이미지 간의 차이에 기초하여 상기 신경망 모델을 트레이닝하는 단계를 더 포함하는, 이미지 변환 방법.
  6. 제1항에 있어서,
    실제 이미지와 상기 신경망 모델로부터 생성된 변환 이미지를 구별하도록 트레이닝된 구별자 모델(discriminative model)에 의해 구별되지 않는 변환 이미지를 생성하도록 상기 신경망 모델을 트레이닝하는 단계
    를 더 포함하는, 이미지 변환 방법.
  7. 제1항 내지 제6항 중 어느 한 항의 방법을 실행하는 컴퓨터 프로그램을 저장하는 컴퓨터 판독가능 기록매체.
  8. 신경망 모델을 이용한 이미지 변환 장치에 있어서,
    상기 이미지 변환 장치는 프로세서를 포함하고,
    상기 프로세서는,
    원본 이미지를 식별하고, 상기 원본 이미지의 색상을 변환하는 신경망 모델에 상기 원본 이미지를 입력하여 변환 이미지를 획득하고,
    상기 신경망 모델은,
    상기 원본 이미지에 대한 화이트 밸런싱(white balancing)을 수행하는 연산 블록, 상기 연산 블록의 출력 이미지의 색상을 수정하는 수정 블록 및 상기 수정 블록의 출력 이미지에 룩업 테이블(lookup table)을 적용하는 맵핑 블록을 포함하는,
    이미지 변환 장치.
  9. 제8항에 있어서,
    상기 연산 블록은,
    상기 원본 이미지에 포함된 각 픽셀들의 컬러에 대한 채널 별 연산을 통해 화이트 밸런싱을 수행하는 뎁스 와이즈 컨볼루션(depth-wise convolution) 계층을 포함하는, 이미지 변환 장치.
  10. 제8항에 있어서,
    상기 수정 블록은,
    상기 연산 블록의 출력 이미지에 포함된 각 픽셀들의 컬러 간 연산을 수행하는 컨볼루션 계층, 상기 연산 블록의 출력 이미지에 대한 배치 정규화(batch normalization)를 수행하는 배치 정규화 계층 및 활성화 함수(activation function)의 연산을 수행하는 활성화 계층을 포함하는, 이미지 변환 장치.
  11. 제8항에 있어서,
    상기 맵핑 블록은,
    상기 수정 블록의 출력 이미지에 대해 상기 룩업 테이블을 적용하여 미리 설정된 상기 신경망 모델의 목적에 따라 상기 수정 블록의 출력 이미지의 색상을 변환하는 복수의 잔차 블록(residual block)들을 포함하는 이미지 변환 장치.
  12. 제8항에 있어서,
    상기 프로세서는,
    상기 변환 이미지로부터 상기 원본 이미지와 동일한 이미지를 생성하도록 트레이닝된 비교 모델-상기 비교 모델은 상기 신경망 모델과 구별되는 딥러닝 모델이고, 상기 신경망 모델과 동일한 구조를 가짐-을 이용하여 상기 변환 이미지로부터 비교 이미지를 생성하고, 상기 원본 이미지와 상기 비교 이미지 간의 차이에 기초하여 상기 신경망 모델을 트레이닝하는, 이미지 변환 장치.
  13. 제8항에 있어서,
    상기 프로세서는,
    실제 이미지와 상기 신경망 모델로부터 생성된 변환 이미지를 구별하도록 트레이닝된 구별자 모델(discriminative model)에 의해 구별되지 않는 변환 이미지를 생성하도록 상기 신경망 모델을 트레이닝하는, 이미지 변환 장치.

KR1020210090668A 2021-07-12 2021-07-12 신경망 모델을 이용한 이미지 변환 방법 및 장치 KR20230010286A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210090668A KR20230010286A (ko) 2021-07-12 2021-07-12 신경망 모델을 이용한 이미지 변환 방법 및 장치
US17/679,492 US20230007964A1 (en) 2021-07-12 2022-02-24 Method and apparatus with image transformation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210090668A KR20230010286A (ko) 2021-07-12 2021-07-12 신경망 모델을 이용한 이미지 변환 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230010286A true KR20230010286A (ko) 2023-01-19

Family

ID=84799431

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210090668A KR20230010286A (ko) 2021-07-12 2021-07-12 신경망 모델을 이용한 이미지 변환 방법 및 장치

Country Status (2)

Country Link
US (1) US20230007964A1 (ko)
KR (1) KR20230010286A (ko)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106791756A (zh) * 2017-01-17 2017-05-31 维沃移动通信有限公司 一种多媒体数据处理方法及移动终端
KR102403494B1 (ko) * 2017-04-27 2022-05-27 에스케이텔레콤 주식회사 생성적 대립 네트워크에 기반한 도메인 간 관계를 학습하는 방법

Also Published As

Publication number Publication date
US20230007964A1 (en) 2023-01-12

Similar Documents

Publication Publication Date Title
US10991074B2 (en) Transforming source domain images into target domain images
KR102521544B1 (ko) 디노이징 네트워크의 학습 방법, 및 이미지 처리 방법 및 그 장치 방법
CN110349190B (zh) 自适应学习的目标跟踪方法、装置、设备及可读存储介质
JP2020527812A5 (ko)
CN110717953B (zh) 基于cnn-lstm组合模型的黑白图片的着色方法和系统
CN109902763B (zh) 用于生成特征图的方法和装置
US20190228273A1 (en) Identifying parameter image adjustments using image variation and sequential processing
CN109948700B (zh) 用于生成特征图的方法和装置
CN114746898A (zh) 用于生成图像抠图的三分图的方法和系统
CN112116542B (zh) 图像对比度增强方法、装置、电子设备和存储介质
KR20180109658A (ko) 영상 처리 방법과 장치
KR20210152269A (ko) 딥러닝 모델 학습 방법 및 이를 수행하기 위한 컴퓨팅 장치
CN115526803A (zh) 非均匀光照图像增强方法、系统、存储介质及设备
CN107527074B (zh) 用于车辆的图像处理方法和装置
JP7479387B2 (ja) デプロイされた機械学習モデルの信頼尺度
CN111476362A (zh) 确定fl值的方法及装置
CN114708434A (zh) 基于迭代域内适应和自训练的跨域遥感图像语义分割方法
CN113963193A (zh) 车身颜色分类模型生成的方法、装置以及存储介质
KR20220076952A (ko) 이미지 인식 방법, 이미지 인식 장치, 이미지 전처리 장치 및 뉴럴 네트워크의 학습 방법
CN117315758A (zh) 面部表情的检测方法、装置、电子设备及存储介质
KR20230010286A (ko) 신경망 모델을 이용한 이미지 변환 방법 및 장치
JP7038922B1 (ja) 信号処理装置、制御回路、記憶媒体および信号処理方法
KR20220155882A (ko) 뉴럴 네트워크를 이용하는 데이터 처리 방법 및 장치
WO2022193514A1 (en) End to end differentiable machine vision systems, methods, and media
CN115034255A (zh) 一种具有注意力机制时间卷积网络的信号调制识别算法