KR20230069607A - 셀프 어텐션 기반의 영상 인식 방법 및 장치 - Google Patents

셀프 어텐션 기반의 영상 인식 방법 및 장치 Download PDF

Info

Publication number
KR20230069607A
KR20230069607A KR1020210155779A KR20210155779A KR20230069607A KR 20230069607 A KR20230069607 A KR 20230069607A KR 1020210155779 A KR1020210155779 A KR 1020210155779A KR 20210155779 A KR20210155779 A KR 20210155779A KR 20230069607 A KR20230069607 A KR 20230069607A
Authority
KR
South Korea
Prior art keywords
data
dimensional
attention
vertical
result
Prior art date
Application number
KR1020210155779A
Other languages
English (en)
Inventor
이서형
이동욱
박창범
유병인
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 KR1020210155779A priority Critical patent/KR20230069607A/ko
Priority to US17/720,681 priority patent/US20230154171A1/en
Publication of KR20230069607A publication Critical patent/KR20230069607A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

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

Abstract

셀프 어텐션 기반의 영상 인식 방법 및 장치가 개시된다. 일 실시예에 따르면, 그 방법은 3차원 특징 맵에 따른 컨볼루션 연산을 수행하여 3차원 쿼리 데이터 및 3차원 키 데이터를 생성하고, 3차원 쿼리 데이터 및 3차원 키 데이터의 수직 투영에 기초하여 2차원 수직 데이터를 생성하고, 3차원 쿼리 데이터 및 3차원 키 데이터의 수평 투영에 기초하여 2차원 수평 데이터를 생성하고, 2차원 수직 데이터 및 2차원 수평 데이터에 기초한 곱셈 연산을 통해 중간 어텐션 결과를 결정하고, 중간 어텐션 결과 및 3차원 특징 맵에 기초한 곱셈 연산을 통해 최종 어텐션 결과를 결정하는 단계들을 포함할 수 있다.

Description

셀프 어텐션 기반의 영상 인식 방법 및 장치{METHOD AND APPARATUS OF IMAGE RECOGNITION BASED ON SELF ATTENTION}
아래 실시예들은 셀프 어텐션 기반의 영상 인식 방법 및 장치에 관한 것이다.
인식 프로세스의 기술적 자동화는, 예를 들어, 특수한 계산 구조로서 프로세서로 구현된 뉴럴 네트워크 모델을 통해 구현되었으며, 이는 상당한 훈련 후에 입력 패턴과 출력 패턴 사이에서 계산상 직관적인 매핑을 제공할 수 있다. 이러한 맵핑을 생성하는 훈련된 능력은 신경망의 학습 능력이라 할 수 있다. 더구나, 특화된 훈련으로 인해, 이와 같이 특화되어 훈련된 신경망은, 예를 들어, 훈련하지 않은 입력 패턴에 대하여 비교적 정확한 출력을 발생시키는 일반화 능력을 가질 수 있다.
일 실시예에 따르면, 셀프 어텐션 방법은 3차원 특징 맵을 획득하는 단계; 상기 3차원 특징 맵에 따른 컨볼루션 연산을 수행하여 3차원 쿼리 데이터 및 3차원 키 데이터를 생성하는 단계; 상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터의 수직 투영에 기초하여 2차원 수직 데이터를 생성하는 단계; 상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터의 수평 투영에 기초하여 2차원 수평 데이터를 생성하는 단계; 상기 2차원 수직 데이터 및 상기 2차원 수평 데이터에 기초한 곱셈 연산을 통해 중간 어텐션 결과를 결정하는 단계; 및 상기 중간 어텐션 결과 및 상기 3차원 특징 맵에 기초한 곱셈 연산을 통해 최종 어텐션 결과를 결정하는 단계를 포함한다.
상기 3차원 특징 맵, 상기 3차원 쿼리 데이터, 및 상기 3차원 키 데이터는 각각 채널 차원, 높이 차원, 및 폭 차원으로 표현될 수 있고, 상기 2차원 수직 데이터는 상기 폭 차원 없이, 상기 채널 차원, 및 상기 높이 차원으로 표현될 수 있고, 상기 2차원 수직 데이터는 상기 높이 차원 없이, 상기 채널 차원, 및 상기 폭 차원으로 표현될 수 있다. 상기 수직 투영은 상기 폭 차원의 데이터를 평균화할 수 있고, 상기 수평 투영은 상기 높이 차원의 데이터를 평균화할 수 있다.
상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터를 생성하는 단계는 상기 3차원 특징 맵 및 제1 웨이트 커널에 기초한 컨볼루션 연산을 통해 상기 3차원 쿼리 데이터를 생성하는 단계; 및 상기 3차원 특징 맵 및 제2 웨이트 커널에 기초한 컨볼루션 연산을 통해 상기 3차원 키 데이터를 생성하는 단계를 포함할 수 있다. 상기 2차원 수직 데이터를 생성하는 단계는 상기 3차원 쿼리 데이터에 관한 수직 투영을 수행하여 수직 2차원 쿼리 데이터를 생성하는 단계; 상기 3차원 키 데이터에 관한 수직 투영을 수행하여 수직 2차원 키 데이터를 생성하는 단계; 상기 수직 2차원 쿼리 데이터와 상기 수직 2차원 키 데이터에 기초한 곱셈 연산을 수행하여 곱셈 결과를 결정하는 단계; 및 상기 곱셈 결과에 관한 투영을 수행하여 상기 2차원 수직 데이터를 생성하는 단계를 포함할 수 있다.
상기 2차원 수평 데이터를 생성하는 단계는 상기 3차원 쿼리 데이터에 관한 수평 투영을 수행하여 수평 2차원 쿼리 데이터를 생성하는 단계; 상기 3차원 키 데이터에 관한 수평 투영을 수행하여 수평 2차원 키 데이터를 생성하는 단계; 상기 수평 2차원 쿼리 데이터와 상기 수평 2차원 키 데이터에 기초한 곱셈 연산을 수행하여 곱셈 결과를 결정하는 단계; 및 상기 곱셈 결과에 관한 투영을 수행하여 상기 2차원 수평 데이터를 생성하는 단계를 포함할 수 있다.
최종 어텐션 결과를 결정하는 단계 이용되는 상기 3차원 특징 맵은 3차원 밸류 데이터에 해당할 수 있다. 상기 최종 어텐션 결과를 결정하는 단계는 상기 중간 어텐션 결과에 관한 정규화를 수행하는 단계; 및 상기 정규화 결과 및 상기 3차원 특징 맵에 기초한 상기 곱셈 연산을 통해 상기 최종 어텐션 결과를 결정하는 단계를 포함할 수 있다. 상기 중간 어텐션 결과에 관한 상기 정규화는 소프트맥스 연산에 기초하여 수행될 수 있다. 상기 2차원 수직 데이터 및 상기 2차원 수평 데이터에 기초한 상기 곱셈 연산은 행렬 곱셈 연산일 수 있고, 상기 중간 어텐션 결과 및 상기 3차원 특징 맵에 기초한 상기 곱셈 연산은 픽셀 별 곱셈 연산일 수 있다.
상기 3차원 특징 맵의 획득, 상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터의 생성, 상기 2차원 수직 데이터의 생성, 상기 2차원 수평 데이터의 생성, 상기 중간 어텐션 결과의 결정, 및 상기 최종 어텐션 결과의 결정은 뉴럴 네트워크 기반의 영상 인식 모델의 셀프 어텐션 블록에 대응하여 수행될 수 있다. 상기 3차원 특징 맵은 상기 영상 인식 모델의 입력 영상 또는 상기 영상 인식 모델의 컨볼루션 레이어의 출력 데이터에 해당할 수 있다. 상기 최종 어텐션 결과에 기초하여 상기 영상 인식 모델의 인식 결과가 결정될 수 있다.
일 실시예에 따르면, 영상 인식 방법은 뉴럴 네트워크 기반의 영상 인식 모델의 제1 컨볼루션 레이어에 관해 컨볼루션 연산을 수행하여 3차원 특징 맵을 생성하는 단계; 상기 영상 인식 모델의 셀프 어텐션 블록에 관해 상기 3차원 특징 맵에 기초한 셀프 어텐션을 수행하여 셀프 어텐션 결과를 결정하는 단계; 및 상기 3차원 특징 맵에 상기 셀프 어텐션 결과를 적용하여 상기 영상 인식 모델의 인식 결과를 결정하는 단계를 포함하고, 상기 셀프 어텐션 결과를 결정하는 단계는 상기 3차원 특징 맵에 따른 컨볼루션 연산을 수행하여 3차원 쿼리 데이터 및 3차원 키 데이터를 생성하는 단계; 상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터의 수직 투영에 기초하여 2차원 수직 데이터를 생성하는 단계; 상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터의 수평 투영에 기초하여 2차원 수평 데이터를 생성하는 단계; 상기 2차원 수직 데이터 및 상기 2차원 수평 데이터에 기초한 곱셈 연산을 통해 중간 어텐션 결과를 결정하는 단계; 및 상기 중간 어텐션 결과 및 상기 3차원 특징 맵에 기초한 곱셈 연산을 통해 최종 어텐션 결과를 결정하는 단계를 포함한다.
일 실시예에 따르면, 전자 장치는 프로세서; 및 상기 프로세서에서 실행가능한 명령어들을 포함하는 메모리를 포함하고, 상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는 3차원 특징 맵을 획득하고, 상기 3차원 특징 맵에 따른 컨볼루션 연산을 수행하여 3차원 쿼리 데이터 및 3차원 키 데이터를 생성하고, 상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터의 수직 투영에 기초하여 2차원 수직 데이터를 생성하고, 상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터의 수평 투영에 기초하여 2차원 수평 데이터를 생성하고, 상기 2차원 수직 데이터 및 상기 2차원 수평 데이터에 기초한 곱셈 연산을 통해 중간 어텐션 결과를 결정하고, 상기 중간 어텐션 결과 및 상기 3차원 특징 맵에 기초한 곱셈 연산을 통해 최종 어텐션 결과를 결정한다.
도 1은 자연어 처리를 위한 트랜스포머의 구성을 나타낸다.
도 2는 영상 인식을 위한 트랜스포머의 구성을 나타낸다.
도 3은 일 실시예에 따른 영상 인식을 위한 셀프 어텐션 동작을 나타낸다.
도 4는 일 실시예에 따른 셀프 어텐션의 상세 동작을 예시적으로 나타낸다.
도 5는 일 실시예에 따른 3차원 데이터와 2차원 투사 결과 간의 관계를 나타낸다.
도 6은 일 실시예에 따른 투사를 통한 연산량 감축을 나타낸다.
도 7은 일 실시예에 따른 어텐션 블록을 포함하는 뉴럴 네트워크 모델을 나타낸다.
도 8은 일 실시예에 따른 셀프 어텐션을 이용한 영상 인식 동작을 나타낸다.
도 9는 일 실시예에 따른 영상 처리 장치의 구성을 나타낸다.
도 10은 일 실시예에 따른 전자 장치의 구성을 나타낸다.
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 자연어 처리를 위한 트랜스포머의 구성을 나타낸다. 자연어와 같은 시퀀스 데이터를 처리할 경우 장기 의존성(long-term dependency)이 문제될 수 있다. 트랜스포머 모델(100)은 셀프 어텐션(self-attention)을 통해 이러한 장기 의존성을 해결할 수 있다.
도 1a를 참조하면, 트랜스포머 모델(100)은 N개의 인코더들(110) 및 N개의 디코더들(120)을 포함할 수 있다. 트랜스포머 모델(100)은 각 토큰들 간의 셀프 어텐션을 통해 쿼리(query)와 연관성이 높은 밸류(value)를 강조할 수 있다. 트랜스포머 모델(100)의 멀티-헤드 어텐션 블록들(111, 121, 122)은 각각 임베딩에 관한 셀프 어텐션을 수행할 수 있다. 임베딩은 인간이 쓰는 자연어를 기계가 이해할 수 있는 벡터 형태로 바꾼 결과 혹은 그 일련의 과정을 의미할 수 있다.
멀티-헤드 어텐션 블록(111)은 입력 임베딩(101)에 관한 셀프 어텐션을, 멀티-헤드 어텐션 블록(121)은 출력 임베딩(102)에 관한 셀프 어텐션을 수행할 수 있다. 이때, 셀프 어텐션은 입력 임베딩(101) 및 출력 임베딩(102) 각각에 관한 위치 인코딩(positional encoding)의 결과에 관해 수행될 수 있다. 멀티-헤드 어텐션 블록(121)은 어텐션 마스크(attention mask)를 이용할 수 있다. 멀티-헤드 어텐션 블록(122)은 인코더 출력(103)에 관한 셀프 어텐션을 수행할 수 있다.
피드 포워드 블록들(112, 123)은 각 어텐션 결과에 기초한 뉴럴 네트워크 연산을 수행할 수 있다. 예를 들어, 피드 포워드 블록들(112, 123)은 완전 연결 레이어(fully-connected layer)를 포함할 수 있다. 그 밖에, 인코더들(110) 및 디코더들(120)은 덧셈 연산 및 정규화(normalization) 연산을 더 수행할 수 있고, 트랜스포머 모델(100)은 디코더 출력(104)에 기초하여 선형 연산(예: 행렬 곱셈 연산(matrix multiplication)) 및 소프트맥스(softmax) 연산을 더 수행할 수 있다. 그 결과, 시퀀스 데이터에 관한 출력 확률(output probabilities, 105)이 생성될 수 있다.
도 1b를 참조하면, 멀티-헤드 어텐션 블록(131)은 도 1a의 멀티-헤드 어텐션 블록들(111, 121, 122)에 대응할 수 있다. 멀티-헤드 어텐션 블록(131)은 선형 연산 블록들(132)을 통해 밸류(V), 키(K), 및 쿼리(Q)의 차원을 감소시키고, h개의 스케일 조절 점곱 어텐션(scaled dot-product attention) 블록들(133)을 통해 셀프 어텐션을 수행하고, 어텐션 결과에 관한 연쇄화(concatenation)(134) 및 선형 연산(135)을 수행할 수 있다.
도 1c를 참조하면, 스케일 조절 점곱 어텐션 블록(141)은 도 1b의 스케일 조절 점곱 어텐션 블록들(133)에 대응할 수 있다. 행렬 곱셈 블록(142) 및 스케일링 블록(143)은 쿼리(Q)와 키(K)를 비교할 수 있다. 행렬 곱셈 블록(142)은 점곱 또는 내적(inner product)을 수행할 수 있다. 마스크 블록(144)은 마스크를 통해 잘못된 연결의 어텐션을 막을 수 있다. 마스크 블록(144)이 정의된 경우, 도 1a의 멀티-헤드 어텐션 블록(121)은 어텐션 마스크를 이용할 수 있다. 행렬 곱셈 블록(146)은 소프트맥스 연산 블록(145)의 출력인 유사도와 밸류(V)를 결합하여 어텐션 값을 생성할 수 있다.
도 2는 영상 인식을 위한 트랜스포머의 구성을 나타낸다. 트랜스포머 기술은 영상 인식에도 이용될 수 있다. 영상 인식은 객체 분류, 객체 검출, 객체 추적, 객체 인식, 객체 인증과 같은 다양한 인식 기술을 포함할 수 있다. 도 2a를 참조하면, 트랜스포머 모델(200)은 선형 투사(linear projection) 블록(210), 트랜스포머 인코더(transformer encoder)(220), 및 MLP(multi-layer perceptron)(230)를 포함할 수 있다. 입력 영상(201)은 복수의 패치들로 분할될 수 있고, 패치들은 평탄화(flatten)될 수 있다. 평탄화된 패치들은 시퀀스 데이터를 구성할 수 있다.
선형 투사 블록(210)은 평탄화된 패치들을 임베딩 벡터들로 투사할 수 있다. 각 임베딩 벡터에 위치 정보(0 내지 9)가 부가되어 임베딩 쌍들(202)이 결정될 수 있다. 위치 정보는 각 임베딩 벡터에 대응하는 각 패치의 입력 영상(201) 내 위치를 나타낼 수 있다. 트랜스포머 인코더(220)는 임베딩 쌍들(202)에 관한 셀프 어텐션을 수행할 수 있고, MLP(230)는 어텐션 결과에 기초하여 입력 영상(201)의 클래스(203)를 출력할 수 있다. MLP(230)는 완전 연결 레이어를 포함할 수 있다.
도 2b를 참조하면, 트랜스포머 인코더(240)는 멀티-헤드 어텐션 블록(243), 정규화 블록들(242, 244) 및 MLP(245)를 포함할 수 있다. 트랜스포머 인코더(240)는 도 1a의 인코더들(110)과 유사한 구조를 가질 수 있고, 인코더들(110)의 대응 동작을 수행할 수 있다. 인코딩 동작은 L회 반복될 수 있다. 트랜스포머 인코더(240)는 도 2a의 트랜스포머 인코더(220)에 대응할 수 있다. 멀티-헤드 어텐션 블록(243)은 도 1b의 멀티-헤드 어텐션 블록(131)과 같이 임베딩 패치들(embedded patches, 241)에 기초하여 셀프 어텐션을 수행할 수 있다.
트랜스포머 모델(200)의 크기가 커지면 컨볼루션 네트워크(convolution network)와 비슷한 성능을 나타낼 수 있다. 영상 인식 시 장기 의존성보다 공간 정보가 인식 결과에 더 큰 영향을 줄 수 있다. 영상 인식 시 전역 정보 및 지역 정보를 사용하는 것이 인식 결과의 정확도를 향상시킬 수 있다. 트랜스포머 기술이 영상 인식에 적용될 경우 셀프 어텐션을 통해 전역 정보가 보존될 수 있으나, 컨볼루션 레이어가 아닌 완전 연결 레이어가 사용됨에 따라 지역 정보가 손실될 수 있다.
도 3은 일 실시예에 따른 영상 인식을 위한 셀프 어텐션 동작을 나타낸다. 도 3을 참조하면, 단계(310)에서 영상 인식 장치는 3차원 특징 맵을 획득한다. 영상 인식 장치는 뉴럴 네트워크 기반의 영상 인식 모델의 셀프 어텐션 블록을 이용하여 셀프 어텐션 동작을 수행할 수 있다. 3차원 특징 맵은 영상 인식 모델의 입력 영상 또는 영상 인식 모델에서 셀프 어텐션 블록의 앞에 위치한 컨볼루션 레이어의 출력 데이터에 해당할 수 있다. 3차원 특징 맵과 같은 3차원 데이터는 채널 차원, 높이 차원, 및 폭 차원으로 표현될 수 있다. 2차원 데이터는 이들 차원들 중 2개(예: 채널 차원 및 높이 차원, 또는 채널 차원 및 폭 차원 등)로 표현될 수 있다.
뉴럴 네트워크는 복수의 레이어들을 포함하는 딥 뉴럴 네트워크(deep neural network, DNN)에 해당할 수 있다. 이때, 복수의 레이어들은 입력 레이어(input layer), 적어도 하나의 히든 레이어(hidden layer), 및 출력 레이어(output layer)를 포함할 수 있다.
딥 뉴럴 네트워크는 완전 연결 네트워크(fully connected network, FCN), 컨볼루션 뉴럴 네트워크(convolutional neural network, CNN), 및 리커런트 뉴럴 네트워크(recurrent neural network, RNN) 중 적어도 하나를 포함할 수 있다. 예를 들어, 뉴럴 네트워크 내 복수의 레이어들 중 적어도 일부는 CNN에 해당할 수 있고, 다른 일부는 FCN에 해당할 수 있다. 이 경우, CNN은 컨볼루션 레이어로 지칭될 수 있고, FCN은 완전 연결 레이어로 지칭될 수 있다.
CNN의 경우, 각 레이어에 입력되는 데이터는 입력 특징 맵(input feature map)으로 지칭될 수 있고, 각 레이어에서 출력되는 데이터는 출력 특징 맵(output feature map)으로 지칭될 수 있다. 입력 특징 맵 및 출력 특징 맵은 액티베이션 데이터(activation data)로 지칭될 수도 있다. 컨볼루션 레이어가 입력 레이어에 해당하는 경우, 입력 레이어의 입력 특징 맵은 입력 영상일 수 있다.
뉴럴 네트워크는 딥 러닝에 기반하여 트레이닝된 후, 비선형적 관계에 있는 입력 데이터 및 출력 데이터를 서로 매핑함으로써 트레이닝 목적에 맞는 추론(inference)을 수행해낼 수 있다. 딥 러닝은 빅 데이터 세트로부터 영상 또는 음성 인식과 같은 문제를 해결하기 위한 기계 학습 기법이다. 딥 러닝은 준비된 트레이닝 데이터를 이용하여 뉴럴 네트워크를 트레이닝하면서 에너지가 최소화되는 지점을 찾아가는 최적화 문제 풀이 과정으로 이해될 수 있다.
딥 러닝의 지도식(supervised) 또는 비지도식(unsupervised) 학습을 통해 뉴럴 네트워크의 구조, 혹은 모델에 대응하는 웨이트(weight)가 구해질 수 있고, 이러한 웨이트를 통해 입력 데이터 및 출력 데이터가 서로 매핑될 수 있다. 뉴럴 네트워크의 폭과 깊이가 충분히 크면 임의의 함수를 구현할 수 있을 만큼의 용량(capacity)을 가질 수 있다. 뉴럴 네트워크가 적절한 트레이닝 과정을 통해 충분히 많은 양의 트레이닝 데이터를 학습하면 최적의 성능을 달성할 수 있다.
아래에서 뉴럴 네트워크가 '미리' 트레이닝된 것으로 표현될 수 있는데, 여기서 '미리'는 뉴럴 네트워크가 '시작'되기 전을 나타낼 수 있다. 뉴럴 네트워크가 '시작'되었다는 것은 뉴럴 네트워크가 추론을 위한 준비가 된 것을 의미할 수 있다. 예를 들어, 뉴럴 네트워크가 '시작'된 것은 뉴럴 네트워크가 메모리에 로드된 것, 혹은 뉴럴 네트워크가 메모리에 로드된 이후 뉴럴 네트워크에 추론을 위한 입력 데이터가 입력된 것을 포함할 수 있다.
단계(320)에서 영상 인식 장치는 3차원 특징 맵에 따른 컨볼루션 연산을 수행하여 3차원 쿼리 데이터 및 3차원 키 데이터를 생성한다. 영상 인식 장치는 3차원 특징 맵 및 제1 웨이트 커널에 기초한 제1 컨볼루션 연산을 통해 3차원 쿼리 데이터를 생성할 수 있고, 3차원 특징 맵 및 제2 웨이트 커널에 기초한 제2 컨볼루션 연산을 통해 3차원 키 데이터를 생성할 수 있다. 제1 컨볼루션 연산은 제1 웨이트 커널에 기초한 제1 컨볼루션 레이어를 통해 수행될 수 있고, 제2 컨볼루션 연산은 제2 웨이트 커널에 기초한 제2 컨볼루션 레이어를 통해 수행될 수 있다. 제1 컨볼루션 레이어 및 제2 컨볼루션 레이어는 영상 인식 모델의 일부를 구성할 수 있고, 영상 인식 모델의 트레이닝 시 트레이닝될 수 있다.
단계(330)에서 영상 인식 장치는 3차원 쿼리 데이터 및 3차원 키 데이터의 수직 투영(vertical projection)에 기초하여 2차원 수직 데이터를 생성한다. 영상 인식 장치는 3차원 쿼리 데이터에 관한 수직 투영을 수행하여 수직 2차원 쿼리 데이터를 생성하고, 3차원 키 데이터에 관한 수직 투영을 수행하여 수직 2차원 키 데이터를 생성할 수 있다. 3차원 쿼리 데이터 및 3차원 키 데이터는 C*H*W의 크기를 가질 수 있고, 수직 2차원 쿼리 데이터 및 수직 2차원 키 데이터는 C*H의 크기를 가질 수 있다.
수직 투영은 폭 차원의 데이터를 평균화할 수 있다. 예를 들어, C*H*W의 3차원 데이터가 존재할 수 있다. C는 채널 차원의 픽셀(엘리먼트) 수, H는 높이 차원의 픽셀 수, W는 폭 차원의 픽셀 수를 나타낼 수 있다. 채널 차원 및 높이 차원의 2차원 평면에는 C*H개의 픽셀들이 존재할 수 있고, C*H개의 각 픽셀에 대응하여 폭 차원으로 W개의 픽셀들이 존재할 수 있다. 이때, 수직 투영은 C*H개의 각 픽셀에 대응하는 W개의 픽셀들의 평균 값을 C*H개의 각 픽셀의 픽셀 값으로 결정할 수 있다.
영상 인식 장치는 수직 2차원 쿼리 데이터와 수직 2차원 키 데이터에 기초한 곱셈 연산을 수행하여 곱셈 결과를 결정할 수 있다. 이때, 곱셈 연산은 행렬 곱셈 연산에 해당할 수 있고, 곱셈 결과는 C*H*H의 크기를 가질 수 있다. 영상 인식 장치는 곱셈 결과에 관한 투영을 수행하여 2차원 수직 데이터를 생성할 수 있다. 여기서, 투영은 수직 투영 또는 수평 투영일 수 있고, 2차원 수직 데이터는 C*H의 크기를 가질 수 있다.
단계(340)에서 영상 인식 장치는 3차원 쿼리 데이터 및 3차원 키 데이터의 수평 투영(horizontal projection)에 기초하여 2차원 수평 데이터를 생성한다. 영상 인식 장치는 3차원 쿼리 데이터에 관한 수평 투영을 수행하여 수평 2차원 쿼리 데이터를 생성하고, 3차원 키 데이터에 관한 수평 투영을 수행하여 수평 2차원 키 데이터를 생성할 수 있다. 수평 2차원 쿼리 데이터 및 수평 2차원 키 데이터는 C*W의 크기를 가질 수 있다.
수평 투영은 높이 차원의 데이터를 평균화할 수 있다. 예를 들어, C*H*W의 3차원 데이터가 존재하는 경우, 채널 차원 및 폭 차원의 2차원 평면에는 C*W개의 픽셀들이 존재할 수 있고, C*W개의 각 픽셀에 대응하여 높이 차원으로 H개의 픽셀들이 존재할 수 있다. 이때, 수평 투영은 C*W개의 각 픽셀에 대응하는 H개의 픽셀들의 평균 값을 C*W개의 각 픽셀의 픽셀 값으로 결정할 수 있다.
영상 인식 장치는 수평 2차원 쿼리 데이터와 수평 2차원 키 데이터에 기초한 곱셈 연산을 수행하여 곱셈 결과를 결정할 수 있다. 이때, 곱셈 연산은 행렬 곱셈 연산에 해당할 수 있고, 곱셈 결과는 C*W*W의 크기를 가질 수 있다. 영상 인식 장치는 곱셈 결과에 관한 투영을 수행하여 2차원 수평 데이터를 생성할 수 있다. 여기서, 투영은 수직 투영 또는 수평 투영일 수 있고, 2차원 수평 데이터는 C*W의 크기를 가질 수 있다.
단계(350)에서 영상 인식 장치는 2차원 수직 데이터 및 2차원 수평 데이터에 기초한 곱셈 연산을 통해 중간 어텐션 결과를 결정한다. 여기서 곱셈 연산은 행렬 곱셈 연산에 해당할 수 있고, 중간 어텐션 결과는 C*H*W의 크기를 가질 수 있다. 다시 말해, 중간 어텐션 결과는 쿼리 데이터와 키 데이터를 기반으로 생성될 수 있고, 쿼리 데이터, 키 데이터, 및 중간 어텐션 결과는 모두 C*H*W의 크기를 가질 수 있다.
단계(360)에서 영상 인식 장치는 중간 어텐션 결과 및 3차원 특징 맵에 기초한 곱셈 연산을 통해 최종 어텐션 결과를 결정한다. 이때, 3차원 특징 맵은 셀프 어텐션의 3차원 밸류 데이터에 대항할 수 있다. 영상 인식 장치는 중간 어텐션 결과에 관한 정규화를 수행하고, 정규화 결과 및 3차원 특징 맵에 기초한 곱셈 연산을 통해 최종 어텐션 결과를 결정할 수 있다. 여기서, 정규화는 소프트맥스 연산에 기초하여 수행될 수 있고, 곱셈 연산은 픽셀 별(pixel-wise) 곱셈 연산에 해당할 수 있다. 최종 어텐션 결과는 C*H*W의 크기를 가질 수 있다. 영상 인식 장치는 최종 어텐션 결과에 기초하여 영상 인식 모델의 인식 결과를 결정할 수 있다.
도 4는 일 실시예에 따른 셀프 어텐션의 상세 동작을 예시적으로 나타낸다. 도 4를 참조하면, 영상 인식 장치는 C*H*W의 3차원 특징 맵(401)에 기초하여 제1 컨볼루션 연산(411) 및 제2 컨볼루션 연산(412)을 수행할 수 있다. 범례(499)에서, C는 채널 방향, H는 높이 방향, W는 폭 방향을 나타낸다. 제1 컨볼루션 연산(411) 및 제2 컨볼루션 연산(412)은 1*1 컨볼루션, 3*3 컨볼루션과 같은 다양한 사이즈의 커널을 통해 수행될 수 있다. 제1 컨볼루션 연산(411)에 따라 3차원 쿼리 데이터(402)가 생성될 수 있고, 제2 컨볼루션 연산(412)에 따라 3차원 키 데이터(403)가 생성될 수 있다. 쿼리 데이터(402) 및 키 데이터는 C*H*W의 크기를 가질 수 있다.
영상 인식 장치는 쿼리 데이터(402) 및 키 데이터(403)에 기초하여 투사 연산들(421 내지 424)을 수행할 수 있다. 투사 연산들(421, 423)은 수직 투사에 해당할 수 있고, 투사 연산들(421, 423)의 결과 C*H의 크기를 갖는 2차원 수직 쿼리 데이터 및 2차원 수직 키 데이터가 생성될 수 있다. 투사 연산들(422, 424)은 수평 투사에 해당할 수 있고, 투사 연산들(422, 424)의 결과 C*W의 크기를 갖는 2차원 수평 쿼리 데이터 및 2차원 수평 키 데이터가 생성될 수 있다.
영상 인식 장치는 수직 쿼리 데이터 및 수직 키 데이터에 기초하여 행렬 곱셈 연산(431)을 수행할 수 있고, 곱셈 결과에 기초하여 투사 연산(441)을 수행할 수 있다. 곱셈 결과의 크기는 C*H*H일 수 있고, 투사 결과의 크기는 C*H에 해당할 수 있다. 투사 결과는 2차원 수직 데이터로 부를 수 있다. 영상 인식 장치는 수평 쿼리 데이터 및 수평 키 데이터에 기초하여 행렬 곱셈 연산(432)을 수행할 수 있고, 곱셈 결과에 기초하여 투사 연산(442)을 수행할 수 있다. 곱셈 결과의 크기는 C*W*W일 수 있고, 투사 결과의 크기는 C*W에 해당할 수 있다. 투사 결과는 2차원 수평 데이터로 부를 수 있다.
영상 인식 장치는 수직 데이터 및 수평 데이터에 기초하여 행렬 곱셈 연산(450)을 수행할 수 있다. 곱셈 결과는 C*H*W의 크기를 가질 수 있고, 중간 어텐션 결과로 부를 수 있다. 영상 인식 장치는 곱셈 결과에 기초하여 정규화 연산(460)을 수행할 수 있다. 예를 들어, 정규화 연산(460)은 소프트맥스 연산에 해당할 수 있다. 영상 인식 장치는 C*H*W의 정규화 결과 및 C*H*W의 특징 맵(401)에 기초하여 픽셀 별 곱셈 연산(470)을 수행할 수 있다. 여기서, 특징 맵(401)은 3차원 밸류 데이터(404)로 이용될 수 있다. 곱셈 결과는 C*H*W의 크기를 가질 수 있고, 최종 어텐션 결과에 해당할 수 있다.
도 5는 일 실시예에 따른 3차원 데이터와 2차원 투사 결과 간의 관계를 나타낸다. 도 5를 참조하면, 2차원 수직 데이터(502)는 3차원 데이터(501)의 수직 투영 결과에 해당할 수 있고, 2차원 수평 데이터(503)는 3차원 데이터(501)의 수평 투영 결과에 해당할 수 있다. 이때, 3차원 데이터(501)는 2차원 수직 데이터(502)와 2차원 수평 데이터(503) 간이 곱셈 결과에 대응할 수 있다. 이러한 관계는 아래 수학식 1과 같이 나타낼 수 있다.
Figure pat00001
수학식 1에서 anm은 3차원 데이터(501)의 각 채널의 벡터를 나타내고, bn은 2차원 수직 데이터(502)의 각 채널의 벡터를 나타내고, cm은 2차원 수평 데이터(503)의 각 채널의 벡터를 나타낼 수 있다. 다만, anm, bn, 및 cn을 어느 한 채널의 픽셀(엘리먼트)로 보는 것도 가능하다. n은 수직 방향의 인덱스, m은 수평 방향의 인덱스를 나타낼 수 있다. 수직 투영이 폭 방향의 데이터의 평균화에 해당하고, 수평 투영이 높이 방향의 데이터의 평균화에 해당하는 경우, bn 및 cn은 아래 수학식 2 및 수학식 3과 같이 나타낼 수 있다.
Figure pat00002
Figure pat00003
따라서, 3차원 데이터(501)는 평균화 기반의 투영을 통해 최소한의 정보 손실로 2차원 수직 데이터(502) 및 2차원 수평 데이터(503)로 변환될 수 있다.
도 6은 일 실시예에 따른 투사를 통한 연산량 감축을 나타낸다. 도 6a는 투사가 이용되지 않는 경우를, 도 6b는 투사가 이용되는 경우를 나타낸다. 도 6a를 참조하면, H*W의 입력 데이터(601, 602) 간의 곱셈 연산을 통해 HW*HW의 곱셈 결과(603)가 도출될 수 있고, 곱셈 결과(603)는 H*W의 출력 데이터(604)로 변환될 수 있다. 변환에 투사가 이용되는 경우 연산량은 H2W2+HW로 나타낼 수 있고, 변환에 행렬 곱셈 연산이 이용되는 경우 연산량은 H2W2+H2W2로 나타낼 수 있다.
도 6b를 참조하면, 입력 데이터(601)는 H*1의 투사 데이터(611) 및 W*1의 투사 데이터(614)로 대체될 수 있고, 입력 데이터(602)는 1*H의 투사 데이터(612) 및 1*W의 투사 데이터(615)로 대체될 수 있다. 투사 데이터(611) 및 투사 데이터(612) 간의 곱셈 연산을 통해 H*H의 곱셈 결과(613)가 도출될 수 있고, 투사 데이터(614) 및 투사 데이터(615) 간의 곱셈 연산을 통해 W*W의 곱셈 결과(616)가 도출될 수 있다. 곱셈 결과(613)는 H*1의 수직 데이터(617)로 투사될 수 있고, 곱셈 결과(616)는 1*W의 수평 데이터(618)로 투사될 수 있다. 수직 데이터(617) 및 수평 데이터(618) 간의 곱셈 연산을 통해 H*W의 출력 데이터(619)가 결정될 수 있다. 이 경우, 연산량은 H2+W2+HW+2H+2W로 나타낼 수 있고, 이는 투사가 이용되지 않는 경우에 비해 낮은 수치에 해당할 수 있다.
도 7은 일 실시예에 따른 어텐션 블록을 포함하는 뉴럴 네트워크 모델을 나타낸다. 도 7a를 참조하면, 뉴럴 네트워크 모델(700)은 컨볼루션 레이어(710), 어텐션 블록들(720, 730), 및 풀링 레이어(740)를 포함할 수 있다. 예를 들어, 컨볼루션 레이어(710)는 3*3의 컨볼루션 연산이 수행될 수 있고, S2 레이어에 해당할 수 있다. 도 7b를 참조하면, 어텐션 블록(750)은 컨볼루션 레이어(751) 및 셀프 어텐션 블록(752)을 포함할 수 있다. 어텐션 블록(750)은 도 7a의 어텐션 블록들(720, 730)에 대응할 수 있다. 예를 들어, 컨볼루션 레이어(751)는 3*3의 컨볼루션 연산이 수행될 수 있다. 셀프 어텐션 블록(752)에서는 실시예들에 따른 셀프 어텐션이 수행될 수 있다. 스킵 커넥션(skip connection)(753)을 통해 셀프 어텐션 결과가 잔차(residual)에 적용(예: 픽셀 별 덧셈 또는 연쇄화)될 수 있다. 예를 들어, 잔차는 어텐션 블록(750)의 이전에 배치된 컨볼루션 레이어(예: 컨볼루션 레이어(710))의 출력 특징 맵에 해당할 수 있다. 이후 적용 결과에 따른 인식 결과가 도출될 수 있다.
도 8은 일 실시예에 따른 셀프 어텐션을 이용한 영상 인식 동작을 나타낸다. 도 8을 참조하면, 단계(810)에서 영상 인식 장치는 뉴럴 네트워크 기반의 영상 인식 모델의 제1 컨볼루션 레이어에 관해 컨볼루션 연산을 수행하여 3차원 특징 맵을 생성한다. 단계(820)에서 영상 인식 장치는 영상 인식 모델의 셀프 어텐션 블록에 관해 상기 3차원 특징 맵에 기초한 셀프 어텐션을 수행하여 셀프 어텐션 결과를 결정한다. 단계(820)에서 영상 인식 장치는 3차원 특징 맵에 셀프 어텐션 결과를 적용하여 영상 인식 모델의 인식 결과를 결정한다. 그 밖에, 영상 인식 동작에는 도 1 내지 도 7, 도 9, 및 도 10의 설명이 적용될 수 있다.
도 9는 일 실시예에 따른 영상 처리 장치의 구성을 나타낸다. 도 9를 참조하면, 영상 인식 장치(900)는 프로세서(910) 및 메모리(920)를 포함한다. 메모리(920)는 프로세서(910)에 연결되고, 프로세서(910)에 의해 실행가능한 명령어들, 프로세서(910)가 연산할 데이터 또는 프로세서(910)에 의해 처리된 데이터를 저장할 수 있다. 메모리(920)는 비일시적인 컴퓨터 판독가능 매체, 예컨대 고속 랜덤 액세스 메모리 및/또는 비휘발성 컴퓨터 판독가능 저장 매체(예컨대, 하나 이상의 디스크 저장 장치, 플래쉬 메모리 장치, 또는 기타 비휘발성 솔리드 스테이트 메모리 장치)를 포함할 수 있다.
프로세서(910)는 도 1 내지 도 8, 및 도 10을 참조하여 설명된 하나 이상의 동작을 수행하기 위한 명령어들을 실행할 수 있다. 예를 들어, 프로세서(910)는 3차원 특징 맵을 획득하고, 3차원 특징 맵에 따른 컨볼루션 연산을 수행하여 3차원 쿼리 데이터 및 3차원 키 데이터를 생성하고, 3차원 쿼리 데이터 및 3차원 키 데이터의 수직 투영에 기초하여 2차원 수직 데이터를 생성하고, 3차원 쿼리 데이터 및 3차원 키 데이터의 수평 투영에 기초하여 2차원 수평 데이터를 생성하고, 2차원 수직 데이터 및 2차원 수평 데이터에 기초한 곱셈 연산을 통해 중간 어텐션 결과를 결정하고, 중간 어텐션 결과 및 3차원 특징 맵에 기초한 곱셈 연산을 통해 최종 어텐션 결과를 결정할 수 있다. 그 밖에, 영상 인식 장치(900)에는 도 1 내지 도 8, 및 도 10의 설명이 적용될 수 있다.
도 10은 일 실시예에 따른 전자 장치의 구성을 나타낸다. 도 10를 참조하면, 전자 장치(1000)는 프로세서(1010), 메모리(1020), 카메라(1030), 저장 장치(1040), 입력 장치(1050), 출력 장치(1060) 및 네트워크 인터페이스(1070)를 포함할 수 있으며, 이들은 통신 버스(1080)를 통해 서로 통신할 수 있다. 예를 들어, 전자 장치(1000)는 이동 전화, 스마트 폰, PDA, 넷북, 태블릿 컴퓨터, 랩톱 컴퓨터 등과 같은 모바일 장치, 스마트 워치, 스마트 밴드, 스마트 안경 등과 같은 웨어러블 디바이스, 데스크탑, 서버 등과 같은 컴퓨팅 장치, 텔레비전, 스마트 텔레비전, 냉장고 등과 같은 가전 제품, 도어 락 등과 같은 보안 장치, 자율주행 차량, 스마트 차량 등과 같은 차량의 적어도 일부로 구현될 수 있다. 전자 장치(1000)는 도 9의 영상 인식 장치(900)를 구조적 및/또는 기능적으로 포함할 수 있다.
프로세서(1010)는 전자 장치(1000) 내에서 실행하기 위한 기능 및 명령어들을 실행한다. 예를 들어, 프로세서(1010)는 메모리(1020) 또는 저장 장치(1040)에 저장된 명령어들을 처리할 수 있다. 프로세서(1010)는 도 1 내지 도 9의 동작을 수행할 수 있다. 메모리(1020)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함할 수 있다. 메모리(1020)는 프로세서(1010)에 의해 실행하기 위한 명령어들을 저장할 수 있고, 전자 장치(1000)에 의해 소프트웨어 및/또는 애플리케이션이 실행되는 동안 관련 정보를 저장할 수 있다.
카메라(1030)는 사진 및/또는 비디오를 촬영할 수 있다. 저장 장치(1040)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함한다. 저장 장치(1040)는 메모리(1020)보다 더 많은 양의 정보를 저장하고, 정보를 장기간 저장할 수 있다. 예를 들어, 저장 장치(1040)는 자기 하드 디스크, 광 디스크, 플래쉬 메모리, 플로피 디스크 또는 이 기술 분야에서 알려진 다른 형태의 비휘발성 메모리를 포함할 수 있다.
입력 장치(1050)는 키보드 및 마우스를 통한 전통적인 입력 방식, 및 터치 입력, 음성 입력, 및 이미지 입력과 같은 새로운 입력 방식을 통해 사용자로부터 입력을 수신할 수 있다. 예를 들어, 입력 장치(1050)는 키보드, 마우스, 터치 스크린, 마이크로폰, 또는 사용자로부터 입력을 검출하고, 검출된 입력을 전자 장치(1000)에 전달할 수 있는 임의의 다른 장치를 포함할 수 있다. 출력 장치(1060)는 시각적, 청각적 또는 촉각적인 채널을 통해 사용자에게 전자 장치(1000)의 출력을 제공할 수 있다. 출력 장치(1060)는 예를 들어, 디스플레이, 터치 스크린, 스피커, 진동 발생 장치 또는 사용자에게 출력을 제공할 수 있는 임의의 다른 장치를 포함할 수 있다. 네트워크 인터페이스(1070)는 유선 또는 무선 네트워크를 통해 외부 장치와 통신할 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. 3차원 특징 맵을 획득하는 단계;
    상기 3차원 특징 맵에 따른 컨볼루션 연산을 수행하여 3차원 쿼리 데이터 및 3차원 키 데이터를 생성하는 단계;
    상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터의 수직 투영에 기초하여 2차원 수직 데이터를 생성하는 단계;
    상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터의 수평 투영에 기초하여 2차원 수평 데이터를 생성하는 단계;
    상기 2차원 수직 데이터 및 상기 2차원 수평 데이터에 기초한 곱셈 연산을 통해 중간 어텐션 결과를 결정하는 단계; 및
    상기 중간 어텐션 결과 및 상기 3차원 특징 맵에 기초한 곱셈 연산을 통해 최종 어텐션 결과를 결정하는 단계
    를 포함하는 셀프 어텐션 방법.
  2. 제1항에 있어서,
    상기 3차원 특징 맵, 상기 3차원 쿼리 데이터, 및 상기 3차원 키 데이터는 각각 채널 차원, 높이 차원, 및 폭 차원으로 표현되고,
    상기 2차원 수직 데이터는 상기 폭 차원 없이, 상기 채널 차원, 및 상기 높이 차원으로 표현되고,
    상기 2차원 수직 데이터는 상기 높이 차원 없이, 상기 채널 차원, 및 상기 폭 차원으로 표현되는,
    셀프 어텐션 방법.
  3. 제2항에 있어서,
    상기 수직 투영은 상기 폭 차원의 데이터를 평균화하고,
    상기 수평 투영은 상기 높이 차원의 데이터를 평균화하는,
    셀프 어텐션 방법.
  4. 제1항에 있어서,
    상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터를 생성하는 단계는
    상기 3차원 특징 맵 및 제1 웨이트 커널에 기초한 컨볼루션 연산을 통해 상기 3차원 쿼리 데이터를 생성하는 단계; 및
    상기 3차원 특징 맵 및 제2 웨이트 커널에 기초한 컨볼루션 연산을 통해 상기 3차원 키 데이터를 생성하는 단계
    를 포함하는, 셀프 어텐션 방법.
  5. 제1항에 있어서,
    상기 2차원 수직 데이터를 생성하는 단계는
    상기 3차원 쿼리 데이터에 관한 수직 투영을 수행하여 수직 2차원 쿼리 데이터를 생성하는 단계;
    상기 3차원 키 데이터에 관한 수직 투영을 수행하여 수직 2차원 키 데이터를 생성하는 단계;
    상기 수직 2차원 쿼리 데이터와 상기 수직 2차원 키 데이터에 기초한 곱셈 연산을 수행하여 곱셈 결과를 결정하는 단계; 및
    상기 곱셈 결과에 관한 투영을 수행하여 상기 2차원 수직 데이터를 생성하는 단계
    를 포함하는, 셀프 어텐션 방법.
  6. 제1항에 있어서,
    상기 2차원 수평 데이터를 생성하는 단계는
    상기 3차원 쿼리 데이터에 관한 수평 투영을 수행하여 수평 2차원 쿼리 데이터를 생성하는 단계;
    상기 3차원 키 데이터에 관한 수평 투영을 수행하여 수평 2차원 키 데이터를 생성하는 단계;
    상기 수평 2차원 쿼리 데이터와 상기 수평 2차원 키 데이터에 기초한 곱셈 연산을 수행하여 곱셈 결과를 결정하는 단계; 및
    상기 곱셈 결과에 관한 투영을 수행하여 상기 2차원 수평 데이터를 생성하는 단계
    를 포함하는, 셀프 어텐션 방법.
  7. 제1항에 있어서,
    최종 어텐션 결과를 결정하는 단계 이용되는 상기 3차원 특징 맵은 3차원 밸류 데이터에 해당하는,
    셀프 어텐션 방법.
  8. 제1항에 있어서,
    상기 최종 어텐션 결과를 결정하는 단계는
    상기 중간 어텐션 결과에 관한 정규화를 수행하는 단계; 및
    상기 정규화 결과 및 상기 3차원 특징 맵에 기초한 상기 곱셈 연산을 통해 상기 최종 어텐션 결과를 결정하는 단계
    를 포함하는, 셀프 어텐션 방법.
  9. 제8항에 있어서,
    상기 중간 어텐션 결과에 관한 상기 정규화는 소프트맥스 연산에 기초하여 수행되는,
    셀프 어텐션 방법.
  10. 제1항에 있어서,
    상기 2차원 수직 데이터 및 상기 2차원 수평 데이터에 기초한 상기 곱셈 연산은 행렬 곱셈 연산이고,
    상기 중간 어텐션 결과 및 상기 3차원 특징 맵에 기초한 상기 곱셈 연산은 픽셀 별 곱셈 연산인,
    셀프 어텐션 방법.
  11. 제1항에 있어서,
    상기 3차원 특징 맵의 획득, 상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터의 생성, 상기 2차원 수직 데이터의 생성, 상기 2차원 수평 데이터의 생성, 상기 중간 어텐션 결과의 결정, 및 상기 최종 어텐션 결과의 결정은 뉴럴 네트워크 기반의 영상 인식 모델의 셀프 어텐션 블록에 대응하여 수행되는,
    셀프 어텐션 방법.
  12. 제11항에 있어서,
    상기 3차원 특징 맵은 상기 영상 인식 모델의 입력 영상 또는 상기 영상 인식 모델의 컨볼루션 레이어의 출력 데이터에 해당하는,
    셀프 어텐션 방법.
  13. 제11항에 있어서,
    상기 최종 어텐션 결과에 기초하여 상기 영상 인식 모델의 인식 결과가 결정되는,
    셀프 어텐션 방법.
  14. 뉴럴 네트워크 기반의 영상 인식 모델의 제1 컨볼루션 레이어에 관해 컨볼루션 연산을 수행하여 3차원 특징 맵을 생성하는 단계;
    상기 영상 인식 모델의 셀프 어텐션 블록에 관해 상기 3차원 특징 맵에 기초한 셀프 어텐션을 수행하여 셀프 어텐션 결과를 결정하는 단계; 및
    상기 3차원 특징 맵에 상기 셀프 어텐션 결과를 적용하여 상기 영상 인식 모델의 인식 결과를 결정하는 단계
    를 포함하고,
    상기 셀프 어텐션 결과를 결정하는 단계는
    상기 3차원 특징 맵에 따른 컨볼루션 연산을 수행하여 3차원 쿼리 데이터 및 3차원 키 데이터를 생성하는 단계;
    상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터의 수직 투영에 기초하여 2차원 수직 데이터를 생성하는 단계;
    상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터의 수평 투영에 기초하여 2차원 수평 데이터를 생성하는 단계;
    상기 2차원 수직 데이터 및 상기 2차원 수평 데이터에 기초한 곱셈 연산을 통해 중간 어텐션 결과를 결정하는 단계; 및
    상기 중간 어텐션 결과 및 상기 3차원 특징 맵에 기초한 곱셈 연산을 통해 최종 어텐션 결과를 결정하는 단계
    를 포함하는, 영상 인식 방법.
  15. 제14항에 있어서,
    상기 3차원 특징 맵, 상기 3차원 쿼리 데이터, 및 상기 3차원 키 데이터는 각각 채널 차원, 높이 차원, 및 폭 차원으로 표현되고,
    상기 2차원 수직 데이터는 상기 폭 차원 없이, 상기 채널 차원, 및 상기 높이 차원으로 표현되고,
    상기 2차원 수직 데이터는 상기 높이 차원 없이, 상기 채널 차원, 및 상기 폭 차원으로 표현되는,
    영상 인식 방법.
  16. 제14항에 있어서,
    상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터를 생성하는 단계는
    상기 3차원 특징 맵 및 제1 웨이트 커널에 기초한 컨볼루션 연산을 통해 상기 3차원 쿼리 데이터를 생성하는 단계; 및
    상기 3차원 특징 맵 및 제2 웨이트 커널에 기초한 컨볼루션 연산을 통해 상기 3차원 키 데이터를 생성하는 단계
    를 포함하는, 영상 인식 방법.
  17. 제14항에 있어서,
    상기 2차원 수직 데이터를 생성하는 단계는
    상기 3차원 쿼리 데이터에 관한 수직 투영을 수행하여 수직 2차원 쿼리 데이터를 생성하는 단계;
    상기 3차원 키 데이터에 관한 수직 투영을 수행하여 수직 2차원 키 데이터를 생성하는 단계;
    상기 2차원 쿼리 데이터와 상기 2차원 키 데이터에 기초한 곱셈 연산을 수행하여 곱셈 결과를 결정하는 단계; 및
    상기 곱셈 결과에 관한 투영을 수행하여 상기 2차원 수직 데이터를 생성하는 단계
    를 포함하는, 영상 인식 방법.
  18. 하드웨어와 결합되어 제1항 내지 제17항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
  19. 프로세서; 및
    상기 프로세서에서 실행가능한 명령어들을 포함하는 메모리
    를 포함하고,
    상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는
    3차원 특징 맵을 획득하고,
    상기 3차원 특징 맵에 따른 컨볼루션 연산을 수행하여 3차원 쿼리 데이터 및 3차원 키 데이터를 생성하고,
    상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터의 수직 투영에 기초하여 2차원 수직 데이터를 생성하고,
    상기 3차원 쿼리 데이터 및 상기 3차원 키 데이터의 수평 투영에 기초하여 2차원 수평 데이터를 생성하고,
    상기 2차원 수직 데이터 및 상기 2차원 수평 데이터에 기초한 곱셈 연산을 통해 중간 어텐션 결과를 결정하고,
    상기 중간 어텐션 결과 및 상기 3차원 특징 맵에 기초한 곱셈 연산을 통해 최종 어텐션 결과를 결정하는,
    전자 장치.
  20. 제19항에 있어서,
    상기 3차원 특징 맵, 상기 3차원 쿼리 데이터, 및 상기 3차원 키 데이터는 각각 채널 차원, 높이 차원, 및 폭 차원으로 표현되고,
    상기 2차원 수직 데이터는 상기 폭 차원 없이, 상기 채널 차원, 및 상기 높이 차원으로 표현되고,
    상기 2차원 수직 데이터는 상기 높이 차원 없이, 상기 채널 차원, 및 상기 폭 차원으로 표현되는,
    전자 장치.
KR1020210155779A 2021-11-12 2021-11-12 셀프 어텐션 기반의 영상 인식 방법 및 장치 KR20230069607A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210155779A KR20230069607A (ko) 2021-11-12 2021-11-12 셀프 어텐션 기반의 영상 인식 방법 및 장치
US17/720,681 US20230154171A1 (en) 2021-11-12 2022-04-14 Method and apparatus with self-attention-based image recognition

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210155779A KR20230069607A (ko) 2021-11-12 2021-11-12 셀프 어텐션 기반의 영상 인식 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230069607A true KR20230069607A (ko) 2023-05-19

Family

ID=86323877

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210155779A KR20230069607A (ko) 2021-11-12 2021-11-12 셀프 어텐션 기반의 영상 인식 방법 및 장치

Country Status (2)

Country Link
US (1) US20230154171A1 (ko)
KR (1) KR20230069607A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102616381B1 (ko) * 2023-09-14 2023-12-21 주식회사 메타버즈 텍스트 기반 명령어를 통한 3d 모델링 구축 시스템 및 방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102651012B1 (ko) * 2021-11-24 2024-03-25 (주)스마트레이더시스템 4차원 레이더 신호처리 장치
CN115112669B (zh) * 2022-07-05 2023-05-26 重庆大学 一种基于小样本的路面无损检测识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102616381B1 (ko) * 2023-09-14 2023-12-21 주식회사 메타버즈 텍스트 기반 명령어를 통한 3d 모델링 구축 시스템 및 방법

Also Published As

Publication number Publication date
US20230154171A1 (en) 2023-05-18

Similar Documents

Publication Publication Date Title
CN112001914B (zh) 深度图像补全的方法和装置
US20210090327A1 (en) Neural network processing for multi-object 3d modeling
KR20230069607A (ko) 셀프 어텐션 기반의 영상 인식 방법 및 장치
KR101581112B1 (ko) 계층적 패턴 구조에 기반한 기술자 생성 방법 및 이를 이용한 객체 인식 방법과 장치
US11132392B2 (en) Image retrieval method, image retrieval apparatus, image retrieval device and medium
US20210224511A1 (en) Image processing method and apparatus using neural network
KR20210094456A (ko) 뉴럴 네트워크를 이용한 영상 처리 방법 및 장치
KR20220059194A (ko) 대상 객체에 적응적인 객체 추적 방법 및 장치
KR20210108082A (ko) 위상 차를 이용하는 라이브니스 검출 방법 및 장치
KR20230108075A (ko) 객체 인식 방법 및 장치
Sun et al. Deep Evolutionary 3D Diffusion Heat Maps for Large-pose Face Alignment.
KR20220065209A (ko) 다양한 품질의 영상을 인식하는 방법 및 장치
CN117315758A (zh) 面部表情的检测方法、装置、电子设备及存储介质
CN116912296A (zh) 一种基于位置增强注意力机制的点云配准方法
US11430150B2 (en) Method and apparatus for processing sparse points
KR20210087875A (ko) 희소 포인트 처리 방법 및 장치
KR20230092514A (ko) 렌더링 방법 및 장치
US11222237B2 (en) Reinforcement learning model for labeling spatial relationships between images
KR102080145B1 (ko) 오토 엔코더의 잠재 변수 사전을 이용한 물체 자세 추정 방법 장치
KR20220114209A (ko) 연사 영상 기반의 영상 복원 방법 및 장치
KR20220155882A (ko) 뉴럴 네트워크를 이용하는 데이터 처리 방법 및 장치
KR20210112834A (ko) 뉴럴 네트워크 내 레이어에 관한 컨볼루션 연산의 처리 방법 및 장치
KR20230065863A (ko) 인식 모델의 트레이닝 방법 및 장치
Zhao et al. A siamese network-based approach for vehicle pose estimation
KR20220021704A (ko) 중복성 감축 기반의 컨볼루션 연산 처리 방법 및 장치

Legal Events

Date Code Title Description
A201 Request for examination