KR20230065125A - 기계 학습 모델의 트레이닝 방법 및 전자 장치 - Google Patents

기계 학습 모델의 트레이닝 방법 및 전자 장치 Download PDF

Info

Publication number
KR20230065125A
KR20230065125A KR1020220025387A KR20220025387A KR20230065125A KR 20230065125 A KR20230065125 A KR 20230065125A KR 1020220025387 A KR1020220025387 A KR 1020220025387A KR 20220025387 A KR20220025387 A KR 20220025387A KR 20230065125 A KR20230065125 A KR 20230065125A
Authority
KR
South Korea
Prior art keywords
model
image
feature map
electronic device
discriminator
Prior art date
Application number
KR1020220025387A
Other languages
English (en)
Inventor
고민수
서성주
이희진
차은주
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 US17/978,672 priority Critical patent/US20230134508A1/en
Publication of KR20230065125A publication Critical patent/KR20230065125A/ko

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative 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
    • G06N3/094—Adversarial learning
    • 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
    • G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/755—Deformable models or variational models, e.g. snakes or active contours
    • G06V10/7553—Deformable models or variational models, e.g. snakes or active contours based on shape, e.g. active shape models [ASM]

Landscapes

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

Abstract

일 실시예에 따른 전자 장치는 트레이닝 샘플 영상으로부터 적어도 부분적으로 중첩된 영상 패치들을 추출하고, 추출된 영상 패치들로부터 판별기 모델의 일부 레이어를 이용하여 중첩 영역에 대응하는 부분 특징 맵들을 추출하며, 추출된 부분 특징 맵들에 기초하여 판별기 모델을 트레이닝시킬 수 있다.

Description

기계 학습 모델의 트레이닝 방법 및 전자 장치{ELECTRONIC DEVICE AND TRAINING METHOD OF MACHINE LEARNING MODEL}
아래의 개시는 기계 학습 모델의 트레이닝에 관한 것이다.
인간이 지니고 있는 효율적인 패턴 인식 방법을 실제 컴퓨터에 적용시키려는 연구 중 하나로, 인간의 생물학적 신경 세포의 특성을 수학적 표현에 의해 모델링한 인공 뉴럴 네트워크(artificial neural network)에 대한 연구가 있다. 입력 패턴을 특정 그룹으로 분류하는 문제를 해결하기 위해, 인공 뉴럴 네트워크는 인간이 가지고 있는 학습이라는 능력을 모방한 알고리즘을 이용한다. 이 알고리즘을 통하여 인공 뉴럴 네트워크는 입력 패턴과 출력 패턴들 간의 사상(mapping)을 생성해낼 수 있고 학습에 이용되지 않았던 입력 패턴에 대하여도 비교적 올바른 출력을 생성할 수 있는 일반화 능력을 가지고 있다. 뉴럴 네트워크는 강화학습에 의해 트레이닝될 수도 잇다.
일 실시예에 따르면 전자 장치는, 판별기 모델(discriminator model)을 포함하는 기계 학습 모델을 저장한 메모리; 및 트레이닝 샘플 영상 으로부터 제1 영상 패치 및 상기 제1 영상 패치와 적어도 부분적으로 중첩되는 제2 영상 패치를 추출하고, 상기 제1 영상 패치로부터, 상기 판별기 모델의 일부 레이어에 기초하여 제1 특징 맵을 추출하며, 상기 제2 영상 패치로부터 상기 일부 레이어에 기초하여 제2 특징 맵을 추출하고, 상기 추출된 제1 특징 맵으로부터 투사기 모델(projector model)에 기초하여 투사된 맵(projected map) 중 일부분에 대응하는 제1 부분 특징 맵을 추출하며, 상기 추출된 제2 특징 맵 중 일부분에 대응하는 제2 부분 특징 맵 및 상기 제1 부분 특징 맵에 기초하여 산출된 제1 목적 함수 값에 기초하여 상기 판별기 모델을 트레이닝시키는 프로세서를 포함할 수 있다.
상기 프로세서는, 상기 제1 특징 맵이 투사된 맵에서 상기 제1 영상 패치와 상기 제2 영상 패치 간의 중첩 영역(overlapped region) 에 대응하는 부분을 상기 제1 부분 특징 맵으로 결정하고, 상기 추출된 제2 특징 맵 중 상기 중첩 영역에 대응하는 부분을 상기 제2 부분 특징 맵으로 결정할 수 있다.
상기 프로세서는, 상기 제1 목적 함수 값에 기초하여 상기 판별기 모델의 적어도 일부 레이어의 파라미터 및 상기 투사기 모델의 파라미터를 업데이트할 수 있다.
상기 메모리는, 상기 기계 학습 모델에서 상기 판별기 모델의 입력측에 연결되는 생성기 모델(generator model)을 더 저장하고, 상기 프로세서는, 상기 트레이닝 샘플 영상으로부터 상기 판별기 모델을 이용하여 산출된 타겟 판별 데이터(target discrimination data) 및 상기 생성기 모델을 이용하여 생성된 페이크 영상(fake image)으로부터 상기 판별기 모델에 기초하여 산출된 소스 판별 데이터(source discrimination data)에 기초하여 제2 목적 함수 값을 산출할 수 있다.
상기 프로세서는, 상기 생성기 모델로부터 생성된 상기 페이크 영상으로부터 상기 판별기 모델을 이용하여 산출된 상기 소스 판별 데이터에 기초한 제3 목적 함수 값을 통해 상기 생성기 모델을 트레이닝시킬 수 있다.
상기 프로세서는, 상기 판별기 모델 및 상기 판별기 모델을 이용하여 트레이닝된 생성기 모델 중 적어도 하나에 기초하여 입력 영상에 대한 판별 결과를 출력할 수 있다.
상기 프로세서는, 상기 판별기 모델로부터 픽셀 별 판별 확률 값을 가지는 판별 데이터를 획득하고, 상기 판별 확률 값 및 상기 판별 데이터에서 상기 판별 확률 값에 기초하여 판별된 영역(discriminated region) 중 적어도 하나에 기초하여 상기 판별 결과를 결정할 수 있다.
상기 프로세서는, 상기 기계 학습 모델에 입력된 제품 영상으로부터, 상기 판별기 모델 및 상기 판별기 모델을 이용하여 트레이닝된 생성기 모델 중 적어도 하나에 기초하여, 상기 제품 영상에 포함된 제품이 정상인지 또는 비정상인지 여부를 출력할 수 있다.
상기 프로세서는, 판별 대상인 부분의 값이 나머지 부분의 값보다 높은 특징 맵을, 상기 판별기 모델의 일부 레이어에서, 출력할 수 있다.
상기 프로세서는, 상기 판별기 모델의 업데이트가 요구되는 것에 기초하여, 새로 수집된 트레이닝 데이터 셋트의 각 영상으로부터 서로 부분적으로 중첩되는 새로운 영상 패치들을 추출하고, 상기 추출된 새로운 영상 패치들에 기초하여 산출된 목적 함수 값을 이용하여 상기 판별기 모델의 파라미터를 업데이트할 수 있다.
일 실시예에 따른 전자 장치에 의해 수행되는 기계 학습 모델의 트레이닝 방법은, 트레이닝 샘플 영상으로부터 제1 영상 패치 및 상기 제1 영상 패치와 적어도 부분적으로 중첩되는 제2 영상 패치를 추출하는 단계; 상기 제1 영상 패치로부터, 상기 기계 학습 모델에 포함된 판별기 모델(discriminator model)의 일부 레이어에 기초하여, 제1 특징 맵을 추출하는 단계: 상기 제2 영상 패치로부터 상기 일부 레이어에 기초하여 제2 특징 맵을 추출하는 단계; 상기 추출된 제1 특징 맵으로부터 투사기 모델(projector model)에 기초하여 투사된 맵(projected map) 중 일부분에 대응하는 제1 부분 특징 맵을 추출하는 단계; 및 상기 추출된 제2 특징 맵 중 일부분에 대응하는 제2 부분 특징 맵 및 상기 제1 부분 특징 맵에 기초하여 산출된 제1 목적 함수 값에 기초하여 상기 판별기 모델을 트레이닝시키는 단계를 포함할 수 있다.
도 1은 일 실시예에 따른 기계 학습 모델을 도시한다.
도 2 및 도 3은 일 실시예에 따른 판별기 모델의 트레이닝을 설명한다.
도 4는 일 실시예에 따른 판별기 모델의 일부분에서 출력되는 특징 맵의 액티브 레벨(active level)을 시각적으로 나타낸 도면이다.
도 5는 일 실시예에 따른 기계 학습 모델을 이용하는 시스템의 설계, 트레이닝, 및 운용을 도시한다.
도 6a, 도 6b 및 도 7은 일 실시예에 따른 기계 학습 모델의 예시적인 트레이닝을 설명한다.
도 8은 일 실시예에 따른 생성기를 이용한 추론을 설명한다.
도 9는 일 실시예에 따른 판별기를 이용한 추론을 설명한다.
도 10은 일 실시예에 따른 기계 학습 모델의 재트레이닝을 설명하는 도면이다.
도 11은 일 실시예에 따른 전자 장치의 구성을 도시한 블록도이다.
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 기계 학습 모델을 도시한다.
일 실시예에 따른 전자 장치는 하나 이상의 기계 학습 모델을 트레이닝시키고, 트레이닝된 기계 학습 모델을 이용하여 추론(예: 판별(discrimination))을 수행할 수 있다. 판별은 기계 학습 모델에 입력된 데이터에 대해 참(true) 또는 거짓(false)을 결정하는 동작을 나타낼 수 있다. 기계 학습 모델은 예를 들어 뉴럴 네트워크(100)를 포함할 수 있다.
뉴럴 네트워크(neural network)(100)는 딥 뉴럴 네트워크(DNN, deep neural network)의 예시에 해당할 수 있다. DNN은 완전 연결 네트워크(fully connected network), 딥 컨볼루셔널 네트워크(deep convolutional network), 리커런트 뉴럴 네트워크(recurrent neural network), 및 생성적 적대 네트워크(generative adversarial network; GAN) 등을 포함할 수 있다. 본 명세서에서는 주로 GAN 모델을 예로 들어 설명한다. 뉴럴 네트워크(100)는 딥 러닝에 기반하여 비선형적 관계에 있는 입력 데이터 및 출력 데이터를 서로 매핑함으로써 다양한 작업(예: 센싱된 주변 정보에 기초한 로봇 제어)을 수행할 수 있다. 기계 학습 기법으로 지도식(supervised) 또는 비지도식(unsupervised)(예: 강화학습(reinforcement learning)) 학습을 통해 입력 데이터 및 출력 데이터를 서로 매핑할 수 있다.
도 1을 참조하면, 뉴럴 네트워크(100)는 입력 레이어(110), 히든 레이어(120) 및 출력 레이어(130)를 포함한다. 입력 레이어(110), 히든 레이어(120) 및 출력 레이어(130)는 각각 복수의 인공 노드들을 포함한다.
도 1에는 설명의 편의를 위해 히든 레이어(120)가 3개의 레이어를 포함하는 것으로 도시되었나, 히든 레이어(120)는 다양한 수의 레이어들을 포함할 수 있다. 또한, 도 1에는 뉴럴 네트워크(100)는 입력 데이터를 수신하기 위한 별도의 입력 레이어를 포함하는 것으로 도시되었으나, 입력 데이터가 히든 레이어(120)에 직접 입력될 수 있다. 뉴럴 네트워크(100)에서 출력 레이어(130)를 제외한 레이어들의 인공 노드들은 출력 신호를 전송하기 위한 링크들을 통해 다음 레이어의 인공 노드들과 연결될 수 있다. 링크들의 수는 다음 레이어에 포함된 인공 노드들의 수에 대응할 수 있다.
히든 레이어(120)에 포함된 각각의 인공 노드에는 이전 레이어에 포함된 인공 노드들의 가중된 입력들(weighted inputs)에 관한 활성 함수(activation function)의 출력이 입력될 수 있다. 가중된 입력은 이전 레이어에 포함된 인공 노드들의 입력에 가중치(weight)가 곱해진 것이다. 가중치는 뉴럴 네트워크(100)의 파라미터로 지칭될 수 있다. 활성 함수는 시그모이드(sigmoid), 하이퍼볼릭 탄젠트(hyperbolic tangent; tanh) 및 렐루(rectified linear unit; ReLU)를 포함할 수 있고, 활성 함수에 의해 뉴럴 네트워크(100)에 비선형성이 형성될 수 있다. 출력 레이어(130)에 포함된 각각의 인공 노드에는 이전 레이어에 포함된 인공 노드들의 가중된 입력들이 입력될 수 있다.
뉴럴 네트워크(100)의 폭과 깊이가 충분히 크면 임의의 함수를 구현할 수 있을 만큼의 용량(capacity)을 가질 수 있다. 뉴럴 네트워크(100)가 적절한 트레이닝 과정을 통해 충분히 많은 트레이닝 데이터를 학습하면, 최적의 인식 성능을 달성할 수 있다.
위에서는 기계 학습 모델의 예시로서, 뉴럴 네트워크(100)를 설명하였으나, 기계 학습 모델을 뉴럴 네트워크(100)로 한정하는 것은 아니고, 다양한 구조로 구현될 수도 있다. 전자 장치는 판별기 모델을 포함하는 기계 학습 모델을 트레이닝시킬 수 있다. 본 명세서에서는 주로 생성기 모델 및 판별기 모델을 포함하는 GAN 모델을 기계 학습 모델의 예시로 설명한다. 전자 장치는 트레이닝된 판별기 모델을 이용하여 생성기 모델을 트레이닝시키거나, 판별기 모델 및 생성기 모델 중 적어도 하나를 이용하여 추론 동작(예: 판별(discrimination))을 수행할 수도 있다.
생성기 모델은 소스 데이터(source data)로부터 영상을 생성할 수 있다. 입력 데이터는 예시적으로 소스 영상(source image) 또는 소스 잠재 공간(source latent space)에서 샘플링된 데이터(예: 잠재 벡터(latent vector))일 수 있다. 판별기 모델은 생성기 모델에 의해 생성된 영상(예: 페이크 영상)과 실제 영상(real image)이 유사한지 여부와 관련된 판별 데이터를 출력할 수 있다. 판별 데이터는 판별기 모델에 입력된 영상의 객체가 참인지 거짓인지를 나타낼 수 있고, 예를 들어, 영상에 포함된 객체가 참일 확률 값(또는 거짓일 확률 값), 또는 영상의 픽셀 별로 참인 객체에 속할 확률 값(또는 해당 픽셀이 거짓 객체 및/또는 배경에 속할 확률 값)을 나타내는 확률 맵을 포함할 수 있다. 생성기 모델은 소스 도메인의 데이터(예: 잠재 벡터 또는 영상)로부터 타겟 도메인의 영상과 유사한 출력을 생성하는 함수로 해석될 수 있다. 분류기 모델은 생성기 모델의 출력과 타겟 도메인 간의 유사도를 판단한 판별 데이터를 출력할 수 있다. 생성기 모델의 학습은 판별 데이터에 의해 가이드될 수 있다. 생성기 모델은 적대적 손실(adversarial loss)에 기초하여 트레이닝될 수 있다. 생성기 모델은 판별기 모델이 참 또는 거짓을 구분하지 못하도록, 다시 말해 판별기 모델을 속일 수 있는 실제 영상(real image)와 유사한 영상을 출력하도록 트레이닝될 수 있다. 전자 장치는 포지티브 페어(positive pair) 및/또는 네거티브 페어(negative pair)의 트레이닝 데이터를 이용하여 기계 학습 모델을 트레이닝시킬 수 있다.
일 실시예에 따른 전자 장치는 판별기 모델의 정규화(regularization)를 위해 자기 지도학습(Self-Supervised Learning)에 기초한 표현 학습(Representation Learning)을 수행할 수 있다. 전자 장치는 영상의 레이블이 주어지지 않더라도, 입력 영상으로부터 기계 학습 모델의 시각적 표현(Visual Representation)의 트레이닝을 수행할 수 있다. 전자 장치는 목표 작업(target task)의 데이터 없이도 학습을 진행할 수 있다. 트레이닝된 기계 학습 모델은 영상 분류(Image Classification)와 같은 다운스트림 작업(Down Stream Task)에 적용될 수 있다. 일 실시예에 따른 기계 학습 모델, 예를 들어, GAN의 생성기 모델 및 판별기 모델은 픽셀 레벨(pixel level)의 예측이 가능하게 설계될 수 있다. 영상 생성 작업(image generation task) 및 영상들 간의 변환 작업(translation task)은 픽셀 레벨의 예측 작업으로 해석될 수 있다. 일 실시예에 따른 기계 학습 모델은 픽셀 레벨의 표현을 처리가능하게 설계될 수 있다. 기계 학습 모델은 영상 분류뿐 아니라, 영산 분할(Image Segmentation) 및 객체 검출(Object Detection)을 포함하는 작업에 대해서도 적용될 수 있다. 다시 말해, 일 실시예에 따른 전자 장치는 덴스 표현(dense representation)에 기초한 GAN 모델을 이용하여 개선된 이미지 변환(image translation) 성능 및 이미지 판별 성능을 나타낼 수 있다.
본 명세서에서 GAN 모델에 대한 정규화의 목표는 실제 영상(real image)와 생성된 영상 간의 구별이 용이한 표현(representation)을 획득하는 것일 수 있다. 전역 표현에만 기반한 비교 실시예의 정규화와 달리, 일 실시예에 따른 전자 장치는 시각적 로컬 디테일(local detail)을 판별하도록 판별기 모델을 트레이닝시키고, 시각적 로컬 디테일까지 표현하는 영상을 출력하도록 생성기 모델을 트레이닝시킬 수 있다. 예를 들어, 전자 장치는 GAN 모델의 판별기 모델을 밀집 일관성 정규화(Dense Consistency Regularization; DCR)에 기초하여 트레이닝시킬 수 있다. DCR 손실은 동일한 영상으로부터 크롭(crop)된 영상 패치들의 쌍 간의 픽셀 별 일관성을 위한 손실일 수 있다. 전자 장치는 픽셀 수준 예측 및 표현의 밀집 정규화(dense regularization)를 통해 이미지 생성의 생성 품질을 개선할 수 있다. DCR에 의해 학습된 판별기 모델에 기초하여 트레이닝된 생성기 모델은 공간적으로 의미론적으로나 시각적으로 일관된 이미지를 생성할 수 있다. 일 실시예에 따른 밀집 정합 정규화(dense correspondence regularization)는 판별기 모델의 중간 레이어에 적용될 수 있다.
일 실시예에 따른 DCR에 기초한 판별기 모델은, 그래디언트 기반 정규화 기술을 이용하는 비교 실시예에 비해, 절감된 계산 비용 및 향상된 품질의 이미지 생성을 나타낼 수 있다. 또한, 인스턴스 레벨의 대조 학습 방법을 이용하는 비교 실시예 대비 일 실시예에 따른 DCR에 기반한 판별기 모델은 개선된 공간적 민감도를 가지고, 향상된 작업의 정확도를 나타낼 수 있다. DCR에 기반한 판별기 모델에서 처리되는 판별기 표현(discriminator representation)에는 타겟 도메인의 분포가 정확하게 반영될 수 있다. 따라서, DCR에 기반한 판별기 모델을 이용하여 학습된 생성기 모델은 이미지 대 이미지 변환에서 고화질 이미지를 생성할 수 있다.
도 2 및 도 3은 일 실시예에 따른 판별기 모델의 트레이닝을 설명한다.
일 실시예에 따른 기계 학습 모델(300)은 GAN 모델(310)로서 생성기 모델(311) 및 판별기 모델(312)을 포함할 수 있다. 전자 장치는 생성기 모델(311)에 의해 생성된 입력 데이터(예: 입력 영상)으로부터 판별기 모델(312)에 기초하여 판별 데이터(390)를 출력할 수 있다. 판별기 모델(312)은 일부 레이어(D0) 및 다른 레이어(D1)를 포함할 수 있다. 일부 레이어(D0)에서 출력되는 특징 맵은 중간 레벨(intermediate)의 로컬 특징(local feature)를 포함할 수 있고, 공간적인 성분(spatial component)을 내포할 수 있다. 전자 장치는 판별기 모델(312)의 일부 레이어(D0)를 이용하여 DCR 손실(LDCR)을 산출하고 트레이닝을 수행할 수 있다. 아래에서는 DCR 손실(LDCR)의 산출 및 트레이닝을 설명한다.
우선, 단계(210)에서 전자 장치의 프로세서는 트레이닝 샘플 영상으로부터 제1 영상 패치(321) 및 제1 영상 패치(321)와 적어도 부분적으로 중첩되는 제2 영상 패치(322)를 추출할 수 있다. 트레이닝 샘플 영상은 소스 도메인에 속하는 영상으로서, 트레이닝을 위해 샘플링된 영상일 수 있다. 도 3에서 트레이닝 샘플 영상은 예시적으로 호랑이를 객체로서 포함할 수 있다. 도 3에 도시된 바와 같이 제1 영상 패치(321) 및 제2 영상 패치(322)는 서로 적어도 부분적으로 중첩되는 영역(이하, 중첩 영역(329))을 가질 수 있다. 예를 들어, 전자 장치는 트레이닝 샘플 영상의 면적의 4분의 1(quarter)을 초과하면서 트레이닝 샘플 영상과 같은 화면비(aspect ratio)의 면적을 영상 패치로서 추출할 수 있다. 이 경우, 트레이닝 샘플 영상에서 영상 패치들이 무작위로 추출되더라도, 적어도 일부분이 중첩될 수 있다. 중첩 영역(329)은 트레이닝 샘플 영상 중 공통된 뷰(view), 컨텐츠, 및/또는 장면(scene)을 포함할 수 있다. 참고로, 전자 장치는 제1 영상 패치(321) 및 제2 영상 패치(322)를 개별적으로 트레이닝 샘플 영상의 크기와 같은 크기로 리사이징(resize)해서 판별기 모델(312)에 입력할 수 있다. 또한, 후술하겠으나, 생성기 모델(311)에서 생성되는 이미지의 크기 및 해상도도 판별기 모델(312)에 입력되는 이미지의 크기 및 해상도와 같을 수 있다.
그리고 단계(220)에서 전자 장치는 제1 영상 패치(321)로부터, 기계 학습 모델(300)에 포함된 판별기 모델(312)의 일부 레이어(D0)에 기초하여, 제1 특징 맵(331)을 추출할 수 있다. 전자 장치는 제1 영상 패치(321)를 일부 레이어(D0)에 전파시킴으로써 제1 특징 맵(331)을 추출할 수 있다. 제1 특징 맵(331)은 제1 영상 패치(321)가 추상화된 시각적 특징(visual feature)을 나타내는 데이터일 수 있다. 제1 특징 맵(331)은 영상 패치들 간의 중첩 영역(329)에 대응하는 부분(331a)(예:
Figure pat00001
)을 포함할 수 있다.
이어서 단계(230)에서 전자 장치는 제2 영상 패치(322)로부터 일부 레이어(D0)에 기초하여 제2 특징 맵(332)을 추출할 수 있다. 전자 장치는 제2 영상 패치(322)를 일부 레이어(D0)에 전파시킴으로써 제2 특징 맵(332)을 추출할 수 있다. 제2 특징 맵(332)은 제2 영상 패치(322)가 추상화된 시각적 특징을 나타내는 데이터일 수 있다. 제2 특징 맵(332)은 영상 패치들 간의 중첩 영역(329)에 대응하는 부분(예:
Figure pat00002
)을 포함할 수 있다. 참고로, 도 3에서 제1 영상 패치(321)가 입력되는 일부 레이어(D0)와 제2 영상 패치(322)가 입력되는 일부 레이어(D0)가 별개 레이어로서 같은 파라미터(예: 같은 연결 가중치)를 공유하는 것으로 도시되었으나, 이로 한정하는 것은 아니다. 전자 장치는 제1 영상 패치(321) 및 제2 영상 패치(322)에 대해 같은 일부 레이어(D0)를 교대로 적용할 수도 있다.
그리고 단계(240)에서 전자 장치는 추출된 제1 특징 맵(331)으로부터 투사기 모델(projector model)(340)에 기초하여 투사된 맵(projected map)(350) 중 일부분(예:
Figure pat00003
)에 대응하는 제1 부분 특징 맵(350a)을 추출할 수 있다. 예를 들어, 전자 장치는 제1 특징 맵(331)이 투사된 맵(350)에서 제1 영상 패치(321)와 제2 영상 패치(322) 간의 중첩 영역(329)에 대응하는 부분(331a)을 제1 부분 특징 맵(350a)으로 결정할 수 있다. 제1 부분 특징 맵(350a)은 전술한 중첩 영역(329)이 추상화되고 투사된 시각적 특징을 나타내는 맵일 수 있다. 투사기 모델(340)은 입력된 데이터를 투사한 결과를 출력하는 모델로서, 공간 정보(spatial information)를 유지하기 위해 입력된 특징 맵의 크기와 동일한 크기(예: WХHХC, 여기서 W는 입력된 특징 맵의 너비, H는 특징 맵의 높이, C는 채널 개수)를 갖는 특징 맵을 출력할 수 있다. 투사기 모델(340)에서 출력된 특징 맵은 투사된 맵(350)이라고 나타낼 수 있다. 투사기 모델(340)은 예시적으로, 하나 이상의 컨볼루션 레이어(convolutional layer)를 포함할 수 있다. 투사기 모델(340)은 복수의 컨볼루션 레이어들을 포함하고, 컨볼루션 레이어들은 활성화 레이어(예: LeakyReLU(Leaky version of a Rectified Linear Unit) 활성화 함수)를 통해 연결될 수 있다. 다만, 투사기 모델(340)을 이로 한정하는 것은 아니고, 컨볼루션 레이어와 커널의 개수, 크기, 및 형태는 설계에 따라 달라질 수 있다.
이어서 단계(250)에서 전자 장치는 추출된 제2 특징 맵(332) 중 일부분에 대응하는 제2 부분 특징 맵(332a) 및 제1 부분 특징 맵(350a)에 기초하여 산출된 제1 목적 함수 값에 기초하여 판별기 모델(312)을 트레이닝시킬 수 있다. 전자 장치는 제1 목적 함수 값에 기초하여 판별기 모델(312)의 적어도 일부 레이어(D0)의 파라미터 및 투사기 모델(340)의 파라미터를 업데이트할 수 있다. 예를 들어, 전자 장치는 추출된 제2 특징 맵(332) 중 중첩 영역(329)에 대응하는 부분을 제2 부분 특징 맵(332a)으로 결정할 수 있다. 전자 장치는 제1 부분 특징 맵(350a) 및 제2 부분 특징 맵(332a)에 기초하여 제1 목적 함수 값을 산출할 수 있다. 도 3에서 도시된 바와 같이, 제1 목적함수 값은 DCR 손실(LDCR)일 수 있다. DCR 손실(LDCR)은 중첩 영역(329)에 대응하는 부분 특징 맵들이 서로 유사해지도록 설계된 손실 함수일 수 있다. 전자 장치는 예시적으로 DCR 손실(LDCR)이 수렴할 때까지 판별기 모델(312)의 파라미터(예: 연결 가중치)를 업데이트할 수 있다. 이 때, 전자 장치는 트리비얼 솔루션(trivial solution)으로의 붕괴(collapse)를 방지하기 위해 정지 기울기(stop gradient) 기술을 사용할 수 있다. DCR 손실(LDCR)은 하기 수학식 1과 같이 표현될 수 있다.
Figure pat00004
전술한 수학식 1에서 여기서 Fsg()는 정지 기울기 레이어(stop gradient layer)를 모델링한 함수를 나타낼 수 있다. Fsg(z2)는 z2가 역전파에서 상수로 고정된 것, Fsg(z1)는 z1이 역전파에서 상수로 고정된 것을 나타낼 수 있다. 아래 수학식 2에서는 r1 및 z2에 대한 simnc()를 설명하며, r2 및 z1에 대해서도 유사하게 적용될 수 있다. 참고로, 전술한 수학식 1에서 Fsg()는 역전파를 차단하는 명령을 나타낸 것으로서, Fsg(z2)는 하기 수학식 2에서 나타난 바와 같이 z2로서 연산될 수 있다.
Figure pat00005
전술한 수학식 2을 참조하면, 두 로컬 특징들 D0(x1) 및 D0(x2)를 사용하여 수학식 1에서 DCR 손실(LDCR)이 계산될 수 있다. 수학식 2에서
Figure pat00006
는 특징 정합(feature correspondence)을 나타내고
Figure pat00007
는 L2-norm을 나타낼 수 있다. 다시 말해, 수학식 2는 중첩 영역(329)에 대한 제1 부분 특징 맵(350a)(예: r1) 및 제2 부분 특징 맵(332a)(예: z2) 간의 유사도(similarity)(예: 음의 코사인 유사도(negative cosine similarity))를 나타낼 수 있다. 여기서, r1 := R(D0(x1)) 및 z2 := D0(x2)를 나타낼 수 있다. x1은 제1 영상 패치(321), x2는 제2 영상 패치(322)를 나타낼 수 있다. D0()는 판별기 모델(312)의 일부 레이어를 모델링한 함수, R()은 투사기 모델(340)을 모델링한 함수를 나타낼 수 있다.
참고로, simnc( )를 계산하기 위해 두 로컬 특징(예: 제1 영상 패치(321)으로부터 추출된 제1 특징 맵(331) 및 제2 영상 패치(322)로부터 추출된 제2 특징 맵(332))의 모든 특징 값 쌍에서 픽셀 일치(pixel correspondence)를 갖는 양의 특징 쌍이 선택될 수 있다. 특징 맵들의 각 픽셀은 원래 이미지 공간(original image space)으로 와핑(warp)되고 두 특징 맵들에서 모든 픽셀 쌍 사이의 거리가 계산될 수 있다. 픽셀 쌍 사이의 거리에 기초하여, 각 특징 맵에서 중첩 영역(329)에 속하는 픽셀이 결정될 수 있다. 따라서 전자 장치는 중첩 영역(329)에 속하는 것으로 결정된 픽셀들을 추출함으로써 제1 부분 특징 맵(350a) 및 제2 부분 특징 맵(332a)을 획득할 수 있다.
일 실시예에 따른 판별기 모델(312)은 이미지 대 이미지 변환 시나리오에서 타겟 도메인에 대한 충실도(fidelity)를 높이기 위해 출력 이미지의 로컬 컨텍스트(local context)를 캡처할 수 있다. 판별기 모델(312)은 레이블이 변경되는 경계 영역을 정확하게 예측하기 위한 공간적으로 가까운 픽셀을 식별하는 능력(예: 공간적 민감성)을 가질 수 있다. 레이블이 변경되는 경계 영역은 예를 들어 객체에 속하는 영역과 배경에 속하는 영역 간의 경계에 대응하는 영역일 수 있다. 도 6b에서 후술하겠으나, 전술한 판별기 모델(312)을 이용하여 트레이닝된 생성기 모델(311)은 소스 도메인에 속하는 소스 영상의 시각적 형상(visual appearance)(예: 형태(shape))을 유지하면서 스타일(style)(예: 텍스쳐(texture))가 변경된 이미지를 생성할 수 있다.
도 4는 일 실시예에 따른 판별기 모델의 일부분에서 출력되는 특징 맵의 액티브 레벨(active level)을 시각적으로 나타낸 도면이다.
특징 맵(feature map)의 각 원소 값(element value)(예: 특징 값(feature value))의 크기가 클수록 액티브 레벨이 높고, 특징 값의 크기가 작을수록 액티브 레벨이 낮은 것으로 해석될 수 있다. 작은 특징 값은 큰 특징 값에 비해 판별기 모델에 의한 판별 동작에서 무시될 가능성이 더 높을 수 있다. 도 4에서 높은 액티브 레벨은 밝게 도시되고, 낮은 액티브 레벨은 어둡게 도시되었다.
비교 실시예(예: CUT(Contrastive Unpaired Translation))에 따른 판별기 모델의 입력 영상(410)으로부터 중간 레이어(intermediate layer)에서 추출된 특징 맵(420)은 객체에 대응하는 부분보다 오히려 배경에 대응하는 부분에서 높은 액티브 레벨을 나타낼 수 있다. 반면, 일 실시예(예: CUT+DCR)에 따른 전자 장치는 판별 대상인 부분(예: 객체에 대응하는 부분)의 값이 나머지 부분(예: 배경에 대응하는 부분)의 값보다 높은 특징 맵(430)을, 판별기 모델의 일부 레이어(예: D0)에서, 출력할 수 있다. DCR에 기초하여 학습된 판별기 모델의 일부 레이어에서 추출된 특징 맵(430)은 객체에 대응하는 부분에서 높은 액티브 레벨을 나타낼 수 있다. 따라서, 일 실시예에 따른 전자 장치는 DCR에 기초한 판별기 모델을 통해 객체(예: 패턴과 같은 텍스쳐를 가지는 객체)에 포커싱된 판별 데이터를 출력할 수 있다.
도 5는 일 실시예에 따른 기계 학습 모델을 이용하는 시스템의 설계, 트레이닝, 및 운용을 도시한다.
일 실시예에 따르면 단계(510)에서 프로젝트의 범위(scope of project)가 정의될 수 있다. 프로젝트는 목표 작업에 따라 설정될 수 있다. 목표 작업은 예시적으로 제품 제조 공정(예: 생산 라인)에 있어서 비전 인식(vision recognition)에 기초한 정상 제품의 판별, 영상의 생성, 영상 대 영상 간 변환(translation), 소스 도메인의 데이터를 타겟 도메인의 데이터로 변환(transform), 및 GAN 모델을 활용하는 모든 작업을 포함할 수 있다. GAN 모델을 활용하는 작업은 예시적으로 전자 장치(예: 스마트폰과 같은 모바일 단말)에서의 GAN 모델의 생성기 모델에 기초한 영상 합성, 영상 편집을 포함할 수 있다. 참고로, 제품은 예시적으로 반도체 집적회로의 제조공정 중 포토공정에서 사용하는 미세한 전자회로가 그려진 유리판(예: 마스크), 웨이퍼, DRAM(Dynamic random access memory), 및 NAND 플래쉬(negative-AND flash)일 수 있다. 또한, 제품은 반도체의 완제품 뿐만 아니라 반도체 제조 과정에서 사용되는 부품일 수도 있다. 본 명세서에서 제품 이미지에 웨이퍼 전체를 포함하는 것으로 도시되었으나, 이로 한정하는 것은 아니고, 제품 이미지는 웨이퍼에 프린팅된 반도체 회로를 나타내는 회로 패턴의 이미지일 수도 있다.
단계(520)에서 목표 작업을 위한 트레이닝 데이터가 수집될 수 있다. 트레이닝 데이터는 목표 작업을 위한 영상을 포함할 수 있다. 예를 들어, 제품 제조 공정에 있어서 정상 제품의 판별을 위한 트레이닝 데이터는 정상 제품을 촬영한 영상들일 수 있다. 다른 예를 들어, 영상 대 영상 간 변환을 위한 트레이닝 데이터는 소스 도메인의 소스 영상(예: 변환되기 전 객체를 포함하는 영상) 및 타겟 도메인의 타겟 영상(예: 변환된 후의 객체를 포함하는 영상)을 포함할 수 있다. 후술하겠으나, 영상 대 영상 간의 변환은, 예시적으로 말(horse)를 포함하는 영상을 얼룩말(zebra)를 포함하는 영상으로 변환, 개(dog)를 포함하는 영상을 치타(cheetah)를 포함하는 영상으로 변환하는 것과 같이 형상을 유지하면서 텍스쳐를 변환하는 동작일 수 있다.
단계(530)에서 전자 장치는 DCR에 기초하여 기계 학습 모델(예: GAN 모델)을 트레이닝시킬 수 있다. 전자 장치는 DCR 손실에 기초하여 반복적으로(iteratively) 판별기 모델의 파라미터를 업데이트할 수 있다. 전자 장치는 판별기 모델을 이용하여 생성기 모델의 파라미터도 반복적으로 업데이트할 수 있다. 판별기 모델 및 생성기 모델의 파라미터 업데이트의 예시는 하기 도 6a 내지 도 7에서 설명한다. 예를 들어, 전자 장치는 전술한 단계(520)에서 수집된 트레이닝 데이터에서 샘플링된 트레이닝 샘플 영상을 이용하여 트레이닝을 수행할 수 있다. 전자 장치는 재트레이닝이 필요하다고 판단되는 경우, 단계(520)에서 새로운 트레이닝 데이터를 수집하고 단계(530)에서 새로 수집된 트레이닝 데이터를 이용하여 기계 학습 모델을 재트레이닝시킬 수 있다. 기계 학습 모델의 재트레이닝은 하기 도 10에서 설명한다.
단계(540)에서 전자 장치는 학습된 기계 학습 모델을 제품에 사용(deploy)할 수 있다. 예를 들어, 전자 장치는 제품 제조 공정에서 정상 제품의 판별을 위해 설계 및 트레이닝된 GAN 모델의 생성기 모델 및 판별기 모델 중 적어도 하나를 이용하여 생산된 제품의 정상 여부를 나타내는 판별 결과를 출력할 수 있다. 전자 장치는 판별 결과를 모니터링하면서, 기계 학습 모델을 이용한 시스템을 유지보수(maintain)할 수 있다. 예를 들어, 전자 장치는 판별 결과에 따라 재트레이닝이 필요하다고 판단되는 경우 단계들(520, 530)에 따라 재트레이닝을 수행할 수도 있다.
도 6a, 도 6b 및 도 7은 일 실시예에 따른 기계 학습 모델의 예시적인 트레이닝을 설명한다.
도 6a는 말(horse)로부터 얼룩말(zebra)로의 영상 변환(image translation)을 위한 GAN 모델의 트레이닝을 설명한다.
일 실시예에 따른 기계 학습 모델(600)은 GAN 모델의 생성기 모델(611) 및 판별기 모델(612), 그리고 DCR 손실(LDCR)의 계산을 위한 투사기 모델(640)을 포함할 수 있다. 전자 장치는 전술한 DCR 손실(LDCR) 외에 판별 손실(LDis) 및 생성 손실(LGen)을 산출할 수 있다.
예를 들어, 전자 장치는 트레이닝 샘플 영상(예: 타겟 샘플 영상(602))에 기초하여 DCR 손실(LDCR)을 산출할 수 있다. 전자 장치는 도 3에서 전술한 바와 같이 타겟 샘플 영상(602)을 크롭함으로써 제1 영상 패치(621) 및 제2 패치 영상(622)을 획득할 수 있다. 전자 장치는 제1 영상 패치(621) 및 제2 패치 영상(622)으로부터 판별기 모델(612)의 일부 레이어(D0)에 기초하여 제1 특징 맵 및 제2 특징 맵을 추출할 수 있다. 전자 장치는 제1 특징 맵 및 제2 특징 맵 중 한 특징 맵에 대해 투사기 모델(640)을 적용함으로써 투사된 맵을 획득할 수 있다. 전자 장치는 투사된 맵 및 다른 특징 맵에서 공통된 중첩 영역에 대해 제1 부분 특징 맵 및 제2 부분 특징 맵을 추출할 수 있다. 전자 장치는 제1 부분 특징 맵 및 제2 부분 특징 맵을 이용하여 전술한 수학식 1에 따른 DCR 손실(LDCR)을 산출할 수 있다. 전자 장치는 산출된 DCR 손실(LDCR)을 이용하여 판별기 모델(612) 및 투사기 모델(640)의 파라미터를 업데이트할 수 있다.
또한, 전자 장치는 각 도메인(예: 소스 도메인 및 타겟 도메인) 별 영상에 대한 판별 데이터(690)(예: 소스 판별 데이터 및 타겟 판별 데이터)를 이용하여 제2 목적 함수 값을 산출할 수 있다. 판별 데이터(690)는 전술한 바와 같이 판별기 모델(612)에 입력된 영상의 픽셀 별 판별 확률 값, 및/또는 해당 영상의 전체 장면에 대한 판별 확률 값을 포함할 수 있다. 예를 들어, 전자 장치는 트레이닝 샘플 영상으로부터 판별기 모델(612)을 이용하여 산출된 타겟 판별 데이터(target discrimination data) 및 기계 학습 모델(600)의 생성기 모델(611)(generator model)을 이용하여 생성된 페이크 영상(fake image)으로부터 판별기 모델(612)에 기초하여 산출된 소스 판별 데이터(source discrimination data)에 기초하여 제2 목적 함수 값(예: 판별 손실(LDis)을 산출할 수 있다. 전자 장치는 제1 경로(681)를 통해 타겟 샘플 영상(602)을 판별기 모델(612)에 입력할 수 있다. 전자 장치는 제2 경로(682)를 통해 생성기 모델(611)에 의해 생성된 페이크 영상을 판별기 모델(612)에 입력할 수 있다. 전자 장치는 타겟 샘플 영상(602)에 대한 타겟 판별 데이터 및 페이크 영상에 대한 소스 판별 데이터를 활용하여 판별 손실(LDis)을 산출할 수 있다. 판별 손실(LDis)은 하기 수학식 3과 같이 산출될 수 있다.
Figure pat00008
전술한 수학식 3에서 x는 타겟 샘플 영상(602)을 나타내고, z는 소스 샘플 영상(601)을 나타낼 수 있다. G(z)는 소스 샘플 영상(601)으로부터 생성기 모델(611)에 기초하여 생성된 페이크 영상을 나타낼 수 있다. D(x)는 타겟 샘플 영상(602)에 대한 타겟 판별 데이터, D(G(z))는 페이크 영상에 대한 소스 판별 데이터를 나타낼 수 있다.
Figure pat00009
은 타겟 샘플 영상(602)을 참(true)으로 판별할 기대값을 나타내고,
Figure pat00010
은 페이크 영상을 거짓(false)으로 판별할 기대값을 나타낼 수 있다. 판별 손실(LDis)은 전술한 두 기대값을 최대화하도록 설계된 목적 함수일 수 있다. 전자 장치는 산출된 판별 손실(LDis)을 이용하여 판별기 모델(612)의 파라미터를 업데이트할 수 있다.
전자 장치는 생성기 모델(611)로부터 생성된 페이크 영상으로부터 판별기 모델(612)을 이용하여 산출된 소스 판별 데이터에 기초한 제3 목적 함수 값(예: 생성 손실(LGen))을 통해 생성기 모델(611)을 트레이닝시킬 수 있다. 예를 들어, 전자 장치는 하기 수학식 4에 따라 생성 손실(LGen)을 산출할 수 있다.
Figure pat00011
전술한 수학식 4에서
Figure pat00012
는 전술한 바와 같이 페이크 영상을 거짓(false)으로 판별할 기대값을 나타낼 수 있다. 수학식 4의 생성 손실(LGen)은 페이크 영상을 거짓으로 판별할 기대값을 최소화하도록 설계된 목적 함수일 수 있다. 다시 말해, 전자 장치는 생성 손실(LGen)을 이용하여 생성기 모델(611)의 파라미터를 업데이트함으로써, 판별기 모델(612)을 속일 수 있는 페이크 영상을 생성하도록 트레이닝될 수 있다.
위에서는 각 목적 함수 값에 의한 트레이닝을 개별적으로 설명하였으나, 이로 한정하는 것은 아니다. 전자 장치는 전술한 제1 목적 함수 값, 제2 목적 함수 값, 및 제3 목적 함수 값에 기초한 트레이닝을 병렬적으로 및/또는 시계열적으로 수행할 수 있다. 전자 장치는 제1 목적 함수 값 및 제2 목적 함수 값을 합산한 값에 기초하여 판별기 모델(612)을 트레이닝시킬 수도 있다.
도 6b는 비교 실시예에 따라 생성된 이미지 및 일 실시예에 따라 생성된 이미지를 도시한다. 개별 실시예에서 기계 학습 모델은 소스 이미지로부터 타겟 도메인에 속하는 영상을 생성하도록 학습될 수 있다.
제1 예시에서는 개를 포함하는 소스 이미지로부터 표범을 나타내는 타겟 도메인으로의 이미지 변환이 설명된다. 제1 비교 실시예(예: StarGANv2)에서 생성된 이미지(611b)에서는 소스 이미지의 개의 형상이 손상되고 표범으로 생성될 수 있다. 반면, 일 실시예(예: StarGANv2+DCR)에서 생성된 이미지(612b)에서는 소스 이미지의 개의 형상(예: 귀 모양)이 유지되면서 표범의 텍스쳐가 나타날 수 있다.
제2 예시에서는 말을 포함하는 소스 이미지로부터 얼룩말을 나타내는 타겟 도메인으로의 이미지 변환이 설명된다. 제2 비교 실시예(예: CUT)에서 생성된 이미지(621b)에서는 얼룩말의 패턴이 충분히 나타나지 않을 수 있다. 반면, 일 실시예(예: CUT+DCR)에서 생성된 이미지(622b)에서는 소스 이미지의 말의 형상에 타겟 도메인인 얼룩말의 텍스쳐가 완전히(fully) 적용될 수 있다.
다시 말해, 일 실시예에 따른 DCR이 적용된 GAN 모델의 판별기 모델이 타겟 도메인의 영상의 특징을 잘 캡쳐 할 수 있고, 생성기 모델이 타겟 도메인의 특징을 효율적으로 정확하게 학습할 수 있다. 더 나아가, 일 실시예에 따른 DCR 기법은 비교 실시예들 대비 적은 수의 훈련 데이터 세트를 요구할 수 있다. DCR 기법을 이용하는 전자 장치는 적은 데이터로도 데이터의 특징을 캡쳐하여 판별기 모델 및 생성기 모델을 트레이닝시킬 수 있다. 데이터 수집이 제한되는 온라인 러닝 환경(online learning environment)에서 보다 효율적인 학습 성능이 제공될 수 있다.
일 실시예에 따라 DCR 손실에 기초한 트레이닝이 추가로 적용된 기계 학습 모델은 비교 실시예들(예: CycleGAN, StarGAN, CUT, MUNIT(Multimodal UNsupervised Image-to-image Translation) 및 FSeSim(fixed self-similarity) 기법) 대비 개선된 FID(Frechet Inception Distance) 점수를 나타낼 수 있다. FID 점수의 개선은 DCR 기법에 기초하여 학습된 기계 학습 모델이 도메인의 고유 특성을 효과적으로 포착한 것을 의미할 수 있다.
도 7은 제품 제조 공정에 적용된 기계 학습 모델(700)을 설명한다. 전자 장치는 정상 제품에 대한 타겟 샘플 이미지(702)로부터 제1 패치 영상(721) 및 제2 패치 영상(722)을 각각 크롭할 수 있다. 전자 장치는 판별기 모델의 입력 포맷으로 제1 패치 영상(721) 및 제2 패치 영상(722)을 리사이징할 수 있다. 전자 장치는 제1 패치 영상(721)의 제1 특징 맵에 대해 투사기 모델(740)을 이용하여 투영된 맵을 추출할 수 있다. 전자 장치는 제2 패치 영상(722)의 제2 특징 맵 및 투영된 맵에서 중첩 영역에 대응하는 부분들을 이용하여 DCR 손실(LDCR)을 산출할 수 있다. 전자 장치는 전술한 수학식 3에 따라 판별기 손실(LDis)을 산출하고, 수학식 4에 따라 생성 손실(LGen)을 산출할 수 있다. 판별기 손실(LDis) 및 생성 손실(LGen)의 산출을 위해, 판별기 모델(712)은 제1 경로(781) 및/또는 제2 경로(782)를 통해 타겟 샘플 영상(702) 및/또는 페이크 영상을 입력받을 수 있다.
일 실시예에 따른 생성기 모델(711)은 소스 잠재 공간의 잠재 벡터(701)로부터 타겟 샘플 영상과 유사한 페이크 영상을 생성하도록 트레이닝될 수 있다. 전자 장치는 소스 잠재 공간(source latent space)에서 무작위로(예: 가우시안 분포에 따라) 잠재 벡터(701)를 샘플링할 수 있다. 전자 장치는 샘플링된 잠재 벡터로부터 타겟 도메인에 속하는 페이크 영상이 생성되도록 생성기 모델의 파라미터를 생성 손실(LGen)에 기초하여 업데이트할 수 있다. 소스 잠재 공간은 타겟 도메인의 영상(예: 도 7에서 정상 제품(normal product)을 포함하는 영상)을 추상화한 잠재 변수 값들이 위치되는 공간을 나타낼 수 있다. 다시 말해, 소스 잠재 공간은 정상 제품 샘플을 표현(represent)하도록 학습된 공간으로 해석될 수 있다.
일 실시예에 따른 전자 장치는 도 1 내지 도 7에서 전술한 바와 같이 트레이닝된 기계 학습 모델을 이용하여 추론 동작을 수행할 수 있다. 예를 들어, 전자 장치는 판별기 모델 및 판별기 모델을 이용하여 트레이닝된 생성기 모델 중 적어도 하나에 기초하여 입력 영상(예: 제품 영상)에 대한 판별 결과를 출력할 수 있다. 판별 결과는 판별기 모델에 입력된 입력 영상에 포함된 객체가 참인지 또는 거짓인지 여부를 지시하는 결과로서, 예시적으로 판별 데이터에 기초하여 결정될 수 있다. 하기 도 8 및 도 9에서 판별 데이터를 이용한 판별 결과의 결정 동작을 설명한다.
도 8은 일 실시예에 따른 생성기를 이용한 추론을 설명한다.
일 실시예에 따른 전자 장치는 단계(850)에서 생성기 모델(811)에 기초하여 촬영된 제품 영상(820)(예: xtest)에 대한 스코어를 계산할 수 있다. 전자 장치는, 공정 라인에서 제조된 제품에 대한 제품 영상(820)을, 해당 공정 라인에 설치된 비전 센서(예: 카메라 센서)의 촬영에 기초하여 획득할 수 있다.
단계(860)에서 전자 장치는 단계(850)에서 산출된 스코어를 임계 스코어와 비교할 수 있다. 전자 장치는 제품 영상(820)에 대해 산출된 스코어와 임계 스코어 간의 비교 결과에 기초하여 제품 영상(820)에서 캡쳐된 제품의 정상 또는 비정상 여부를 결정할 수 있다. 참고로, 정상 제품은 결함(defect)을 가지는 제품으로서, 도 7에서 비정상 제품의 결함은 원(circle)으로 도시되었다.
산출된 스코어가 제품 영상(820) 및 생성기 모델(811)에 의해 생성된 영상(예: G(zk)) 간의 유사도인 경우, 전자 장치는 유사도가 임계 스코어를 초과하는 경우 해당 제품이 정상이라고 결정할 수 있다. 전자 장치는 유사도가 임계 스코어 이하인 경우 해당 제품이 비정상이라고 결정할 수 있다. 반대로, 산출된 스코어가 제품 영상(820) 및 생성기 모델(811)에 의해 생성된 영상 간의 거리(distance)(예: 유클리드 거리(Euclidean distance), 픽셀 값들의 차이, 및 다양한 척도(metric))인 경우, 전자 장치는 산출된 거리가 임계 스코어 이하인 경우 해당 제품이 정상이라고 결정할 수 있다. 전자 장치는 산출된 거리가 임계 스코어를 초과하는 경우 해당 제품이 비정상이라고 결정할 수 있다. 제품 영상(820) 및 생성된 영상 간의 거리는 하기 수학식 5에 따라 계산될 수 있다.
Figure pat00013
전자 장치는 소스 잠재 공간(801)으로부터 n개의 잠재 벡터를 샘플링할 수 있다. 여기서, n은 1이상의 정수일 수 있다. 전자 장치는 n개의 잠재 벡터의 각각에 대해 생성기 모델(811)을 적용함으로써 n개의 생성된 영상들을 획득할 수 있다. 전자 장치는 전술한 수학식 5에 따라 제품 영상(820) 및 n개의 생성된 영상들 각각 간의 거리의 평균을 산출할 수 있다. 잠재 벡터는 전술한 바와 같이 가우시안 분포에 따라 샘플링될 수 있다.
도 9는 일 실시예에 따른 판별기를 이용한 추론을 설명한다.
일 실시예에 따른 전자 장치는 판별기 모델을 이용하여 판별 결과를 출력할 수도 있다. 예를 들어, 전자 장치는 제품 영상(920)(예: xtest)를 공정 라인에 설치된 비전 센서를 통해 획득할 수 있다. 전자 장치는 판별기 모델(912)에 제품 영상(920)을 입력함으로써 판별 데이터를 획득할 수 있다. 판별 데이터는 전술한 바와 같이 픽셀 별 확률 값을 가지거나, 제품 영상에 포함된 제품 자체가 참 또는 거짓일 확률을 나타내는 단일 확률 값을 가질 수 있다. 예를 들어, 전자 장치는 판별기 모델로부터 픽셀 별 판별 확률 값을 가지는 판별 데이터를 획득할 수 있다.
단계(960)에서 전자 장치는 스코어를 임계 스코어와 비교하고, 비교 결과에 따라 제품 영상에 포함된 제품이 정상인 지 또는 비정상인 지 여부를 결정할 수 있다. 예시적으로 전자 장치는 전술한 판별 데이터에 기초하여 스코어를 산출할 수 있다. 판별 데이터가 픽셀 별 확률 값을 가지는 경우, 스코어는 픽셀 별 판별 확률 값의 통계값일 수 있다. 다른 예를 들어, 전자 장치는 픽셀 별 판별 확률 값에 기초하여 판별된 영역을 결정할 수 있다. 판별된 영역은 참인 객체에 대응하는 것으로 판별된 영역으로서, 판별 확률 값이 임계 확률 값을 초과하는 픽셀들이 집합된 영역일 수 있다. 다만, 이로 한정하는 것은 아니고, 판별된 영역은 거짓으로 판별된 영역으로 설계될 수도 있다. 전자 장치는 전술한 판별된 영역의 면적, 크기, 및 비율 중 적어도 하나를 이용하여 스코어를 산출할 수도 있다. 또 다른 예를 들어, 판별 데이터가 전체 장면에 대한 판별 확률 값을 가지는 경우, 전자 장치는 전체 장면에 대한 판별 확률 값 자체를 스코어로 결정할 수도 있다. 본 명세서에서는 설명의 편의를 위해 판별 확률 값이 제품이 참일 확률, 다시 말해, 제품이 정상 제품일 확률을 나타내는 예시를 주로 설명한다.
전자 장치는 판별 확률 값 및 판별 데이터에서 판별 확률 값에 기초하여 판별된 영역(discriminated region) 중 적어도 하나에 기초하여 판별 결과를 결정할 수 있다. 예를 들어, 전자 장치는 판별 확률 값의 통계값, 참으로 판별된 영역, 전체 장면에 대한 판별 확률 값 중 적어도 하나에 기초하여 산출된 스코어가 임계 스코어를 초과하는 경우, 제품 영상의 제품이 정상인 것으로 결정할 수 있다. 반대로, 전자 장치는 스코어가 임계 스코어 이하인 경우, 제품 영상의 제품이 비정상인 것으로 결정할 수 있다.
도 10은 일 실시예에 따른 기계 학습 모델의 재트레이닝을 설명하는 도면이다.
일 실시예에 따른 전자 장치는 초기 트레이닝 데이터(1002a)에 기초하여 생성기 모델(1011) 및 판별기 모델(1012)을 포함하는 GAN 모델을 트레이닝시킬 수 있다. 전자 장치는 트레이닝이 완료된 GAN 모델을 이용하여 제품 영상(1020)에 대한 추론(예: 정상 제품 판별)을 수행할 수 있다.
예를 들어, 전자 장치는 기계 학습 모델에 입력된 제품 영상으로부터, 판별기 모델 및 판별기 모델을 이용하여 트레이닝된 생성기 모델 중 적어도 하나에 기초하여, 제품 영상에 포함된 제품이 정상인지 또는 비정상인지 여부를 출력할 수 있다. 예를 들어, 전자 장치는 단계(1061)에서 제품 영상에 대한 스코어를 산출할 수 있다. 전자 장치는 도 8에서 전술한 바와 같이 생성기 모델(1011)에 기초하여 스코어를 산출하거나, 도 9에서 전술한 바와 같이 판별기 모델(1012)에 기초하여 스코어를 산출할 수 있다. 전자 장치는 스코어 및 임계 스코어를 비교한 결과에 기초하여 제품 영상(1020)의 제품이 정상 또는 비정상 제품인 지 여부를 결정할 수 있다. 전자 장치는 제품 영상(1020)의 정상 또는 비정상 여부를 지시하는 판별 결과를 사용자(예: 공정 관리자)에게 제시(present)할 수 있다.
단계(1062)에서 전자 장치에서 출력된 판별 결과에 대해 사용자에 의한 리포트가 제공될 수 있다. 예를 들어, 전자 장치는 사용자로부터 판별 결과가 맞는지 여부를 리포트 받을 수 있다.
단계(1063)에서 전자 장치는 공정 변경 필요 여부를 판단할 수 있다. 예를 들어, 전자 장치는 공정 라인에서 불량률이 증가하는 경우 공정 변경이 필요하다고 판단할 수 있다. 다른 예를 들어, 전자 장치는 사용자로부터 공정 변경을 요구하는 입력을 수신한 경우 공정 변경이 필요하다고 판단할 수 있다. 또 다른 예를 들어, 전자 장치는 사용자에 의해 리포트된 결과 판별 결과 및 사용자에 의해 확인된 제품의 정상 여부 간의 오차가 누적되는 경우 공정 변경이 필요하다고 판단할 수도 있다. 다만, 공정 변경의 필요 여부 판단을 전술한 바로 한정하는 것은 아니고, 다양한 요인에 의해 공정 변경이 요구될 수도 있다. 단계(1064)에서 전자 장치는 공정 변경이 필요하다고 판단된 경우 공정 변경을 수행할 수 있다. 참고로, 도 10에서 공정 변경에 따른 새로운 제품에서 기존 제품 대비 달라진 부분은 별(star)로 도시되었는데, 결함의 형태나 위치를 이로 한정하는 것은 아니다.
단계(1065)에서 전자 장치는 변경된 공정에 대한 새로운 트레이닝 데이터를 수집할 수 있다. 예를 들어, 전자 장치는 변경된 공정에서의 정상 제품을 캡쳐한 정상 제품 영상(1002b)을 수집할 수 있다. 전자 장치는 판별기 모델의 업데이트가 요구되는 것에 기초하여, 새로 수집된 트레이닝 데이터 셋트의 각 영상(예: 새로운 공정의 정상 제품에 대한 영상)으로부터 서로 부분적으로 중첩되는 새로운 영상 패치들을 추출할 수 있다. 전자 장치는 추출된 새로운 영상 패치들에 기초하여 산출된 목적 함수 값을 이용하여 판별기 모델의 파라미터를 업데이트할 수 있다.
도 11은 일 실시예에 따른 전자 장치의 구성을 도시한 블록도이다.
일 실시예에 따른 전자 장치(1100)는 위에서 설명한 기계 학습 모델을 이용하여 목표 작업을 수행하거나, 전술한 DCR에 기초한 기계 학습 모델의 트레이닝을 수행할 수 있다. 전자 장치(1100)는 도 1 내지 도 10에서 설명한 방법에 따라 각 모델을 온라인 및/또는 오프라인으로 트레이닝시킬 수 있다.
전자 장치(1100)는 비전 기반 판별을 수행하는 장치로서, 예를 들어 이미지 편집 장치, 모바일 단말, 스마트폰, 폴더블 스마트폰(foldable smartphone), 태블릿 컴퓨터, 넷북, 랩탑, 데스크탑, PDA(personal digital assistant), 생체 도어락, 보안 장치, 금융 거래 장치, 차량 시동 장치, 자율 주행 차량, 로봇 청소기, 드론, 제품 공정 모니터링 시스템 등일 수 있다. 다만, 전자 장치(1100)의 구현 예시를 이로 한정하는 것은 아니다.
일 실시예에 따른 전자 장치(1100)는 이미지 획득부(1110), 프로세서(1120), 및 메모리(1130)를 포함할 수 있다.
이미지 획득부(1110)는 판별의 대상이 되는 객체에 대한 영상(예: 제품 영상)을 획득할 수 있다. 예를 들어, 이미지 획득부(1110)는 비전 센서로서 카메라 센서 및 적외선 센서 등을 포함할 수 있다. 비전 센서는 판별 대상을 시각적으로 캡쳐할 수 있다. 다만, 이로 한정하는 것은 아니고, 이미지 획득부(1110)는 전자 장치(1100)로부터 이격된 외부 비전 센서로부터 영상을 수신하는 통신 모듈을 포함할 수도 있다.
프로세서(1120)는 트레이닝 샘플 영상으로부터 제1 영상 패치 및 제1 영상 패치와 적어도 부분적으로 중첩되는 제2 영상 패치를 추출할 수 있다. 프로세서(1120)는 제1 영상 패치로부터, 판별기 모델의 일부 레이어에 기초하여 제1 특징 맵을 추출하며, 제2 영상 패치로부터 일부 레이어에 기초하여 제2 특징 맵을 추출할 수 있다. 프로세서(1120)는 추출된 제1 특징 맵으로부터 투사기 모델(projector model)에 기초하여 투사된 맵(projected map) 중 일부분에 대응하는 제1 부분 특징 맵을 추출할 수 있다. 프로세서(1120)는 추출된 제2 특징 맵 중 일부분에 대응하는 제2 부분 특징 맵 및 제1 부분 특징 맵에 기초하여 산출된 제1 목적 함수 값에 기초하여 판별기 모델을 트레이닝시킬 수 있다. 다만, 프로세서(1120)의 동작을 이로 한정하는 것은 아니고, 도 1 내지 도 10에서 전술한 동작들 중 적어도 하나를 동시에 또는 병렬적으로 수행할 수 있다.
메모리(1130)는 판별기 모델(discriminator model)을 포함하는 기계 학습 모델을 저장할 수 있다. 메모리(1130)는 기계 학습 모델에서 판별기 모델의 입력측에 연결되는 생성기 모델(generator model) 및 투사기 모델을 더 저장할 수 있다.
일 실시예에 따른 전자 장치(1100)는 GAN 모델을 활용한 다양한 어플리케이션에 적용될 수 있다. 전자 장치(1100)는 생산 라인에서 데이터가 변하는 등의 상황이 발생하였을 때에 적은 데이터 만으로도 효과적인 트레이닝을 수행할 수 있다. 또한 전자 장치(1100)는 레이블이 없는 비지도 학습 모델도 DCR에 기초하여 트레이닝시킬 수 있다. 전술한 바와 같이 DCR에 기초하여 트레이닝된 기계 학습 모델은 영상의 공간적인 측면에서 의미론적 및 시각적 일관성이 유지된 결과를 출력할 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 (20)

  1. 전자 장치에 있어서,
    판별기 모델(discriminator model)을 포함하는 기계 학습 모델을 저장한 메모리; 및
    트레이닝 샘플 영상으로부터 제1 영상 패치 및 상기 제1 영상 패치와 적어도 부분적으로 중첩되는 제2 영상 패치를 추출하고, 상기 제1 영상 패치로부터, 상기 판별기 모델의 일부 레이어에 기초하여 제1 특징 맵을 추출하며, 상기 제2 영상 패치로부터 상기 일부 레이어에 기초하여 제2 특징 맵을 추출하고, 상기 추출된 제1 특징 맵으로부터 투사기 모델(projector model)에 기초하여 투사된 맵(projected map) 중 일부분에 대응하는 제1 부분 특징 맵을 추출하며, 상기 추출된 제2 특징 맵 중 일부분에 대응하는 제2 부분 특징 맵 및 상기 제1 부분 특징 맵에 기초하여 산출된 제1 목적 함수 값에 기초하여 상기 판별기 모델을 트레이닝시키는 프로세서
    를 포함하는 전자 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    상기 제1 특징 맵이 투사된 맵에서 상기 제1 영상 패치와 상기 제2 영상 패치 간의 중첩 영역(overlapped region)에 대응하는 부분을 상기 제1 부분 특징 맵으로 결정하고,
    상기 추출된 제2 특징 맵 중 상기 중첩 영역에 대응하는 부분을 상기 제2 부분 특징 맵으로 결정하는,
    전자 장치.
  3. 제1항에 있어서,
    상기 프로세서는,
    상기 제1 목적 함수 값에 기초하여 상기 판별기 모델의 적어도 일부 레이어의 파라미터 및 상기 투사기 모델의 파라미터를 업데이트하는,
    전자 장치.
  4. 제1항에 있어서,
    상기 메모리는,
    상기 기계 학습 모델에서 상기 판별기 모델의 입력측에 연결되는 생성기 모델(generator model)을 더 저장하고,
    상기 프로세서는,
    상기 트레이닝 샘플 영상으로부터 상기 판별기 모델을 이용하여 산출된 타겟 판별 데이터(target discrimination data) 및 상기 생성기 모델을 이용하여 생성된 페이크 영상(fake image)으로부터 상기 판별기 모델에 기초하여 산출된 소스 판별 데이터(source discrimination data)에 기초하여 제2 목적 함수 값을 산출하는,
    전자 장치.
  5. 제4항에 있어서,
    상기 프로세서는,
    상기 생성기 모델로부터 생성된 상기 페이크 영상으로부터 상기 판별기 모델을 이용하여 산출된 상기 소스 판별 데이터에 기초한 제3 목적 함수 값을 통해 상기 생성기 모델을 트레이닝시키는,
    전자 장치.
  6. 제1항에 있어서,
    상기 프로세서는,
    상기 판별기 모델 및 상기 판별기 모델을 이용하여 트레이닝된 생성기 모델 중 적어도 하나에 기초하여 입력 영상에 대한 판별 결과를 출력하는,
    전자 장치.
  7. 제6항에 있어서,
    상기 프로세서는,
    상기 판별기 모델로부터 픽셀 별 판별 확률 값을 가지는 판별 데이터를 획득하고,
    상기 판별 확률 값 및 상기 판별 데이터에서 상기 판별 확률 값에 기초하여 판별된 영역(discriminated region) 중 적어도 하나에 기초하여 상기 판별 결과를 결정하는,
    전자 장치.
  8. 제6항에 있어서,
    상기 프로세서는,
    상기 기계 학습 모델에 입력된 제품 영상으로부터, 상기 판별기 모델 및 상기 판별기 모델을 이용하여 트레이닝된 생성기 모델 중 적어도 하나에 기초하여, 상기 제품 영상에 포함된 제품이 정상인지 또는 비정상인지 여부를 출력하는,
    전자 장치.
  9. 제1항에 있어서,
    상기 프로세서는,
    판별 대상인 부분의 값이 나머지 부분의 값보다 높은 특징 맵을, 상기 판별기 모델의 일부 레이어에서, 출력하는,
    전자 장치.
  10. 제1항에 있어서,
    상기 프로세서는,
    상기 판별기 모델의 업데이트가 요구되는 것에 기초하여, 새로 수집된 트레이닝 데이터 셋트의 각 영상으로부터 서로 부분적으로 중첩되는 새로운 영상 패치들을 추출하고,
    상기 추출된 새로운 영상 패치들에 기초하여 산출된 목적 함수 값을 이용하여 상기 판별기 모델의 파라미터를 업데이트하는,
    전자 장치.
  11. 전자 장치에 의해 수행되는 기계 학습 모델의 트레이닝 방법에 있어서,
    트레이닝 샘플 영상으로부터 제1 영상 패치 및 상기 제1 영상 패치와 적어도 부분적으로 중첩되는 제2 영상 패치를 추출하는 단계;
    상기 제1 영상 패치로부터, 상기 기계 학습 모델에 포함된 판별기 모델(discriminator model)의 일부 레이어에 기초하여, 제1 특징 맵을 추출하는 단계:
    상기 제2 영상 패치로부터 상기 일부 레이어에 기초하여 제2 특징 맵을 추출하는 단계;
    상기 추출된 제1 특징 맵으로부터 투사기 모델(projector model)에 기초하여 투사된 맵(projected map) 중 일부분에 대응하는 제1 부분 특징 맵을 추출하는 단계; 및
    상기 추출된 제2 특징 맵 중 일부분에 대응하는 제2 부분 특징 맵 및 상기 제1 부분 특징 맵에 기초하여 산출된 제1 목적 함수 값에 기초하여 상기 판별기 모델을 트레이닝시키는 단계
    를 포함하는 기계 학습 모델의 트레이닝 방법.
  12. 제11항에 있어서,
    상기 제1 부분 특징 맵을 추출하는 단계는,
    상기 제1 특징 맵이 투사된 맵에서 상기 제1 영상 패치와 상기 제2 영상 패치 간의 중첩 영역(overlapped region)에 대응하는 부분을 상기 제1 부분 특징 맵으로 결정하는 단계
    를 포함하고,
    상기 판별기 모델을 트레이닝시키는 단계는,
    상기 추출된 제2 특징 맵 중 상기 중첩 영역에 대응하는 부분을 상기 제2 부분 특징 맵으로 결정하는 단계
    를 포함하는 기계 학습 모델의 트레이닝 방법.
  13. 제11항에 있어서,
    상기 판별기 모델을 트레이닝시키는 단계는,
    상기 제1 목적 함수 값에 기초하여 상기 판별기 모델의 적어도 일부 레이어의 파라미터 및 상기 투사기 모델의 파라미터를 업데이트하는 단계
    를 포함하는 기계 학습 모델의 트레이닝 방법.
  14. 제11항에 있어서,
    상기 판별기 모델을 트레이닝시키는 단계는,
    상기 트레이닝 샘플 영상으로부터 상기 판별기 모델을 이용하여 산출된 타겟 판별 데이터(target discrimination data) 및 상기 기계 학습 모델의 생성기 모델(generator model)을 이용하여 생성된 페이크 영상(fake image)로부터 상기 판별기 모델에 기초하여 산출된 소스 판별 데이터(source discrimination data)에 기초하여 제2 목적 함수 값을 산출하는 단계
    를 포함하는 기계 학습 모델의 트레이닝 방법.
  15. 제14항에 있어서,
    상기 생성기 모델로부터 생성된 상기 페이크 영상으로부터 상기 판별기 모델을 이용하여 산출된 상기 소스 판별 데이터에 기초한 제3 목적 함수 값을 통해 상기 생성기 모델을 트레이닝시키는 단계
    를 더 포함하는 기계 학습 모델의 트레이닝 방법.
  16. 제11항에 있어서,
    상기 판별기 모델 및 상기 판별기 모델을 이용하여 트레이닝된 생성기 모델 중 적어도 하나에 기초하여 입력 영상에 대한 판별 결과를 출력하는 단계
    를 더 포함하는 기계 학습 모델의 트레이닝 방법.
  17. 제16항에 있어서,
    상기 판별 결과를 출력하는 단계는,
    상기 판별기 모델로부터 픽셀 별 판별 확률 값을 가지는 판별 데이터를 획득하는 단계;
    상기 판별 확률 값 및 상기 판별 데이터에서 상기 판별 확률 값에 기초하여 판별된 영역(discriminated region)에 기초하여 상기 판별 결과를 결정하는 단계
    를 포함하는 기계 학습 모델의 트레이닝 방법.
  18. 제16항에 있어서,
    상기 판별 결과를 출력하는 단계는,
    상기 기계 학습 모델에 입력된 제품 영상으로부터, 상기 판별기 모델 및 상기 판별기 모델을 이용하여 트레이닝된 생성기 모델 중 적어도 하나에 기초하여, 상기 제품 영상에 포함된 제품이 정상인지 또는 비정상인지 여부를 출력하는 단계
    를 포함하는 기계 학습 모델의 트레이닝 방법.
  19. 제11항에 있어서,
    판별 대상인 부분의 값이 나머지 부분의 값보다 높은 특징 맵을, 상기 판별기 모델의 일부 레이어에서, 출력하는 단계
    를 더 포함하는 기계 학습 모델의 트레이닝 방법.
  20. 제11항 내지 제19항 중 어느 한 항의 방법을 수행하기 위한 명령어를 포함하는 하나 이상의 컴퓨터 프로그램을 저장한 컴퓨터 판독 가능 기록 매체.
KR1020220025387A 2021-11-04 2022-02-25 기계 학습 모델의 트레이닝 방법 및 전자 장치 KR20230065125A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/978,672 US20230134508A1 (en) 2021-11-04 2022-11-01 Electronic device and method with machine learning training

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210150686 2021-11-04
KR1020210150686 2021-11-04

Publications (1)

Publication Number Publication Date
KR20230065125A true KR20230065125A (ko) 2023-05-11

Family

ID=86379209

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220025387A KR20230065125A (ko) 2021-11-04 2022-02-25 기계 학습 모델의 트레이닝 방법 및 전자 장치

Country Status (1)

Country Link
KR (1) KR20230065125A (ko)

Similar Documents

Publication Publication Date Title
US11928602B2 (en) Systems and methods to enable continual, memory-bounded learning in artificial intelligence and deep learning continuously operating applications across networked compute edges
US10909426B2 (en) Method and apparatus for spawning specialist belief propagation networks for adjusting exposure settings
CN109949255B (zh) 图像重建方法及设备
Gong et al. Change detection in synthetic aperture radar images based on deep neural networks
CN107529650B (zh) 闭环检测方法、装置及计算机设备
CN111738231B (zh) 目标对象检测方法、装置、计算机设备和存储介质
JP6798183B2 (ja) 画像解析装置、画像解析方法およびプログラム
US20180157892A1 (en) Eye detection method and apparatus
KR20160096460A (ko) 복수의 분류기를 포함하는 딥 러닝 기반 인식 시스템 및 그 제어 방법
KR20170038622A (ko) 영상으로부터 객체를 분할하는 방법 및 장치
US11410327B2 (en) Location determination apparatus, location determination method and computer program
US20230134508A1 (en) Electronic device and method with machine learning training
CN113095370A (zh) 图像识别方法、装置、电子设备及存储介质
JP2019153057A (ja) 画像処理装置、学習装置、画像処理方法、学習方法、画像処理プログラムおよび学習プログラム
CN113065379B (zh) 融合图像质量的图像检测方法、装置、电子设备
Devi et al. A review of image classification and object detection on machine learning and deep learning techniques
Lee et al. Reinforced adaboost learning for object detection with local pattern representations
JP2016224821A (ja) 学習装置、学習装置の制御方法及びプログラム
US20230386185A1 (en) Statistical model-based false detection removal algorithm from images
CN112733584A (zh) 通信光缆的智能告警方法和装置
KR20230065125A (ko) 기계 학습 모델의 트레이닝 방법 및 전자 장치
Lin et al. Ml-capsnet meets vb-di-d: A novel distortion-tolerant baseline for perturbed object recognition
WO2022076802A1 (en) Distortion-based filtering for image classification
CN111126310A (zh) 一种基于场景迁移的行人性别识别方法
KR102488858B1 (ko) 손상된 유형물의 디지털 복원 방법, 장치 및 프로그램