KR20230046701A - 포스 터치를 확인하는 전자 장치와 이의 동작 방법 - Google Patents
포스 터치를 확인하는 전자 장치와 이의 동작 방법 Download PDFInfo
- Publication number
- KR20230046701A KR20230046701A KR1020210130009A KR20210130009A KR20230046701A KR 20230046701 A KR20230046701 A KR 20230046701A KR 1020210130009 A KR1020210130009 A KR 1020210130009A KR 20210130009 A KR20210130009 A KR 20210130009A KR 20230046701 A KR20230046701 A KR 20230046701A
- Authority
- KR
- South Korea
- Prior art keywords
- touch
- touch input
- force
- electronic device
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 33
- 238000013136 deep learning model Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims description 21
- 238000012790 confirmation Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011017 operating method Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 45
- 238000005516 engineering process Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 238000013473 artificial intelligence Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 102100030148 Integrator complex subunit 8 Human genes 0.000 description 1
- 101710092891 Integrator complex subunit 8 Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
- G06F3/0414—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means using force sensing means to determine a position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
- G06F3/0416—Control or interface arrangements specially adapted for digitisers
- G06F3/04166—Details of scanning methods, e.g. sampling time, grouping of sub areas or time sharing with display driving
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
- G06F3/0416—Control or interface arrangements specially adapted for digitisers
- G06F3/0418—Control or interface arrangements specially adapted for digitisers for error correction or compensation, e.g. based on parallax, calibration or alignment
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Abstract
다양한 실시 예들에 따른 전자 장치는, 포스 터치를 판별하기 위한 복수의 딥러닝 모델들을 저장하는 메모리, 터치 스크린, 및 프로세서를 포함하고, 상기 프로세서는, 상기 터치 스크린을 통해 사용자의 터치 입력을 확인하고, 상기 터치 입력에 기반하여 시간차를 가지는 복수의 프레임들에 대한 터치 픽셀 데이터를 수신하고, 상기 터치 픽셀 데이터에 기반하여 상기 터치 입력이 포스 터치인지 여부를 확인하도록 설정되고, 상기 프로세서는, 상기 터치 입력이 지정된 시간 내에 지정된 제1횟수 이상 재입력된 것인지 확인하고, 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되면, 상기 복수의 딥러닝 모델들 중 제1판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하고, 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되지 않으면, 상기 복수의 딥러닝 모델들 중 상기 제1판단 모델보다 낮은 연산량을 가지는 판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하도록 설정될 수 있다.
Description
다양한 실시 예들은, 포스 터치를 확인하는 전자 장치와 이의 동작 방법에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성될 수 있다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝과 같은 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어와 같은 기술 분야로 구성될 수 있다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
전자 기술의 발달에 힘입어 다양한 유형의 전자 장치들이 개발 및 보급되고 있다. 특히, 최근에는 스마트폰, 태블릿 PC 등과 같이 다양한 기능을 가지는 휴대용 전자 장치의 보급이 확대되고 있다. 이와 같은 휴대용 전자 장치의 다양한 기능을 지원하기 위해, 기존의 터치 입력 이외에 터치 입력의 세기(압력)를 새로운 입력 수단으로 활용하고 있다.
종래에 터치 입력이 롱 터치(long touch)인지 또는 포스 터치(force touch)인지 여부를 확인하기 위해서, 전자 장치는 터치 스크린 하단부에 구비된 포스 터치 센서(또는 압력 센서)를 이용하여 터치 스크린에 인가되는 터치 입력의 압력을 확인하였다. 다만, 종래의 전자 장치는, 포스 터치 센서(또는 압력 센서)를 별도로 구비하여야 했기 때문에, 비용과 제품 소형화 측면에서 불리할 수 있었다.
근래에 들어, 포스 터치 센서(또는 압력 센서) 없이 딥러닝 기술을 활용하여 터치 입력이 롱 터치인지 또는 포스 터치인지 여부를 확인하는 기술이 도입되고 있다. 포스 터치 판단을 위한 딥러닝 모델은 빠른 응답을 위해 연산속도가 빠른 모델로 설계될 수 있다. 다만, 연산속도가 빠른 딥러닝 모델은, 포스 터치 판단의 정확도가 낮아질 수 있다.
다양한 실시 예들은, 이전에 판단된 포스 터치에 대한 히스토리를 이용하여 복수의 딥러닝 모델들 중 적합한 딥러닝 모델을 선택하고, 선택된 딥러닝 모델을 통해 터치 입력이 롱 터치(long touch)인지 또는 포스 터치(force touch)인지 여부를 확인하는 전자 장치와 이의 동작 방법을 제공할 수 있다.
다양한 실시 예들에 따른 전자 장치는, 포스 터치를 판별하기 위한 복수의 딥러닝 모델들을 저장하는 메모리, 터치 스크린, 및 프로세서를 포함하고, 상기 프로세서는, 상기 터치 스크린을 통해 사용자의 터치 입력을 확인하고, 상기 터치 입력에 기반하여 시간차를 가지는 복수의 프레임들에 대한 터치 픽셀 데이터를 수신하고, 상기 터치 픽셀 데이터에 기반하여 상기 터치 입력이 포스 터치인지 여부를 확인하도록 설정되고, 상기 프로세서는, 상기 터치 입력이 지정된 시간 내에 지정된 제1횟수 이상 재입력된 것인지 확인하고, 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되면, 상기 복수의 딥러닝 모델들 중 제1판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하고, 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되지 않으면, 상기 복수의 딥러닝 모델들 중 상기 제1판단 모델보다 낮은 연산량을 가지는 판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하도록 설정될 수 있다.
다양한 실시 예들에 따른 전자 장치의 동작 방법은, 상기 전자 장치에 포함된 터치 스크린을 통해, 사용자의 터치 입력을 확인하는 동작, 상기 터치 입력에 기반하여 시간차를 가지는 복수의 프레임들에 대한 터치 픽셀 데이터를 수신하는 동작, 및 상기 터치 픽셀 데이터에 기반하여 상기 터치 입력이 포스 터치인지 여부를 확인하는 동작을 포함하고, 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은, 상기 터치 입력이 지정된 시간 내에 지정된 제1횟수 이상 재입력된 것인지 확인하는 동작, 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되면, 상기 전자 장치에 포함된 메모리에 저장된 복수의 딥러닝 모델들 중 제1판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작, 및 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되지 않으면, 상기 복수의 딥러닝 모델들 중 상기 제1판단 모델보다 낮은 연산량을 가지는 판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작을 포함할 수 있다.
다양한 실시 예들에 따른 비일시적 기록 매체는, 전자 장치에 포함된 터치 스크린을 통해, 사용자의 터치 입력을 확인하는 동작, 상기 터치 입력에 기반하여 시간차를 가지는 복수의 프레임들에 대한 터치 픽셀 데이터를 수신하는 동작, 및 상기 터치 픽셀 데이터에 기반하여 상기 터치 입력이 포스 터치인지 여부를 확인하는 동작을 수행하고, 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은, 상기 터치 입력이 지정된 시간 내에 지정된 제1횟수 이상 재입력된 것인지 확인하는 동작, 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되면, 상기 전자 장치에 포함된 메모리에 저장된 복수의 딥러닝 모델들 중 제1판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작, 및 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되지 않으면, 상기 복수의 딥러닝 모델들 중 상기 제1판단 모델보다 낮은 연산량을 가지는 판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작을 포함하는 프로그램을 저장할 수 있다.
다양한 실시 예들에 따른 전자 장치는, 이전에 판단된 포스 터치에 대한 히스토리를 이용하여 복수의 딥러닝 모델들 중 적합한 딥러닝 모델을 선택하여 포스 터치 판단의 정확도와 응답속도를 향상시킬 수 있다.
도 1은 다양한 실시 예들에 따른 네트워크 환경 내의 전자 장치의 블록도이다.
도 2a와 도 2b는, 다양한 실시 예들에 따른 전자 장치와 이에 대한 블록도이다.
도 3은, 다양한 실시 예들에 따른 전자 장치가 터치 입력에 기반하여 터치 픽셀 데이터를 획득하는 동작을 설명하기 위한 도면이다.
도 4는, 다양한 실시 예들에 따른 포스 터치를 확인하는 딥러닝 모델에 대한 블록도이다.
도 5는, 다양한 실시 예들에 따른 전자 장치가 딥러닝 모델을 통해 포스 터치를 확인하는 동작을 설명하기 위한 도면이다.
도 6은, 다양한 실시 예들에 따른 전자 장치가 딥러닝 모델을 통해 포스 터치를 확인하는 동작을 설명하기 위한 도면이다.
도 7은, 다양한 실시 예들에 따른 전자 장치가 딥러닝 모델을 통해 포스 터치를 판별하는 동작을 설명하기 위한 플로우 차트이다.
도 8은, 다양한 실시 예들에 따른 복수의 딥러닝 모델들에 대한 정보를 나타내는 도면이다.
도 9는, 다양한 실시 예들에 따른 전자 장치가 터치 스크린에 포함된 복수의 영역들에 기반하여 판단 모델을 결정하는 동작을 설명하기 위한 도면이다.
도 10은, 다양한 실시 예들에 따른 전자 장치가 터치 스크린에 포함된 복수의 영역들에 기반하여 판단 모델을 결정하는 동작을 설명하기 위한 플로우 차트이다.
도 2a와 도 2b는, 다양한 실시 예들에 따른 전자 장치와 이에 대한 블록도이다.
도 3은, 다양한 실시 예들에 따른 전자 장치가 터치 입력에 기반하여 터치 픽셀 데이터를 획득하는 동작을 설명하기 위한 도면이다.
도 4는, 다양한 실시 예들에 따른 포스 터치를 확인하는 딥러닝 모델에 대한 블록도이다.
도 5는, 다양한 실시 예들에 따른 전자 장치가 딥러닝 모델을 통해 포스 터치를 확인하는 동작을 설명하기 위한 도면이다.
도 6은, 다양한 실시 예들에 따른 전자 장치가 딥러닝 모델을 통해 포스 터치를 확인하는 동작을 설명하기 위한 도면이다.
도 7은, 다양한 실시 예들에 따른 전자 장치가 딥러닝 모델을 통해 포스 터치를 판별하는 동작을 설명하기 위한 플로우 차트이다.
도 8은, 다양한 실시 예들에 따른 복수의 딥러닝 모델들에 대한 정보를 나타내는 도면이다.
도 9는, 다양한 실시 예들에 따른 전자 장치가 터치 스크린에 포함된 복수의 영역들에 기반하여 판단 모델을 결정하는 동작을 설명하기 위한 도면이다.
도 10은, 다양한 실시 예들에 따른 전자 장치가 터치 스크린에 포함된 복수의 영역들에 기반하여 판단 모델을 결정하는 동작을 설명하기 위한 플로우 차트이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 2a와 도 2b는, 다양한 실시 예들에 따른 전자 장치와 이에 대한 블록도이다.
도 2a를 참조하면, 전자 장치(201)는, 사용자의 터치 입력을 확인할 수 있다. 예컨대, 전자 장치(201)는, 도 1의 전자 장치(101)와 동일 내지 유사하게 구현될 수 있다.
다양한 실시 예에 따라, 전자 장치(201)는, 터치 입력이 롱 터치(또는 롱 터치 입력) 또는 포스 터치(또는 포스 터치 입력)인지 여부를 확인할 수 있다. 전자 장치(201)는, 터치 입력이 포스 터치인 것으로 확인되면, 포스 터치에 대응하는 기능을 수행할 수 있다. 예컨대, 전자 장치(201)는, 아이콘에 대한 터치 입력이 포스 터치인 것으로 확인되면, 해당 아이콘이 나타내는 어플리케이션에 대한 제1팝업 윈도우를 표시할 수 있다. 또는, 전자 장치(201)는, 터치 입력이 롱 터치인 것으로 확인되면, 롱 터치에 대응하는 기능을 수행할 수 있다. 예컨대, 전자 장치(201)는, 아이콘에 대한 터치 입력이 롱 터치인 것으로 확인되면, 해당 아이콘에 대한 제2팝업 윈도우를 표시할 수 있다. 예컨대, 포스 터치에 대응하는 기능과 롱 터치에 대응하는 기능은 서로 상이할 수 있다. 또한, 제1팝업 윈도우의 컨텐트와 제2팝업 윈도우의 컨텐트는 서로 상이할 수 있다.
다양한 실시 예에 따라, 전자 장치(201)는, 포스 터치 센서 또는 압력 센서를 이용하지 않고 터치 입력이 포스 터치인지 여부를 확인(또는 판단)할 수 있다. 예컨대, 전자 장치(201)는, 딥 러닝 모델(또는 딥 러닝 모델을 이용한 포스 터치 판단 모델)을 이용하여 터치 입력이 포스 터치인지 여부를 확인(또는 판단)할 수 있다.
다양한 실시 예에 따라, 전자 장치(201)는, 서로 상이한 연산량을 요구하는 복수의 딥 러닝 모델들 중 상황에 맞는 딥 러닝 모델(이하, 판단 모델)을 선택하고, 선택된 판단 모델을 이용하여 터치 입력이 포스 터치인지 여부를 확인할 수 있다. 예컨대, 전자 장치(201)는, 정확도와 응답성을 고려하여 판단 모델을 선택하고, 선택된 판단 모델을 이용하여 터치 입력이 포스 터치인지 여부를 확인할 수 있다.
도 2b를 참조하면, 전자 장치(201)는, 프로세서(220), 메모리(230), 및 터치 스크린(260)을 포함할 수 있다.
다양한 실시 예에 따라, 프로세서(220)(예컨대, 도 1의 프로세서(120))는 전자 장치(201)의 전반적인 동작을 제어할 수 있다.
다양한 실시 예에 따라, 프로세서(220)는, 터치 스크린(260)(예컨대, 도 1의 디스플레이 모듈(160))을 통해, 사용자의 터치 입력을 확인할 수 있다. 예컨대, 터치 스크린(260)은 터치 IC(integrated circuit)를 포함할 수 있다.
다양한 실시 예에 따라, 프로세서(220)는, 터치 스크린(260)(또는 터치 스크린에 포함된 터치 IC)를 통해, 터치 입력에 기반하여 시간차를 가지는 복수의 프레임들에 대한 터치 픽셀 데이터를 수신(또는 획득)할 수 있다. 예컨대, 터치 픽셀 데이터는, 터치 입력에 의해 시간에 따라 변경되는 센싱 값들에 대한 데이터를 의미할 수 있다.
다양한 실시 예에 따라, 프로세서(220)는, 터치 픽셀 데이터에 기반하여 포스 터치 판별 동작을 수행할 수 있다. 예컨대, 포스 터치 판별 동작은, 터치 입력이 롱 터치 또는 포스 터치인지 여부를 확인하는 동작을 의미할 수 있다. 예컨대, 프로세서(220)는, 터치 픽셀 데이터를 포스 터치를 판단하기 위한 딥 러닝 모델(예컨대, 판단 모델)의 입력값으로 입력하여 터치 입력이 포스 터치인지 여부를 확인할 수 있다.
다양한 실시 예에 따라, 메모리(230)(예컨대, 도 1의 메모리(130))는, 서로 다른 연산량을 요구하는 복수의 딥 러닝 모델들에 대한 정보를 저장할 수 있다. 복수의 딥 러닝 모델들은, 터치 입력에 의해 센싱된 터치 픽셀 데이터에 기반으로 롱 터치와 포스 터치를 구분할 수 있는 딥 러닝 모델을 의미할 수 있다. 예컨대, 복수의 딥 러닝 모델들은, 터치 입력에 의해 센싱된 터치 픽셀 데이터에 기반으로 롱 터치와 포스 터치를 구분할 수 있는 딥 러닝 모델을 학습하여 터치 스크린을 통해 확인된 터치 입력이 포스 터치인지 여부를 판별할 수 있다.
예컨대, 많은 연산량을 요구하는 딥 러닝 모델(예컨대, 제1판단 모델)은 포스 터치에 대한 판단 정확도가 높을 수 있다. 다만, 많은 연산량을 요구하는 딥 러닝 모델은 신속하지 않은 응답성이 가질 수 있다. 반면에, 적은 연산량을 요구하는 딥 러닝 모델은 포스 터치에 대한 판단 정확도가 낮을 수 있다. 다만, 적은 연산량을 요구하는 딥 러닝 모델은 신속한 응답성을 가질 수 있다. 메모리(230)는, 딥 러닝 모델을 이용하여 확인된 포스 터치 판단에 대한 결과 정보(예컨대, 판단 결과, 판단 정확도, 및/또는 판단 시도 횟수)를 저장할 수 있다.
다양한 실시 예에 따라, 프로세서(220)는, 터치 스크린(260)을 통해 터치 입력에 확인되면, 복수의 딥 러닝 모델들 중 상기 터치 입력이 포스 터치인지 여부를 확인하기 위한 어느 하나의 딥 러닝 모델(이하, 판단 모델)을 결정할 수 있다.
다양한 실시 예에 따라, 프로세서(220)는, 터치 입력이 지정된 시간(예컨대, 3초) 내에 지정된 제1횟수(예컨대, 2회) 이상 재입력된 것인지 확인할 수 있다. 예컨대, 프로세서(220)는, 확인된 터치 입력이 지정된 시간 내 반복하여 포스 터치 판별(또는 포스 터치 판단)을 요청한 것인지 확인할 수 있다. 예컨대, 지정된 시간은, 프로세서(220)에 의해 자동으로 설정되거나 사용자에 의해 결정될 수 있다. 또한, 지정된 제1횟수도 프로세서(220)에 의해 자동으로 설정되거나 사용자에 의해 결정될 수 있다.
다양한 실시 예에 따라, 프로세서(220)는, 터치 입력이 지정된 시간 내에 지정된 제1횟수 이상 재입력된 것으로 확인되면, 복수의 딥러닝 모델들 중 높은 연산량(또는 높은 정확도)을 가지는 제1판단 모델을 통해 포스 터치 판별 동작을 수행할 수 있다. 예컨대, 프로세서(220)는, 제1판단 모델을 이용하여 터치 입력이 상기 포스 터치인지 여부를 확인할 수 있다. 또는, 프로세서(220)는, 터치 입력이 지정된 시간 내에 지정된 제1횟수 이상 재입력된 것으로 확인되지 않으면, 복수의 딥러닝 모델들 중 제1판단 모델보다 낮은 연산량(또는 낮은 정확도)을 가지는 판단 모델(예컨대, 제2판단 모델 또는 제3판단 모델)을 통해 터치 입력이 포스 터치인지 여부를 확인할 수 있다. 예를 들어, 프로세서(220)는, 터치 입력이 지정된 시간 내 반복하여 포스 터치 판단을 요청한 것으로 확인되면, 높은 연산량(또는 높은 정확도)을 가지는 판단 모델을 이용하여 터치 입력이 포스 터치 또는 롱 터치인지 여부를 확인할 수 있다.
다양한 실시 예에 따라, 프로세서(220)는, 터치 스크린(260)의 표시 영역을 복수의 영역들로 구분할 수 있다. 예컨대, 프로세서(220)는, 터치 스크린(260)에 포함된 복수의 영역들 중 터치 입력이 입력된 제1영역을 확인할 수 있다. 프로세서(220)는, 터치 스크린(260)의 제1영역에서 이전에 터치 입력이 포스 터치인지 여부를 확인한 판단 횟수 및 판단 정확도를 확인할 수 있다. 프로세서(220)는, 판단 횟수 및 판단 정확도에 기반하여, 복수의 딥 러닝 모델들 중 상기 터치 입력이 포스 터치인지 여부를 확인하기 위한 딥 러닝 모델(또는 판단 모델)을 결정할 수 있다.
다양한 실시 예에 따라, 프로세서(220)는, 터치 스크린(260)의 전체 표시 영역(또는 복수의 영역들) 중 터치 입력이 확인된 제1영역에서 이전에 포스 터치인지 여부를 확인한 판단 횟수가 지정된 제2횟수(예컨대, 30회) 미만이면, 제2판단 모델을 이용하여 포스 터치 판별을 수행할 수 있다. 예컨대, 제2판단 모델은, 제1판단 모델보다 적은 연산량을 요구할 수 있다. 또한, 제2판단 모델은, 제1판단 모델보다 신속하게 판단 결과를 도출할 수 있다. 또는, 프로세서(220)는, 터치 스크린(260)의 전체 표시 영역(또는 복수의 영역들) 중 터치 입력이 확인된 제1영역에서 이전에 포스 터치인지 여부를 확인한 판단 횟수가 지정된 제2횟수(예컨대, 30회) 이상이면, 제3판단 모델을 이용하여 포스 터치 판별을 수행할 수 있다. 예컨대, 제3판단 모델은, 제2판단 모델보다 적은 연산량을 요구할 수 있다. 또한, 제3판단 모델은, 제2판단 모델보다 신속하게 판단 결과를 도출할 수 있다.
다양한 실시 예에 따라, 프로세서(220)는, 터치 입력이 확인된 제1영역에서 이전에 확인된 포스 터치에 대한 판단 정확도가 임계값(예컨대, 80%) 미만이면, 제2판단 모델이나 제3판단 모델 대신 제1판단 모델을 통해 포스 터치 판별 동작을 수행할 수 있다.
다양한 실시 예에 따라, 프로세서(220)는, CPU(또는 제1프로세싱 유닛)(221) 및 NPU(또는 제2프로세싱 유닛)(223)를 포함할 수 있다. 예컨대, NPU(223)는 CPU(221)에 비해 저전력으로 빠르게 판단 결과를 도출할 수 있다. 예컨대, 프로세서(220)는, 제1판단 모델과 제2판단 모델을 CPU(221)에서 구동시키고, 제3판단 모델을 NPU(223)에서 구동시킬 수 있다. 또는, 프로세서(220)는, 제1판단 모델만 CPU(221)에서 구동시키고, 제2판단 모델 및 제3판단 모델을 NPU(223)에서 구동시킬 수도 있다. 또는, 프로세서(220)는, 제1판단 모델, 제2판단 모델, 및 제3판단 모델 모두 CPU(221) 또는 NPU(223)에서 구동시킬 수도 있다.
이를 통해, 프로세서(220)는, 상황에 맞는 효율적인 딥 러닝 모델(또는 판단 모델)을 선택하여 사용자의 터치 입력에 대한 포스 터치 판별을 수행할 수 있다.
한편, 이하에서 설명하는 전자 장치(201)의 동작들의 적어도 일부는 프로세서(220)에 의해 수행될 수 있다. 다만, 이하에서는 설명의 편의를 위해 전자 장치(201)가 동작을 수행하는 것으로 설명될 것이다.
도 3은, 다양한 실시 예들에 따른 전자 장치가 터치 입력에 기반하여 터치 픽셀 데이터를 획득하는 동작을 설명하기 위한 도면이다.
도 3을 참조하면, 전자 장치(201)는, 터치 스크린(360)(예컨대, 도 2b의 터치 스크린(260))을 포함할 수 있다. 예컨대, 전자 장치(201)는, 터치 스크린(360)을 통해 사용자의 터치 입력을 센싱할 수 있다.
다양한 실시 예에 따라, 시간차를 가지는 복수의 프레임들에 대한 터치 픽셀 데이터를 획득할 수 있다. 예컨대, 전자 장치(201)는, 사용자의 터치 입력에 기반하여 제1시간에 제1프레임에 대응하는 제1터치 픽셀 데이터(310)를 획득할 수 있다. 전자 장치(201)는, 제1시간 이후의 제2시간에 제2프레임에 대응하는 제2터치 픽셀 데이터(320)를 획득할 수 있다. 예를 들어, 전자 장치(201)는, 하나의 터치 입력에 의해 시간차를 가지는 복수의 프레임들에 대한 터치 픽셀 데이터를 획득할 수 있다. 복수의 프레임들에 대응하는 터치 픽셀 데이터는 특정 픽셀에 대하여 서로 동일 내지 상이한 센싱 값을 포함할 수 있다.
도 4는, 다양한 실시 예들에 따른 포스 터치를 확인하는 딥러닝 모델에 대한 블록도이다.
도 4를 참조하면, 다양한 실시 예에 따라, 딥러닝 모델(또는 판단 모델)(420)은, CNN(convolution neural network) 모듈(430)과 RNN(recurrent neural network) 모듈(440)을 포함할 수 있다. 전자 장치(201)는, 딥러닝 모델(또는 판단 모델)(420)을 이용하여 포스 터치 판단 동작을 수행할 수 있다. 예컨대, 딥러닝 모델은, 사용자의 손가락으로부터 터치 입력을 확인한 이후 200~300ms 전후로 터치 입력이 포스 터치인지 여부를 판단할 수 있다. 예컨대, 딥러닝 모델은, 1M byte 크기의 응답성이 빠른 모델로 구현될 수 있다. 한편, 도 4에서는 1개의 CNN 모듈(430)과 RNN 모듈(440)만을 도시하고 있으나, 본 발명의 기술적 특징은 이에 한정되지 않을 수 있다. 예컨대, 딥러닝 모델(420)은, 요구되는 연산량에 따라 복수의 CNN 모듈과 RNN 모듈을 포함할 수도 있다.
다양한 실시 예에 따라, 딥러닝 모델(420)은, 픽셀 터치 데이터(410)를 입력 값으로 수신할 수 있다. 딥러닝 모델(420)은, 픽셀 터치 데이터(410)를 CNN 모듈(430) 및 RNN 모듈(440) 중 적어도 하나를 통해 처리하고, 터치 입력이 포스 터치인지 여부를 나타내는 판단 결과를 출력할 수 있다.
다양한 실시 예에 따라, 제1판단 모델, 제2판단 모델, 및 제3판단 모델 각각은 연산량의 차이가 있을 뿐, 딥러닝 모델(420)과 동일 내지 유사하게 구현될 수 있다.
도 5는, 다양한 실시 예들에 따른 전자 장치가 딥러닝 모델을 통해 포스 터치를 확인하는 동작을 설명하기 위한 도면이다.
도 5를 참조하면, 다양한 실시 예에 따라, 동작 510에서, 전자 장치(201)는 터치 스크린(또는 터치 IC)(260)을 통해 사용자의 터치 입력을 확인할 수 있다.
다양한 실시 예에 따라, 동작 520에서, 전자 장치(201)는, 터치 스크린(또는 터치 IC)(260)을 통해, 터치 입력에 기반한 시간차를 가지는 복수의 프레임들에 대한 터치 픽셀 데이터를 획득할 수 있다. 예컨대, 터치 픽셀 데이터는, 터치 입력에 대하여 세로(H), 가로(W), 및 시간(N)을 가지는 데이터를 포함할 수 있다. 예컨대, 터치 픽셀 데이터는 지정된 시간(N) 동안 획득된 지정된 크기의 세로축(H)과 가로축(W)에서 센싱된 픽셀 값을 가지는 프레임들에 대한 데이터를 포함할 수 있다.
다양한 실시 예에 따라, 프로세서(220)는, 터치 IC로부터 터치 픽셀 데이터를 획득할 수 있다. 동작 530에서, 프로세서(220)는, 메모리(230)에 저장된 복수의 딥러닝 모델들 중 어느 하나의 딥러닝 모델(또는 AI 모델)을 로드할 수 있다. 동작 540에서, 프로세서(220)는, 로드된 딥러닝 모델(또는 AI 모델)을 통해, 터치 픽셀 데이터에 기반하여 터치 입력이 포스 터치 또는 롱 터치인지 여부를 판단할 수 있다.
다양한 실시 예에 따라, 동작 570에서, 프로세서(220)는, 판단 결과에 기반하여 포스 터치 또는 롱 터치에 관련된 기능을 수행할 수 있다.
도 6은, 다양한 실시 예들에 따른 전자 장치가 딥러닝 모델을 통해 포스 터치를 확인하는 동작을 설명하기 위한 도면이다.
도 6을 참조하면, 다양한 실시 예에 따라, 프로세서(220)는, 드라이버(610), 프레임워크(620), 딥 러닝 모델(예컨대, 제1판단 모델(630), 제2판단 모델(640), 및 제3판단 모델(650) 중 어느 하나의 판단 모델), 및 포스 터치 확인 모듈(670)을 실행할 수 있다. 예컨대, 제1판단 모델(630)과 제2판단 모델(640)은, CPU(221)에 의해 구동될 수 있다. 제3판단 모델(650)은, NPU(223)에 의해 구동될 수 있다.
다양한 실시 예에 따라, 드라이버(610), 프레임워크(620), 및 포스 터치 확인 모듈(670)은, CPU(221)에 의해 구동될 수 있다. 예컨대, 드라이버(610) 및 프레임워크(620)는, CPU(221)의 드라이버 및 프레임워크일 수 있다. 예를 들어, 드라이버(610), 프레임워크(620) 및 포스 터치 확인 모듈(670)은 CPU(221)에서 구동되는 프로그램 모듈일 수 있다. 비록 도 6에서는 드라이버(610), 프레임워크(620), 및 ), 포스 터치 확인 모듈(670)이 CPU(221) 외부에 배치되도록 도시되어 있으나, 이는 설명의 편의를 위한 것일 뿐, 본 발명의 기술적 특징은 이에 한정되지 않을 수 있다.
다양한 실시 예에 따라, 드라이버(610)는, 터치 스크린(또는 터치 IC)(260)로부터 터치 입력에 의한 터치 픽셀 데이터를 수신할 수 있다. 예컨대, 드라이버(610)는, CPU(221)에 의해 실행될 수 있다. 드라이버(610)는, 프레임워크(620)로 터치 픽셀 데이터를 전송할 수 있다.
다양한 실시 예에 따라, 프레임워크(620)는 재시도 확인 모듈(622) 및 영역 확인 모듈(625)을 포함할 수 있다. 예컨대, 프레임워크(620)는, CPU(221)에 의해 실행될 수 있다. 재시도 확인 모듈(622)은, 터치 입력이 지정된 시간 내에 지정된 횟수 이상 재입력된 것인지 확인할 수 있다. 재시도 확인 모듈(622)은, 터치 입력이 지정된 시간 내에 지정된 횟수 이상 재입력된 것으로 확인되면, 터치 픽셀 데이터를 CPU(221)에서 구동되는 제1판단 모델(630)로 전송할 수 있다.
다양한 실시 예에 따라, 재시도 확인 모듈(622)에 의해 터치 입력이 지정된 시간 내에 지정된 횟수 이상 재입력된 것으로 확인되지 않으면, 영역 확인 모듈(625)은, 터치 스크린(260)의 표시 영역에서 터치 입력이 입력된 제1영역을 확인할 수 있다. 영역 확인 모듈(625)은 제1영역에서 이전에 터치 입력이 포스 터치인지 여부를 확인한 판단 횟수 및 판단 정확도를 확인할 수 있다. 영역 확인 모듈(625)은, 판단 횟수 및 판단 정확도에 기반하여, 복수의 판단 모델들(630, 640, 및 650) 중 포스 터치 판단 동작을 수행할 판단 모델을 선택할 수 있다.
다양한 실시 예에 따라, 영역 확인 모델(625)은, 터치 입력이 확인된 제1영역에서 이전에 포스 터치인지 여부를 확인한 판단 횟수가 지정된 제2횟수 미만이면, CPU(221)에서 구동되는 제2판단 모델(640)로 터치 픽셀 데이터를 전송할 수 있다. 영역 확인 모델(625)은, 터치 입력이 확인된 제1영역에서 이전에 포스 터치인지 여부를 확인한 판단 횟수가 지정된 제2횟수 이상이면, NPU(223)(또는 제3판단 모델(650))로 터치 픽셀 데이터를 전송할 수 있다. 또는, 영역 확인 모델(625)은, 터치 입력이 확인된 제1영역에서 이전에 확인된 포스 터치에 대한 판단 정확도가 임계값 미만이면, CPU(221)에서 구동되는 제1판단 모델(630)로 터치 픽셀 데이터를 전송할 수 있다.
다양안 실시 예에 따라, CPU(221) 또는 NPU(223)는, 복수의 판단 모델들(630, 640, 및 650) 중 선택된 판단 모델을 통해 터치 입력이 포스 터치 또는 롱 터치인지 여부를 판별할 수 있다. 또한, CPU(221) 또는 NPU(223)는, 판별 결과를 포스 터치 확인 모듈(670)로 전송할 수 있다.
다양한 실시 예에 따라, 포스 터치 확인 모듈(670)은, 판별 결과에 기반하여 포스 터치 또는 롱 터치에 지정된 기능을 수행할 수 있다. 또한, 포스 터치 확인 모듈(670)은, 확인 결과에 대한 정보를 메모리(또는 데이터베이스)(230)에 저장(또는 업데이트)할 수 있다. 이후, 영역 확인 모듈(625)은 제1영역에서 확인된 터치 입력에 대한 포스 터치 판단을 수행할 때, 메모리(또는 데이터베이스)(230)에 저장된 확인 결과 정보를 이용할 수 있다.
도 7은, 다양한 실시 예들에 따른 전자 장치가 딥러닝 모델을 통해 포스 터치를 판별하는 동작을 설명하기 위한 플로우 차트이다.
도 7을 참조하면, 다양한 실시 예에 따라, 동작 701에서, 전자 장치(201)는, 터치 스크린(260)을 통해 사용자의 터치 입력을 확인할 수 있다. 전자 장치(201)는, 터치 입력에 의한 센싱된 터치 픽셀 데이터를 획득할 수 있다.
다양한 실시 예에 따라, 동작 703에서, 전자 장치(201)는, 터치 입력이 지정된 시간(예컨대, 3초) 내에 지정된 횟수(예컨대, 2회) 이상 재입력된 것인지 확인할 수 있다.
다양한 실시 예에 따라, 터치 입력이 지정된 시간 내에 지정된 횟수 이상 재입력된 것으로 확인되면(동작 703의 예), 동작 705에서, 전자 장치(201)는, 복수의 판단 모델들(또는 복수의 딥러닝 모델들) 중 제1판단 모델을 통해 터치 입력이 포스 터치인지 여부를 확인할 수 있다.
다양한 실시 예에 따라, 터치 입력이 지정된 시간 내에 지정된 횟수 이상 재입력된 것으로 확인되지 않으면(동작 703의 아니오), 전자 장치(201)는, 터치 스크린(260)의 표시 영역에서 터치 입력이 입력된 제1영역을 확인할 수 있다. 전자 장치(201)는, 제1영역에서 이전에 터치 입력이 포스 터치인지 여부를 확인한 판단 횟수 및 판단 정확도를 확인할 수 있다. 동작 705에서, 전자 장치(201)는, 터치 입력이 확인된 제1영역에서 이전에 포스 터치인지 여부를 확인한 판단 횟수가 지정된 제2횟수(예컨대, 30회) 이상인지 여부를 확인할 수 있다.
다양한 실시 예에 따라, 터치 입력이 확인된 제1영역에서 이전에 포스 터치인지 여부를 확인한 판단 횟수가 지정된 제2횟수 미만(동작 707의 아니오)이면, 동작 709에서 전자 장치(201)는, 복수의 판단 모델들(또는 복수의 딥러닝 모델들) 중 제2판단 모델을 통해 통해 터치 입력이 포스 터치인지 여부를 확인할 수 있다.
다양한 실시 예에 따라, 터치 입력이 확인된 제1영역에서 이전에 포스 터치인지 여부를 확인한 판단 횟수가 지정된 제2횟수 이상(동작 707의 예)이면, 동작 711에서, 전자 장치(201)는, 터치 입력이 확인된 제1영역에서 이전에 확인된 포스 터치에 대한 판단 정확도가 임계값(예컨대, 80%) 이상인지 여부를 확인할 수 있다.
다양한 실시 예에 따라, 터치 입력이 확인된 제1영역에서 이전에 확인된 포스 터치에 대한 판단 정확도가 임계값 이상이면(동작 711의 예), 동작 713에서 전자 장치(201)는, 복수의 판단 모델들(또는 복수의 딥러닝 모델들) 중 제3판단 모델을 통해 통해 터치 입력이 포스 터치인지 여부를 확인할 수 있다. 또는, 터치 입력이 확인된 제1영역에서 이전에 확인된 포스 터치에 대한 판단 정확도가 임계값 미만이면(동작 711의 아니오), 동작 705에서 전자 장치(201)는, 복수의 판단 모델들(또는 복수의 딥러닝 모델들) 중 제1판단 모델을 통해 통해 터치 입력이 포스 터치인지 여부를 확인할 수 있다.
다양한 실시 예에 따라, 동작 715에서, 전자 장치(201)는, 판별 결과에 기반하여 터치 입력에 대응하는 기능을 수행할 수 있다. 예컨대, 전자 장치(201)는, 터치 입력이 포스 터치로 확인되면, 포스 터치에 지정된 기능을 수행할 수 있다. 또는, 전자 장치(201)는, 터치 입력이 롱 터치로 확인되면, 롱 터치에 지정된 기능을 수행할 수 있다.
다양한 실시 예에 따라, 동작 717에서, 전자 장치(201)는, 판단 결과에 대한 정보를 메모리(230)에 저장(또는 업데이트)할 수 있다. 전자 장치(201)는, 이후에 제1영역에서 확인된 터치 입력에 대한 포스 터치 판단을 수행할 때, 메모리(230)에 저장된 판단 결과에 대한 정보를 이용할 수 있다.
도 8은, 다양한 실시 예들에 따른 복수의 딥러닝 모델들에 대한 정보를 나타내는 도면이다.
도 8을 참조하면, 전자 장치(201)는, 포스 터치 여부를 판단하기 위한 복수의 딥러닝 모델들(예컨대, 제1판단 모델, 제2판단 모델, 및 제3판단 모델) 중 어느 하나의 딥러닝 모델(또는 판단 모델)을 선택할 수 있다.
다양한 실시 예에 따라, 제1판단 모델(예컨대, 정밀 판별기)은, CPU(221)에서 구동될 수 있다. 제1판단 모델은, 제2판단 모델에 비해 높은 연산량(예컨대, 1.5배)을 가질 수 있다. 제1판단 모델은, 제2판단 모델에 비해 높은 정확도를 가질 수 있다. 제1판단 모델은, FP16 타입의 데이터를 이용하여 판단 결과를 도출할 수 있다. 예컨대, 제1판단 모델은, 터치 입력이 확인된 영역에서 이전에 포스 터치 입력을 확인한 횟수가 지정된 제2횟수(예컨대, 30회) 이상이고, 판단 정확도가 지정된 정확도(예컨대, 80%) 미만인 경우 적용될 수 있다. 또한, 제1판단 모델은, 터치 입력이 지정된 시간 내에 반복적으로 포스 터치 판단을 요청한 경우에도 적용될 수 있다.
다양한 실시 예에 따라, 제2판단 모델(예컨대, 기본 판별기)은, CPU(221)에서 구동될 수 있다. 제2판단 모델은, 제1판단 모델에 비해 낮은 연산량을 가질 수 있다. 또한, 제2판단 모델은, 제3판단 모델에 비해 높은 연산량을 가질 수 있다. 제2판단 모델은, 제1판단 모델에 비해 빠른 응답도를 가질 수 있고, 제3판단 모델에 비해 높은 정확도를 가질 수 있다. 제2판단 모델은, FP16 타입의 데이터를 이용하여 판단 결과를 도출할 수 있다. 예컨대, 제2판단 모델은, 터치 입력이 확인된 영역에서 이전에 포스 터치 입력을 확인한 횟수가 지정된 제2횟수 미만인 경우 적용될 수 있다.
다양한 실시 예에 따라, 제3판단 모델(예컨대, 신속 판별기)은, NPU(223)에서 구동될 수 있다. 다만, 제3판단 모델은, CPU(221)에서 구동될 수도 있다. 제3판단 모델은, 제2판단 모델에 비해 낮은 연산량(예컨대, 0.8배)을 가질 수 있다. 또한, 제3판단 모델은, 제2판단 모델에 비해 적은 연산량을 가질 수 있다. 제3판단 모델은, 제2판단 모델에 비해 빠른 응답도를 가질 수 있다. 제3판단 모델은, INT8 타입의 데이터를 이용하여 판단 결과를 도출할 수 있다. 예컨대, 제3판단 모델은, 터치 입력이 확인된 영역에서 이전에 포스 터치 입력을 확인한 횟수가 지정된 제2횟수 이상이고, 판단 정확도가 지정된 정확도 이상인 경우 적용될 수 있다.
한편, 도 8에서 설명한 판단 모델들의 연산량, 적용 기준, 및 데이터 타입은 예시적인 것일 뿐, 본 발명의 기술적 특징은 이에 한정되지 않을 수 있다.
도 9는, 다양한 실시 예들에 따른 전자 장치가 터치 스크린에 포함된 복수의 영역들에 기반하여 판단 모델을 결정하는 동작을 설명하기 위한 도면이다.
도 9를 참조하면, 다양한 실시 예에 따라, 전자 장치(201)는, 터치 스크린(260)의 표시 영역을 복수의 영역들(예컨대, 910~940)로 구분할 수 있다. 예컨대, 전자 장치(201)는, 프로세서(220)에 의해 자동으로 또는 사용자에 의해 복수의 영역들의 개수, 형태, 및/또는 위치를 지정할 수 있다. 전자 장치(201)는, 터치 스크린(260)을 통해 사용자의 터치 입력이 입력되면, 복수의 영역들(예컨대, 910~940) 중 터치 입력이 입력된 영역을 확인할 수 있다.
다양한 실시 예에 따라, 전자 장치(201)는, 터치 입력이 확인된 영역에서 이전에 터치 입력이 포스 터치인지 여부를 확인한 판단 횟수 및 판단 정확도를 확인할 수 있다. 예컨대, 전자 장치(201)는, 메모리(230)에 저장된 영역 별 확인 결과(또는 판단 결과)에 대한 정보를 이용할 수 있다. 예컨대, 제1영역(910)은, 판단 시도가 30회이고 판단 정확도가 70%일 수 있다. 제2영역(920)은, 판단 시도가 50회이고 판단 정확도가 50%일 수 있다. 제3영역(930)은, 판단 시도가 10회이고 판단 정확도가 90%일 수 있다. 제4영역(940)은, 판단 시도가 40회이고 판단 정확도가 90%일 수 있다.
도 8과 도 9를 참조하면, 다양한 실시 예에 따라, 전자 장치(201)는, 터치 입력이 입력된 영역이 제1영역(910)이면, 제1판단 모델을 통해 터치 입력이 포스 터치인지 여부를 확인할 수 있다. 전자 장치(201)는, 터치 입력이 입력된 영역이 제2영역(920)이면, 제1판단 모델을 통해 터치 입력이 포스 터치인지 여부를 확인할 수 있다. 전자 장치(201)는, 터치 입력이 입력된 영역이 제3영역(930)이면, 제2판단 모델을 통해 터치 입력이 포스 터치인지 여부를 확인할 수 있다. 전자 장치(201)는, 터치 입력이 입력된 영역이 제4영역(940)이면, 제3판단 모델을 통해 터치 입력이 포스 터치인지 여부를 확인할 수 있다.
이를 통해, 전자 장치(201)는, 상황에 맞는 효율적인 딥 러닝 모델(또는 판단 모델)을 선택하여 사용자의 터치 입력에 대한 포스 터치 판별을 수행할 수 있다. 한편, 도 9에서 도시된 복수의 영역들의 개수, 위치, 형태, 및 판단 시도와 정확도에 대한 수치는 예시적인 것일 뿐, 본 발명의 기술적 사상은 이에 한정되지 않을 수 있다.
도 10은, 다양한 실시 예들에 따른 전자 장치가 터치 스크린에 포함된 복수의 영역들에 기반하여 판단 모델을 결정하는 동작을 설명하기 위한 플로우 차트이다.
도 10을 참조하면, 다양한 실시 예에 따라, 동작 1001에서, 전자 장치(201)는, 터치 스크린(260)의 표시 영역에 포함된 복수의 영역들 중 터치 입력이 입력된 제1영역을 확인할 수 있다. 예컨대, 전자 장치(201)는, 터치 스크린(260)의 표시 영역을 복수의 영역들로 구분할 수 있다. 예컨대, 전자 장치(201)는, 프로세서(220)에 의해 자동으로 또는 사용자에 의해 복수의 영역들의 개수, 위치, 및/또는 형태를 지정할 수 있다. 예컨대, 복수의 영역들은, 사용자의 사용 패턴에 따라 설정될 수 있다. 예컨대, 복수의 영역들은, 사용자가 오른손 사용자 또는 왼손 사용자인지 여부에 따라 다르게 설정될 수 있다.
다양한 실시 예에 따라, 동작 1003에서, 전자 장치(201)는, 제1영역에서 이전에 포스 터치인지 여부를 확인한 판단 횟수 및 포스 터치에 대한 판단 정확도를 확인할 수 있다. 예컨대, 전자 장치(201)는, 메모리(230)에 기저장된 영역 별 확인 결과(또는 판단 결과)에 대한 정보를 이용하여 제1영역에 대한 포스 터치의 판단 횟수 및 포스 터치의 판단 정확도를 확인할 수 있다. 전자 장치(201)는, 확인된 판단 횟수 및 포스 터치에 대한 판단 정확도에 기반하여 포스 터치 판단을 수행할 딥러닝 모델(또는 판단 모델)을 결정할 수 있다.
다양한 실시 예들에 따른 전자 장치(201)는, 포스 터치를 판별하기 위한 복수의 딥러닝 모델들을 저장하는 메모리(230), 터치 스크린(260), 및 프로세서(220)를 포함하고, 상기 프로세서는, 상기 터치 스크린을 통해 사용자의 터치 입력을 확인하고, 상기 터치 입력에 기반하여 시간차를 가지는 복수의 프레임들에 대한 터치 픽셀 데이터를 수신하고, 상기 터치 픽셀 데이터에 기반하여 상기 터치 입력이 포스 터치인지 여부를 확인하도록 설정되고, 상기 프로세서는, 상기 터치 입력이 지정된 시간 내에 지정된 제1횟수 이상 재입력된 것인지 확인하고, 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되면, 상기 복수의 딥러닝 모델들 중 제1판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하고, 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되지 않으면, 상기 복수의 딥러닝 모델들 중 상기 제1판단 모델보다 낮은 연산량을 가지는 판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하도록 설정될 수 있다.
상기 프로세서는, 상기 터치 픽셀 데이터에 기반하여 상기 터치 입력을 롱 터치 입력 또는 포스 터치 입력으로 확인하도록 설정될 수 있다.
상기 프로세서는, 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되지 않으면, 상기 복수의 딥러닝 모델들 중 제2판단 모델 또는 제3판단 모델을 통해 상기 터치 입력이 포스 터치인지 여부를 확인하도록 설정될 수 있다.
상기 프로세서는, 상기 터치 스크린의 전체 영역 중 상기 터치 입력이 확인된 제1영역에서 이전에 상기 포스 터치인지 여부를 확인한 판단 횟수가 지정된 제2횟수 미만이면, 상기 제3판단 모델보다 연산량이 많은 상기 제2판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하도록 설정될 수 있다.
상기 프로세서는, 상기 터치 스크린의 전체 영역 중 상기 터치 입력이 확인된 제1영역에서 이전에 상기 포스 터치인지 여부를 확인한 판단 횟수가 지정된 제2횟수 이상이면, 상기 제2판단 모델보다 연산량이 적은 상기 제3판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하도록 설정될 수 있다.
상기 프로세서는, 상기 제1영역에서 이전에 확인된 포스 터치에 대한 판단 정확도가 임계값 이상이면, 상기 제3판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하고, 상기 제1영역에서 이전에 확인된 포스 터치에 대한 상기 판단 정확도가 상기 임계값 미만이면, 상기 제1판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하도록 설정될 수 있다.
상기 프로세서는, 상기 제1판단 모델과 상기 제2판단 모델을 제1프로세싱 유닛에서 구동시키고, 상기 제3판단 모델은 제2프로세싱 유닛에서 구동시키도록 설정된 전자 장치.
상기 제1판단 모델과 상기 제2판단 모델은, 제1타입의 데이터를 처리하고, 상기 제3판단 모델은 상기 제1타입보다 적은 연산량을 요구하는 제2타입의 데이터를 처리하도록 설정될 수 있다.
상기 프로세서는, 상기 터치 스크린의 표시 영역에 포함된 복수의 영역들 중 상기 터치 입력이 확인된 제1영역을 확인하고, 상기 제1영역에서 이전에 상기 포스 터치인지 여부를 확인한 판단 횟수 및 상기 포스 터치에 대한 판단 정확도를 확인하도록 설정될 수 있다.
상기 프로세서는, 상기 터치 입력이 상기 포스 터치인지 여부를 확인한 후, 확인 결과에 대한 정보를 상기 메모리에 저장하도록 설정될 수 있다.
다양한 실시 예들에 따른 전자 장치(201)의 동작 방법은, 상기 전자 장치에 포함된 터치 스크린(260)을 통해, 사용자의 터치 입력을 확인하는 동작, 상기 터치 입력에 기반하여 시간차를 가지는 복수의 프레임들에 대한 터치 픽셀 데이터를 수신하는 동작, 및 상기 터치 픽셀 데이터에 기반하여 상기 터치 입력이 포스 터치인지 여부를 확인하는 동작을 포함하고, 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은, 상기 터치 입력이 지정된 시간 내에 지정된 제1횟수 이상 재입력된 것인지 확인하는 동작, 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되면, 상기 전자 장치에 포함된 메모리(230)에 저장된 복수의 딥러닝 모델들 중 제1판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작, 및 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되지 않으면, 상기 복수의 딥러닝 모델들 중 상기 제1판단 모델보다 낮은 연산량을 가지는 판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작을 포함할 수 있다.
상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은, 상기 터치 픽셀 데이터에 기반하여 상기 터치 입력을 롱 터치 입력 또는 포스 터치 입력으로 확인하는 동작을 포함할 수 있다.
상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은, 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되지 않으면, 상기 복수의 딥러닝 모델들 중 제2판단 모델 또는 제3판단 모델을 통해 상기 터치 입력이 포스 터치인지 여부를 확인하는 동작을 포함할 수 있다.
상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은, 상기 터치 스크린의 전체 영역 중 상기 터치 입력이 확인된 제1영역에서 이전에 상기 포스 터치인지 여부를 확인한 판단 횟수가 지정된 제2횟수 미만이면, 상기 제3판단 모델보다 연산량이 많은 상기 제2판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작을 포함할 수 있다.
상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은, 상기 터치 스크린의 전체 영역 중 상기 터치 입력이 확인된 제1영역에서 이전에 상기 포스 터치인지 여부를 확인한 판단 횟수가 지정된 제2횟수 이상이면, 상기 제2판단 모델보다 연산량이 적은 상기 제3판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작을 포함할 수 있다.
상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은, 상기 제1영역에서 이전에 확인된 포스 터치에 대한 판단 정확도가 임계값 이상이면, 상기 제3판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작 및 상기 제1영역에서 이전에 확인된 포스 터치에 대한 상기 판단 정확도가 상기 임계값 미만이면, 상기 제1판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작을 포함할 수 있다.
상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은, 상기 제1판단 모델과 상기 제2판단 모델을 제1프로세싱 유닛에서 구동시키고, 상기 제3판단 모델은 제2프로세싱 유닛에서 구동시키는 동작을 포함할 수 있다.
상기 제1판단 모델과 상기 제2판단 모델은, 제1타입의 데이터를 처리하고, 상기 제3판단 모델은 상기 제1타입보다 적은 연산량을 요구하는 제2타입의 데이터를 처리하도록 설정될 수 있다.
상기 전자 장치의 동작 방법은, 상기 터치 입력이 상기 포스 터치인지 여부를 확인한 후, 확인 결과에 대한 정보를 상기 전자 장치에 포함된 메모리에 저장하는 동작을 더 포함할 수 있다.
다양한 실시 예들에 따른 비일시적 기록 매체는, 전자 장치(201)에 포함된 터치 스크린(260)을 통해, 사용자의 터치 입력을 확인하는 동작, 상기 터치 입력에 기반하여 시간차를 가지는 복수의 프레임들에 대한 터치 픽셀 데이터를 수신하는 동작, 및 상기 터치 픽셀 데이터에 기반하여 상기 터치 입력이 포스 터치인지 여부를 확인하는 동작을 수행하고, 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은, 상기 터치 입력이 지정된 시간 내에 지정된 제1횟수 이상 재입력된 것인지 확인하는 동작, 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되면, 기저장된 복수의 딥러닝 모델들 중 제1판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작, 및 상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되지 않으면, 상기 복수의 딥러닝 모델들 중 상기 제1판단 모델보다 낮은 연산량을 가지는 판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작을 포함하는 프로그램을 저장할 수 있다.
201: 전자 장치
220: 프로세서
221: CPU
223: NPU
230: 메모리
260: 터치 스크린
220: 프로세서
221: CPU
223: NPU
230: 메모리
260: 터치 스크린
Claims (20)
- 전자 장치에 있어서,
포스 터치를 판별하기 위한 복수의 딥러닝 모델들을 저장하는 메모리;
터치 스크린; 및
프로세서를 포함하고, 상기 프로세서는,
상기 터치 스크린을 통해 사용자의 터치 입력을 확인하고,
상기 터치 입력에 기반하여 시간차를 가지는 복수의 프레임들에 대한 터치 픽셀 데이터를 수신하고,
상기 터치 픽셀 데이터에 기반하여 상기 터치 입력이 포스 터치인지 여부를 확인하도록 설정되고,
상기 프로세서는,
상기 터치 입력이 지정된 시간 내에 지정된 제1횟수 이상 재입력된 것인지 확인하고,
상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되면, 상기 복수의 딥러닝 모델들 중 제1판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하고,
상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되지 않으면, 상기 복수의 딥러닝 모델들 중 상기 제1판단 모델보다 낮은 연산량을 가지는 판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하도록 설정된 전자 장치. - 제1항에 있어서, 상기 프로세서는,
상기 터치 픽셀 데이터에 기반하여 상기 터치 입력을 롱 터치 입력 또는 포스 터치 입력으로 확인하도록 설정된 전자 장치. - 제1항에 있어서, 상기 프로세서는,
상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되지 않으면, 상기 복수의 딥러닝 모델들 중 제2판단 모델 또는 제3판단 모델을 통해 상기 터치 입력이 포스 터치인지 여부를 확인하도록 설정된 전자 장치. - 제3항에 있어서, 상기 프로세서는,
상기 터치 스크린의 전체 영역 중 상기 터치 입력이 확인된 제1영역에서 이전에 상기 포스 터치인지 여부를 확인한 판단 횟수가 지정된 제2횟수 미만이면, 상기 제3판단 모델보다 연산량이 많은 상기 제2판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하도록 설정된 전자 장치. - 제3항에 있어서, 상기 프로세서는,
상기 터치 스크린의 전체 영역 중 상기 터치 입력이 확인된 제1영역에서 이전에 상기 포스 터치인지 여부를 확인한 판단 횟수가 지정된 제2횟수 이상이면, 상기 제2판단 모델보다 연산량이 적은 상기 제3판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하도록 설정된 전자 장치. - 제5항에 있어서, 상기 프로세서는,
상기 제1영역에서 이전에 확인된 포스 터치에 대한 판단 정확도가 임계값 이상이면, 상기 제3판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하고,
상기 제1영역에서 이전에 확인된 포스 터치에 대한 상기 판단 정확도가 상기 임계값 미만이면, 상기 제1판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하도록 설정된 전자 장치. - 제3항에 있어서, 상기 프로세서는,
상기 제1판단 모델과 상기 제2판단 모델을 제1프로세싱 유닛에서 구동시키고, 상기 제3판단 모델은 제2프로세싱 유닛에서 구동시키도록 설정된 전자 장치. - 제3항에 있어서,
상기 제1판단 모델과 상기 제2판단 모델은, 제1타입의 데이터를 처리하고,
상기 제3판단 모델은 상기 제1타입보다 적은 연산량을 요구하는 제2타입의 데이터를 처리하도록 설정된 전자 장치. - 제1항에 있어서, 상기 프로세서는,
상기 터치 스크린의 표시 영역에 포함된 복수의 영역들 중 상기 터치 입력이 확인된 제1영역을 확인하고,
상기 제1영역에서 이전에 상기 포스 터치인지 여부를 확인한 판단 횟수 및 상기 포스 터치에 대한 판단 정확도를 확인하도록 설정된 전자 장치. - 제1항에 있어서, 상기 프로세서는,
상기 터치 입력이 상기 포스 터치인지 여부를 확인한 후, 확인 결과에 대한 정보를 상기 메모리에 저장하도록 설정된 전자 장치. - 전자 장치의 동작 방법에 있어서,
상기 전자 장치에 포함된 터치 스크린을 통해, 사용자의 터치 입력을 확인하는 동작;
상기 터치 입력에 기반하여 시간차를 가지는 복수의 프레임들에 대한 터치 픽셀 데이터를 수신하는 동작; 및
상기 터치 픽셀 데이터에 기반하여 상기 터치 입력이 포스 터치인지 여부를 확인하는 동작을 포함하고,
상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은,
상기 터치 입력이 지정된 시간 내에 지정된 제1횟수 이상 재입력된 것인지 확인하는 동작;
상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되면, 상기 전자 장치에 포함된 메모리에 저장된 복수의 딥러닝 모델들 중 제1판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작; 및
상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되지 않으면, 상기 복수의 딥러닝 모델들 중 상기 제1판단 모델보다 낮은 연산량을 가지는 판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작을 포함하는 전자 장치의 동작 방법. - 제11항에 있어서, 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은,
상기 터치 픽셀 데이터에 기반하여 상기 터치 입력을 롱 터치 입력 또는 포스 터치 입력으로 확인하는 동작을 포함하는 전자 장치의 동작 방법. - 제11항에 있어서, 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은,
상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 제1횟수 이상 재입력된 것으로 확인되지 않으면, 상기 복수의 딥러닝 모델들 중 제2판단 모델 또는 제3판단 모델을 통해 상기 터치 입력이 포스 터치인지 여부를 확인하는 동작을 포함하는 전자 장치의 동작 방법. - 제13항에 있어서, 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은,
상기 터치 스크린의 전체 영역 중 상기 터치 입력이 확인된 제1영역에서 이전에 상기 포스 터치인지 여부를 확인한 판단 횟수가 지정된 제2횟수 미만이면, 상기 제3판단 모델보다 연산량이 많은 상기 제2판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작을 포함하는 전자 장치의 동작 방법. - 제13항에 있어서, 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은,
상기 터치 스크린의 전체 영역 중 상기 터치 입력이 확인된 제1영역에서 이전에 상기 포스 터치인지 여부를 확인한 판단 횟수가 지정된 제2횟수 이상이면, 상기 제2판단 모델보다 연산량이 적은 상기 제3판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작을 포함하는 전자 장치의 동작 방법. - 제15항에 있어서, 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은,
상기 제1영역에서 이전에 확인된 포스 터치에 대한 판단 정확도가 임계값 이상이면, 상기 제3판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작; 및
상기 제1영역에서 이전에 확인된 포스 터치에 대한 상기 판단 정확도가 상기 임계값 미만이면, 상기 제1판단 모델을 통해 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작을 포함하는 전자 장치의 동작 방법. - 제13항에 있어서, 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은,
상기 제1판단 모델과 상기 제2판단 모델을 제1프로세싱 유닛에서 구동시키고, 상기 제3판단 모델은 제2프로세싱 유닛에서 구동시키는 동작을 포함하는 전자 장치의 동작 방법. - 제13항에 있어서,
상기 제1판단 모델과 상기 제2판단 모델은, 제1타입의 데이터를 처리하고,
상기 제3판단 모델은 상기 제1타입보다 적은 연산량을 요구하는 제2타입의 데이터를 처리하도록 설정된 전자 장치의 동작 방법. - 제11항에 있어서,
상기 터치 입력이 상기 포스 터치인지 여부를 확인한 후, 확인 결과에 대한 정보를 상기 전자 장치에 포함된 메모리에 저장하는 동작을 더 포함하는 전자 장치의 동작 방법. - 비일시적 기록 매체에 있어서,
전자 장치에 포함된 터치 스크린을 통해, 사용자의 터치 입력을 확인하는 동작;
상기 터치 입력에 기반하여 시간차를 가지는 복수의 프레임들에 대한 터치 픽셀 데이터를 수신하는 동작; 및
상기 터치 픽셀 데이터에 기반하여 상기 터치 입력이 포스 터치인지 여부를 확인하는 동작을 수행하고,
상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작은,
상기 터치 입력이 지정된 시간 내에 지정된 횟수 이상 재입력된 것인지 확인하는 동작;
상기 터치 입력이 지정된 시간 내에 지정된 횟수 이상 재입력된 것으로 확인되면, 기저장된 복수의 딥러닝 모델들 중 제1판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작; 및
상기 터치 입력이 상기 지정된 시간 내에 상기 지정된 횟수 이상 재입력된 것으로 확인되지 않으면, 상기 복수의 딥러닝 모델들 중 상기 제1판단 모델보다 낮은 연산량을 가지는 판단 모델을 이용하여 상기 터치 입력이 상기 포스 터치인지 여부를 확인하는 동작을 포함하는 프로그램을 저장한 기록 매체.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210130009A KR20230046701A (ko) | 2021-09-30 | 2021-09-30 | 포스 터치를 확인하는 전자 장치와 이의 동작 방법 |
| PCT/KR2022/012978 WO2023054913A1 (ko) | 2021-09-30 | 2022-08-30 | 포스 터치를 확인하는 전자 장치와 이의 동작 방법 |
| US17/899,138 US11874995B2 (en) | 2021-09-30 | 2022-08-30 | Electronic device identifying force touch and method for operating the same |
| US18/414,453 US20240152234A1 (en) | 2021-09-30 | 2024-01-16 | Electronic device identifying force touch and method for operating the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210130009A KR20230046701A (ko) | 2021-09-30 | 2021-09-30 | 포스 터치를 확인하는 전자 장치와 이의 동작 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230046701A true KR20230046701A (ko) | 2023-04-06 |
Family
ID=85780898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210130009A KR20230046701A (ko) | 2021-09-30 | 2021-09-30 | 포스 터치를 확인하는 전자 장치와 이의 동작 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230046701A (ko) |
| WO (1) | WO2023054913A1 (ko) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150242009A1 (en) * | 2014-02-26 | 2015-08-27 | Qeexo, Co. | Using Capacitive Images for Touch Type Classification |
| KR20200014510A (ko) * | 2018-08-01 | 2020-02-11 | 삼성에스디에스 주식회사 | 기계 학습 기반의 예측 서비스 제공 방법 및 그 장치 |
| GB201817495D0 (en) * | 2018-10-26 | 2018-12-12 | Cirrus Logic Int Semiconductor Ltd | A force sensing system and method |
-
2021
- 2021-09-30 KR KR1020210130009A patent/KR20230046701A/ko unknown
-
2022
- 2022-08-30 WO PCT/KR2022/012978 patent/WO2023054913A1/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023054913A1 (ko) | 2023-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20220034571A (ko) | 음성에 포함된 커맨드를 확인하는 전자 장치와 이의 동작 방법 | |
| US11669201B2 (en) | Electronic device and method for input coordinate prediction | |
| KR20230046701A (ko) | 포스 터치를 확인하는 전자 장치와 이의 동작 방법 | |
| US11874995B2 (en) | Electronic device identifying force touch and method for operating the same | |
| US11899852B2 (en) | Electronic device and operation method thereof | |
| US20240077970A1 (en) | Electronic device and learning model determination method for learning of electronic device | |
| EP4296904A1 (en) | Electronic apparatus for processing neural network model and operating method therefor | |
| US11955074B2 (en) | Electronic device and method for calibrating image data in electronic device | |
| US20230311328A1 (en) | Electronic device for providing interaction on basis of user voice, and method therefor | |
| US20240135929A1 (en) | Electronic device, method, and non-transitory computer readable storage medium controlling executable object based on voice signal | |
| US20220343106A1 (en) | Electronic device for processing data based on artificial intelligence model and method for operating the same | |
| US20240062459A1 (en) | Electronic device and computer-readable storage medium for providing virtual space | |
| KR20230036496A (ko) | 신경망 모델을 처리하는 전자 장치와 이의 동작 방법 | |
| KR20230088197A (ko) | 전자 장치 및 상기 전자 장치에서 제스처의 오인식을 방지하는 방법 | |
| KR20220151483A (ko) | 전자 장치 및 전자 장치의 동작 방법 | |
| KR20210142535A (ko) | 전자 장치 및 전자 장치에서 키보드의 입력을 이용하여 사용자 인증을 수행하는 방법 | |
| KR20210150233A (ko) | 이미지 처리 알고리즘의 최적화 방법 및 이를 구비한 전자 장치 | |
| KR20240026050A (ko) | 전자 장치 및 전자 장치의 학습을 위한 학습 모델 결정 방법 | |
| KR20230030947A (ko) | 연합 학습을 위한 사용자 단말 및 서버의 동작 방법, 및 그 사용자 단말 | |
| KR20230114143A (ko) | 지자기 데이터를 이용하여 위치를 검출하는 전자 장치 및 그 제어 방법 | |
| KR20230068936A (ko) | 디바이스 위치 결정 방법 및 상기 방법을 수행하는 전자 장치 | |
| KR20230020701A (ko) | 촬영된 영상에 시각 효과를 적용하고 태그를 설정하는 방법 및 장치 | |
| KR20230043549A (ko) | 어플리케이션의 실행 화면을 표시하는 방법 및 이를 지원하는 전자 장치 | |
| KR20230036021A (ko) | 가상 키보드를 통하여 사용자 입력을 획득하는 전자 장치와 이의 동작 방법 | |
| KR20220109250A (ko) | 터치 입력의 가속도 및/또는 각 가속도를 이용하여 예측 알고리즘의 적용 여부를 판단하는 전자 장치 및 그 제어 방법 |