KR20230127871A - 학습용 데이터셋을 생성하기 위한 방법 - Google Patents

Abstract

본 개시의 일 실시예에서, 컴퓨팅 장치에 의해 수행되는, 촬영된 영상으로부터 인공지능 모델의 학습용 데이터셋을 생성하기 위한 방법이 개시된다. 상기 방법은, 상기 촬영된 영상으로부터 3D 공간에 대응하는 3D 공간 데이터 및 3D 객체에 대응되는 3D 객체 데이터를 획득하는 단계; 상기 3D 공간 데이터 및 상기 3D 객체 데이터에 기초하여 2D 이미지를 생성하는 단계; 상기 2D 이미지에 기초하여 주석(annotation)을 생성하는 단계; 및 상기 2D 이미지 및 상기 주석을 포함하는 상기 학습용 데이터셋을 생성하는 단계; 를 포함할 수 있다.

Description

학습용 데이터셋을 생성하기 위한 방법{A METHOD FOR GENERATING A TRAINING DATASET}

본 개시는 정보 처리 분야에 관한 것으로, 보다 구체적으로 인공지능 모델의 학습용 데이터셋을 자동으로 생성하기 위한 방법에 관한 것이다.

인공지능 산업의 발전이 가속화됨에 따라, 인공지능 성능과 직결되는 학습용 데이터에 대한 양질의 발전도 함께 요구되고 있다.

학습용 데이터는 머신러닝 또는 딥러닝 등을 수행하는 인공지능 모델의 학습을 위해 활용되는 데이터를 의미하며, 원본 데이터와 원본 데이터에 활용 목적에 따라 라벨링(레이블링)한 데이터를 총칭하는 것이다.

일반적으로, 학습용 데이터는 훈련 데이터, 검증 데이터 및 시험(평가) 데이터 세가지로 구분되어 활용되고 있다.

구체적으로, 인공지능 모델은 훈련 데이터를 사용하여, 인공지능 모델에 포함되는 최적의 매개변수를 찾는 과정을 통해 학습될 수 있다. 그리고 인공지능 모델은 검증 데이터를 사용하여 매개변수를 수정할 수 있다. 마지막으로, 학습된 인공지능 모델은 학습 과정에서 사용되지 않은 시험 데이터를 사용하는 시험 과정을 통해 성능을 평가받을 수 있다.

따라서, 이러한 훈련 데이터, 검증 데이터 및 시험 데이터를 포함하는 고품질의 학습용 데이터의 구축을 위해, 대량의 데이터 수집, 가공 및 검증 등의 작업이 필요하고, 이러한 작업들에 많은 시간과 비용이 소요되고 있는 실정이다.

대한민국 공개특허공보 제10-2021-0078671호

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 효율적으로 인공지능 모델의 학습용 데이터셋을 자동으로 생성하기 위한 목적을 가진다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 개시의 일 실시예에서, 컴퓨팅 장치에 의해 수행되는, 촬영된 영상으로부터 인공지능 모델의 학습용 데이터셋을 자동으로 생성하기 위한 방법이 개시된다. 상기 방법은, 상기 촬영된 영상으로부터 3D 공간에 대응하는 3D 공간 데이터 및 3D 객체에 대응되는 3D 객체 데이터를 획득하는 단계; 상기 3D 공간 데이터 및 상기 3D 객체 데이터에 기초하여 2D 이미지를 생성하는 단계; 상기 2D 이미지에 기초하여 주석(annotation)을 생성하는 단계; 및 상기 2D 이미지 및 상기 주석을 포함하는 상기 학습용 데이터셋을 생성하는 단계; 를 포함할 수 있다.

일 실시예에서, 상기 3D 공간 데이터 및 객체 데이터를 획득하는 단계는, 상기 3D 공간 및 상기 3D 객체 각각에 대한 인덱스 넘버, 포지션, 노멀, 컬러 값을 갖는 버텍스(vertex) 데이터를 획득하는 단계; 를 포함할 수 있다.

일 실시예에서, 상기 2D 이미지를 생성하는 단계는, 상기 3D 공간을 변형 또는 이동하는 것에 대응하는 제 1 설정에 대응하도록 상기 3D 공간 데이터를 변경하는 단계; 및 상기 변경된 3D 공간 데이터 및 상기 3D 객체 데이터에 기초하여 상기 2D 이미지를 생성하는 단계; 를 포함할 수 있다.

일 실시예에서, 상기 2D 이미지를 생성하는 단계는, 상기 3D 객체 데이터에 포함된, 상기 3D 객체의 동작 및 자세 중 적어도 하나를 변경하는 것에 대응하는 제 2 설정에 대응하도록 상기 3D 객체 데이터를 변경하는 단계; 및 상기 3D 공간 데이터 및 상기 변경된 3D 객체 데이터에 기초하여 상기 2D 이미지를 생성하는 단계; 를 포함할 수 있다.

일 실시예에서, 상기 3D 객체 데이터를 변경하는 단계는, 상기 3D 객체 데이터에 기초하여 상기 3D 객체의 동작 및 자세를 제어하기 위한 포인트 - 상기 포인트는 인체의 관절에 대응함 - 를 결정하고, 그리고 상기 포인트의 위치를 변경하는 방식으로 상기 3D 객체의 동작 및 자세 중 적어도 하나를 변경하는 단계; 를 포함할 수 있다.

일 실시예에서, 상기 2D 이미지를 생성하는 단계는, 상기 3D 공간 데이터 및 상기 3D 객체 데이터에 기초하여, 상기 2D 이미지를 생성하는 과정에서 획득되는 중간 결과물 및 최종 결과물을 상기 2D 이미지로 생성하는 단계; 를 포함할 수 있다.

일 실시예에서, 상기 인공지능 모델은, 추론(inference) 과정에서, 촬영된 영상을 입력받아 상기 촬영된 영상 내의 객체의 동작 또는 자세를 출력할 수 있다.

일 실시예에서, 상기 주석을 생성하는 단계는, 상기 3D 공간 데이터 및 3D 객체 데이터를 획득하는 단계 및 상기 2D 이미지를 생성하는 단계에서 사용되는 행렬 함수를 사용하여 주석을 생성할 수 있다.

일 실시예에서, 상기 인공지능 모델은 제 1 서브 모델 및 제 2 서브 모델을 포함하며, 그리고 상기 주석을 생성하는 단계는: 상기 2D 이미지로부터 상기 3D 객체의 동작 또는 자세에 대한 인식 결과를 생성하는 단계; 상기 제 1 서브 모델에서 사용되는 제 1 라벨링(labeling) 기법에 대응하는 제 1 라벨링 정보를 생성하는 단계; 상기 제 2 서브 모델에서 사용되는 제 2 라벨링 기법에 대응하는 제 2 라벨링 정보를 생성하기 위한 단계 - 상기 제 1 라벨링 기법과 상기 제 2 라벨링 기법은 상이함 - ; 및 상기 인식 결과, 상기 제 1 라벨링 정보 및 상기 제 2 라벨링 정보를 포함하는 상기 주석을 생성하는 단계; 를 포함할 수 있다.

일 실시예에서, 상기 제 1 라벨링 기법은, 바운딩 박스 라벨링 기법, 폴리곤 라벨링 기법, 폴리라인 라벨링 기법, 포인트 라벨링 기법, 큐보이드 라벨링 기법 및 세그멘테이션 라벨링 기법 중 어느 하나를 포함하며, 그리고 상기 제 2 라벨링 기법은, 바운딩 박스 라벨링 기법, 폴리곤 라벨링 기법, 폴리라인 라벨링 기법, 포인트 라벨링 기법, 큐보이드 라벨링 기법 및 세그멘테이션 라벨링 기법 중 다른 하나를 포함할 수 있다.

일 실시예에서, 상기 학습용 데이터셋은, 제 1 서브 모델 및 상기 제 2 서브 모델로 입력되어 상기 제 1 서브 모델 및 상기 제 2 서브 모델을 지도 학습(supervised learning) 방식으로 학습시키며 그리고 상기 제 1 서브 모델은, 상기 학습용 데이터셋에 포함된 상기 주석에 기초하여, 상기 제 1 서브 모델에서 사용 가능한 상기 학습용 데이터셋에서의 정답(ground truth)에 대응되는 제 1 라벨을 생성하고, 그리고 상기 제 2 서브 모델은, 상기 학습용 데이터셋에 포함된 상기 주석에 기초하여, 상기 제 2 서브 모델에서 사용가능한 상기 학습용 데이터셋에서의 정답에 대응되는 제 2 라벨을 생성할 수 있다.

본 개시의 또다른 실시예에서, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시될 수 있다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 적어도 하나의 프로세서에 의해, 촬영된 영상으로부터 인공지능 모델의 학습용 데이터셋을 생성하는 명령들을 포함하며, 상기 명령들은, 상기 촬영된 영상으로부터 3D 공간에 대응하는 3D 공간 데이터 및 3D 객체에 대응되는 3D 객체 데이터를 획득하는 명령; 상기 3D 공간 데이터 및 상기 3D 객체 데이터에 기초하여 2D 이미지를 생성하는 명령; 상기 2D 이미지에 기초하여 주석을 생성하는 단계; 및 상기 2D 이미지 및 상기 주석을 포함하는 상기 학습용 데이터셋을 생성하는 명령; 을 포함할 수 있다.

본 개시의 또다른 실시예에서, 촬영된 영상으로부터 인공지능 모델의 학습용 데이터셋을 생성하는 컴퓨팅 장치가 개시될 수 있다. 상기 촬영된 영상을 획득하는 영상 획득부; 상기 촬영된 영상에 대응하는 3D 공간 데이터, 3D 객체 데이터, 학습용 데이터셋 및 학습용 데이터셋을 생성하는 프로그램을 저장하는 저장부; 상기 학습용 데이터셋을 생성하는 적어도 하나의 프로세서; 를 포함할 수 있다. 상기 적어도 하나의 프로세서는 추가적으로, 상기 촬영된 영상으로부터 3D 공간에 대응하는 3D 공간 데이터 및 3D 객체에 대응되는 3D 객체 데이터를 획득하고; 상기 3D 공간 데이터 및 상기 3D 객체 데이터에 기초하여 2D 이미지를 생성하고; 상기 생성된 2D 이미지에 기초하여 주석을 생성하고; 그리고 상기 2D 이미지 및 상기 주석을 포함하는 상기 학습용 데이터셋을 생성할 수 있다.

일 실시예에서, 상기 영상 획득부는 카메라 모듈을 포함할 수 있으며, 그리고

상기 프로세서에 의해, 상기 3D 공간의 변형 또는 이동에 관한 설정을 변경하는 제 1 설정에 대응하도록 상기 카메라 모듈이 제어될 수 있다.

본 개시의 일 실시예에 따른 방법은 효율적인 방식으로 인공지능 모델의 학습용 데이터셋을 생성할 수 있다.

본 개시의 적용 가능성의 추가적인 범위는 이하의 상세한 설명으로부터 명백해질 것이다. 그러나 본 발명의 사상 및 범위 내에서 다양한 변경 및 수정은 당업자에게 명확하게 이해될 수 있으므로, 상세한 설명 및 본 발명의 바람직한 실시 예와 같은 특정 실시 예는 단지 예시로 주어진 것으로 이해되어야 한다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 특정 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 몇몇 실시예에 따른 학습용 데이터셋을 생성하는 예시적인 컴퓨팅 장치의 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 학습용 데이터셋을 생성하는 일례의 방법의 흐름도이다.
도 3은 본 개시의 몇몇 실시예에 따른 학습용 데이터셋을 생성하는 예시적인 환경에 대한 개략도이다.
도 4는 본 개시의 몇몇 실시예에 따른 학습용 데이터셋을 생성하는 예시적인 환경에 대한 개략도이다.
도 5는 본 개시의 몇몇 실시예에 따른 학습용 데이터셋의 활용에 대한 예시적인 개략도이다.
도 6은 본 개시의 몇몇 실시예에 따른 학습용 데이터셋을 생성하는 일례의 방법의 흐름도이다.
도 7은 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 8은 본 개시의 내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도이다.

다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 감지될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다. 구체적으로, 본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다.

이하, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략한다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다.

본 개시내용에서의 제 1, 제 2, 또는 제 3 과 같이 제 N 으로 표현되는 용어들은 적어도 하나의 엔티티들을 구분하기 위해 사용된다. 예를 들어, 제 1 과 제 2로 표현된 엔티티들은 서로 동일하거나 또는 상이할 수 있다.

비록 제 1, 제 2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제 1 구성요소는 본 발명의 기술적 사상 내에서 제 2 구성요소 일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

더불어, 본 명세서에서 사용되는 용어 "정보" 및 "데이터"는 종종 서로 상호교환 가능하도록 사용될 수 있다.

본 개시의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 개시를 설명하는데 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로써 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.

그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

이하, 도 1 내지 도 8을 참조하여, 인공지능 모델의 학습용 데이터셋을 생성하는 방법 및 예시들에 대해 설명한다.

도 1은 본 개시의 몇몇 실시예에 따른 학습용 데이터셋을 생성하는 예시적인 컴퓨팅 장치의 구성도이다.

도 1을 참조하면, 컴퓨팅 장치(100)는 프로세서(110), 저장부(120) 및 영상 획득부(130)를 포함할 수 있다. 다만, 상술한 구성 요소들은 컴퓨팅 장치(100)를 구현하는데 있어서 필수적인 것은 아니어서, 컴퓨팅 장치(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.

본 개시에서, 컴퓨팅 장치(100)는 통상적인 서버일 수 있다. 여기서, 서버는 네트워크 자원(resource)을 사용자가 공유하는 시스템으로 사용자가 필요한 만큼 대여하여 원하는 시점에 네트워크를 통해 사용하는 컴퓨팅 환경일 수 있다. 이러한 서버 기반의 시스템은 퍼블릭 클라우드(Public Cloud), 사설 클라우드(Private Cloud), 하이브리드 클라우드(Hybrid Cloud), 커뮤니티 클라우드(Community Cloud)와 같은 배치모델(Deployment Model) 또는 IaaS(Infrastructure as a Service), PaaS(Platform as a Service), SaaS(Software as a Service)와 같은 서비스 모델(Service Model) 등을 포함할 수 있다.

다만, 본 개시에서의 컴퓨팅 장치(100)는 이러한 서버 기반 시스템에 한정되는 것은 아니며, 중앙 집중 방식 또는 엣지 컴퓨팅 방식에서도 본 개시내용의 실시예에 따라 구현 가능할 것이다. 추가적으로, 구현 양태에 따라서, 컴퓨팅 장치(100)는 사용자 단말로 구현 가능할 수도 있다.

본 개시의 일 실시예에서 프로세서(110)는 통상적으로 컴퓨팅 장치(100)의 동작 및 데이터를 처리할 수 있는 모든 종류의 장치 및/또는 프로그램을 포함할 수 있다. 예를 들어, 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로서, 마이크로프로세서 (microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

예를 들어, 학습용 데이터셋을 생성하는 경우, 컴퓨팅 장치(100)는 저장부(120)에 저장된 학습용 데이터셋을 생성하는 프로그램들을 사용하여 학습용 데이터셋을 생성하기 위한 과정을 수행할 수 있다. 즉, 프로세서(110)는 위의 과정을 포함하는 학습용 데이터셋을 생성하는 전체 과정을 제어하며, 이에 한정되는 것은 아니다.

본 개시내용의 추가적인 실시예에서, 저장부(120)는 컴퓨팅 장치(100)와 별개인 다른 컴퓨팅 장치(예컨대, 다른 서버 또는 다른 사용자 단말)에 포함될 수도 있다. 이러한 경우, 컴퓨팅 장치(100)는 다른 컴퓨팅 장치와 통신하여, 다른 컴퓨팅 장치에 포함된 저장부(120)로부터 원하는 데이터를 획득할 수 있다. 예를 들어, 저장부(120)를 포함하는 데이터셋을 생성하는 서버(미도시)가 컴퓨팅 장치(100)와 별개로 존재할 수 있으며, 컴퓨팅 장치(100)는 본 개시내용의 실시예들에 따른 방법을 수행하는데 있어서 필요한 데이터를 데이터셋을 생성하는 서버로부터 획득할 수 있다.

본 개시의 일 실시예에서 저장부(120)는 메모리 및/또는 영구저장매체를 포함할 수 있다. 메모리는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

본 개시에서, 영구저장매체는, 예를 들어 자기(magnetic) 디스크, 광학(optical) 디스크 및 광자기(magneto-optical) 저장 디바이스뿐만 아니라 플래시 메모리 및/또는 배터리-백업 메모리에 기초한 저장 디바이스와 같은, 임의의 데이터를 지속적으로 할 수 있는 비-휘발성(non-volatile) 저장 매체를 의미할 수 있다. 이러한 영구 저장 매체는 통신부와 같은 다양한 통신 수단을 통하여 컴퓨팅 장치(100)의 프로세서(110) 및 저장부(120)와 통신할 수 있다. 추가적인 실시예에서, 이러한 영구 저장 매체는 컴퓨팅 장치(100) 외부에 위치하여 컴퓨팅 장치(100)와 통신 가능할 수도 있다. 본 개시내용의 일 실시예에 따라 영구저장매체 및 메모리는 저장부(120)로 통칭될 수도 있다. 추가적인 실시예에서, 본 명세서에서의 영구저장매체는 저장부(120)와 상호교환 가능하게 사용될 수도 있다.

본 개시의 일 실시예에서, 영상 획득부(130)는 3D 공간(10) 및 3D 객체(20)를 포함하는 실제 공간(200)에서 3D 공간(10)에 대응하는 3D 공간 데이터 및 3D 객체(20)에 대응하는 3D 객체 데이터를 획득하는 모듈을 의미할 수 있다. 일 실시예에서, 영상 획득부(130)는 실제 공간(200)을 촬영하여 영상을 획득하는 카메라 모듈을 포함할 수 있다.

일 실시예에서, 3D 공간 데이터는 영상 획득부(130)에 의해 촬영된 영상에서 3D 객체 데이터를 둘러싸고 있는, 3D 객체(20)를 제외한 나머지 영역을 의미할 수 잇다. 그리고, 3D 객체(20)는 움직이는 사물일 수 있으며, 움직이는 사물은 사람, 자동차, 동물 등을 포함할 수 있다. 다만, 3D 객체(20)는 이에 한정되지 않으며, 움직이지 않는 사물 또한 포함할 수 있다.

컴퓨팅 장치(100)가 데이터셋을 생성하는 구체적인 방법은 이하, 도 2를 참조하여 설명한다.

도 2는 본 개시의 몇몇 실시예에 따른 학습용 데이터셋을 생성하는 일례의 방법의 흐름도이다.

도 2 를 참조하면, S100단계에서, 컴퓨팅 장치(100)는 영상 획득부(130)에 의해 촬영된 영상으로부터 3D 공간(10)에 대응하는 3D 공간 데이터 및 3D 객체(20)에 대응되는 3D 객체 데이터를 획득할 수 있다.

구체적으로, 3D 공간(10)은 3D 객체(20)를 제외한, 3D 객체(20)를 포함하는 현실 공간을 의미할 수 있다. 그리고, 3D 공간 데이터는 컴퓨팅 장치(100)에서 3D 공간(10)에 대응하는, 3D 공간(10)을 이미지 형태로 표현한 정보를 포함할 수 있다. 일 실시예에서, 컴퓨팅 장치(100)는 3D 공간(10) 또는 3D 공간 데이터를 변형하여 복수의 2D 이미지를 획득할 수 있다. 예를 들어, 3D 공간(10)이 낮시간대의 밝은 배경을 제 1 3D 공간 데이터로 획득한 컴퓨팅 장치(100)는 낮 시간대의 3D 공간(10)을 밤시간대의 어두운 배경으로 변경하고, 변경된 제 1 3D 공간 데이터를 제 2 3D 공간 데이터로 추가로 획득할 수 있다.

구체적으로, 3D 객체(20)는 3D 공간(10)에 존재하는 인공지능 모델이 동작 및 자세를 인식하고자 하는 객체를 의미할 수 있다. 예를 들어, 3D 객체(20)는 현실 공간에 존재하는 사람, 동물, 자동차 등의 사물을 의미할 수 있다. 그리고 3D 객체 데이터는 컴퓨팅 장치(100)에서 3D 객체(20)에 대응하는, 3D 객체(20)를 이미지 형태로 표현한 정보를 포함할 수 있다.

일 실시예에서, 3D 공간 데이터 및 3D 객체 데이터는 3D 공간(10) 및 3D 객체(20)의 특정 포인트에 번호를 부여한 인덱스 넘버(index number), 3D 공간(10)에서 3D 객체(20)의 위치를 정의하는 포지션(position), 3D 공간(10) 및 3D 객체(20)를 정점, 방향 벡터, 법선 등으로 대체한 노멀(normal), 3D 공간(10) 및 3D 객체(20)를 색상으로 표현한 컬러 값(color value)을 갖는 버텍스(vertex) 데이터를 포함할 수 있다.

일 실시예에 따른 S200단계에서, 컴퓨팅 장치(100)는 3D 공간 데이터 및 3D 객체 데이터에 기초하여 2D 이미지를 생성할 수 있다.

구체적으로, 2D 이미지를 생성하는 경우, 컴퓨팅 장치(100)는 카메라 모듈(30)의 위치, 각도, 색상, 조명 등을 변형 또는 이동하여 3D 공간 데이터를 변경하는 것에 대응하는 제 1 설정을 획득할 수 있다. 그리고 컴퓨팅 장치(100)는 3D 객체 데이터에 포함된, 3D 객체(20)의 동작 및 자세 중 적어도 하나를 변경하는 것에 대응하는 제 2 설정을 획득할 수 있다. 예를 들어, 3D 객체(20)의 동작 및/또는 자세를 변경하는 것은 3D 객체(20)가 사람인 경우, 사람이 서있는 자세에서 넘어지는 동작을 행하고 바닥에 엎드려 있는 자세로 변경되는 것을 의미할 수 있다. 변경된 3D 공간 데이터 및 3D 객체 데이터에 기초하여, 컴퓨팅 장치(100)는 복수의 2D 이미지를 생성할 수 있다.

일 실시예에 따른 S300단계에서, 컴퓨팅 장치(100)는 2D 이미지에 기초하여 주석(annotation)을 생성할 수 있다. 구체적으로, 주석은 인공지능 모델이 지도학습 등의 방식으로 데이터를 학습하는 경우 사용하는 데이터 또는 데이터의 일부일 수 있다. 본 개시에서 주석은 인공지능 모델이 학습을 위해 2D 이미지를 획득하는 경우, 2D 이미지와 함께, 2D 이미지에 대응하는 정답 결과를 획득하도록, 2D 이미지에 대응하는 정보를 포함할 수 있다.

일 실시예에서, 컴퓨팅 장치(100)는 주석을 생성하는 단계에서 2D 이미지로부터 3D 객체(20)의 동작 또는 자세에 대한 인식 결과를 생성할 수 있다. 예를 들어, 3D 객체(20)가 사람인 경우, 컴퓨팅 장치(100)는 사람의 행위에 대응하는 3D 객체(20)의 '넘어짐', '일어남', 앉음' 및 '서있음' 등을 인식 결과로 획득할 수 있다.

일 실시예에 따른 S400단계에서, 컴퓨팅 장치(100)는 2D 이미지 및 주석에 기초하여 학습용 데이터셋을 생성할 수 있다.

일 실시예에서, 학습용 데이터셋은 인공지능 모델이 지도학습 등의 방식으로 데이터를 학습하는 경우 사용되는 2D 이미지와 2D 이미지에 대응하는 주석을 포함하는 데이터일 수 있다.

구체적으로, 컴퓨팅 장치(100)는 3D 공간 데이터 및/또는 3D 객체 데이터에 기초하여 2D 이미지를 획득하고, 2D 이미지의 객체 인식 및 2D 이미지의 자세 및/또는 동작에 대응하는 라벨링 데이터를 포함하는 주석을 생성한 후, 2D 이미지와 주석을 포함하는 학습용 데이터셋을 생성할 수 있다. 그리고 컴퓨팅 장치(100)는 3D 공간 데이터 및/또는 3D 객체 데이터의 변형 등을 통해 복수의 2D 이미지, 주석 및 학습용 데이터셋을 생성할 수 있다. 이렇게 생성된 복수의 학습용 데이터셋을 통해 인공지능 모델은 3D 객체(20) 및/또는 3D 객체(20)의 자세 또는 동작을 인식하도록 학습되는 효과를 얻을 수 있다.

도 3은 본 개시의 몇몇 실시예에 따른 학습용 데이터셋을 생성하는 예시적인 환경에 대한 개략도이다.

도 3을 참조하면, 일 실시예에서, 3D 공간(10)은 2D 객체(20)를 포함하고, 카메라 모듈(30)은 3D 공간(10)에 위치할 수 있다. 그리고 컴퓨팅 장치(100)는 획득된 2D 이미지(40)에 기초하여 학습용 데이터셋에 사용할 주석에 대응하는 주석용 데이터(50)를 생성할 수 있다.

일 실시예에서, 주석용 데이터(50)는 2D 이미지(40)에 대응하는, 객체를 인식하는 기법을 통해 제 1 기법에 의해 인식된 객체(51) 및/또는 제 2 기법에 의해 인식된 객체(52)를 획득하도록 하는 정보를 포함할 수 있다. 주석용 데이터(50)는 제 1 기법 및 제 2 기법 외에도 복수의 기법을 포함할 수 있다.

일 실시예에서, 제 1 기법에 의해 인식된 객체(51)는 객체를 점으로 획득하는 포인트 라벨링 기법에 대응하는 결과 데이터를 포함할 수 있다. 그리고 제 2 기법에 의해 인식된 객체(52)는 객체를 둘러싼 박스로 획득하는 바운딩 박스 기법에 대응하는 결과를 포함할 수 있다.

일 실시예에서, 카메라 모듈(30)은 컴퓨팅 장치(100)의 영상 획득부(130)에 포함될 수 있다. 그리고 컴퓨팅 장치(100)는 도 2를 참조하여, 3D 공간(10)의 변형 또는 이동에 관한 설정을 변경하는 제 1 설정에 대응하도록 카메라 모듈(30)의 위치, 조명(조도), 조리개 등을 변경하여 카메라 모듈(30)이 바라보는 각도, 거리 등을 변경할 수 있다.

일 실시예에서, 제 1 설정으로 인한 3D 공간(10)의 변형은 카메라 모듈(30)의 제어와 관계없이 3D 공간(10)에 대응하는 3D 공간 데이터가 컴퓨팅 장치(100)에 의해 그림자에 영향을 미치는 조명, 촬영하는 각도, 촬영하는 위치, 텍스쳐(texture) 등이 변경된 것을 의미할 수도 있다. 그리고 컴퓨팅 장치(100)는 변형된 복수의 3D 공간(10)에 대응하는 3D 공간 데이터를 통해 2D 이미지(40)를 획득하여 복수의 학습용 데이터셋(70)을 생성할 수 있다.

도 4는 본 개시의 몇몇 실시예에 따른 학습용 데이터셋을 생성하는 예시적인 환경에 대한 개략도이다.

도 4를 참조하면, 3D 객체 데이터는(21)는 3D 객체(20)의 동작 및 자세를 제어하기 위한, 인체의 관절에 대응하는 포인트(22) 포함할 수 있다. 그리고 컴퓨팅 장치(100)는 포인트(22)의 위치를 변경하는 방식으로 3D 객체(20)의 동작 및 자세 중 적어도 하나를 변경할 수 있다.

구체적으로, 컴퓨팅 장치(100)는 3D 객체(20)의 동작 및/또는 자세를 변형하도록 포인트(22)의 위치를 변경하도록 하는 제 2 설정을 생성할 수 있다. 그리고 컴퓨팅 장치(100)는 제 2 설정에 대응하도록 동작 및/또는 자세가 변형된 3D 객체(20)에 대한 3D 객체 데이터(21) 및 2D 이미지(40)를 획득할 수 있다.

일 실시예에서, 컴퓨팅 장치(100)는 그래픽 엔진을 사용하여 3D 객체(20)의 동작 및/또는 자세를 변형할 수도 있다.

그리고 컴퓨팅 장치(100)는 변형된 복수의 3D 객체(20)에 대응되는 데이터들을 이용하여 복수의 2D 이미지(40)를 획득하고 획득된 복수의 2D 이미지(40) 개수만큼의 학습용 데이터셋(70)을 생성할 수 있다.

일 실시예에서, 컴퓨팅 장치(100)는 3D 객체(20)의 특성을 부여할 수 있는 범위 및/또는 정의에 해당하는 클래스를 설정할 수 있다. 그리고 설정된 클래스는 수정 및/또는 삭제가 가능할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 사람을 클래스로 설정할 수 있고, 남자, 여자, 어른, 아이 등을 사람에 포함되는 다른 클래스로 설정할 수 있다. 마찬가지로, 컴퓨팅 장치(100)는 차량을 클래스로 설정할 수 있고, 승용차, 버스, 트럭 등을 차량 클래스 안에 포함되는 다른 클래스로 설정할 수 있다.

도 5는 본 개시의 몇몇 실시예에 따른 학습용 데이터셋의 활용에 대한 예시적인 개략도이다.

도 5를 참조하면, 학습용 데이터셋(70)은 2D 이미지(40) 및/또는 주석(60)을 포함할 수 있다. 학습용 데이터셋(70)은 열거된 예시 외에도 인공지능 모델(300)을 학습시키기 위한 추가적인 구성을 포함할 수 있다.

일 실시예에서, 인공지능 모델(300)은 제 1 서브 모델(310) 및 제 2 서브 모델(320)을 포함할 수 있다. 구체적으로, 제 1 서브 모델(310) 및 제 2 서브 모델(320)은 각각 바운딩 박스(bounding box) 기법, 폴리곤(polygon) 기법, 폴리라인(polyline) 기법, 포인트(point) 기법, 큐보이드(cuboid) 기법 및 세그멘테이션(segmentation) 기법 중 서로 다른 하나에 대응하도록 학습된 인공지능 모델일 수 있다. 구체적으로, 학습용 데이터셋(70)에 의해 학습된 인공지능 모델(300)은 추론(inference) 과정에서, 촬영된 영상을 입력 받아 촬영된 영상 내의 객체의 동작 또는 자세를 출력할 수 있다.

일 실시예에서, 제 1 서브 모델(310) 및 제 2 서브 모델(320)은 하나의 인공지능 모델(300)에 통합되거나 또는 서로 다른 인공지능 모델(300)에 각각 포함될 수도 있다. 그리고 인공지능 모델(300)은 제 1 서브 모델(310) 및 제 2 서브 모델(320) 외의 다른 인공지능 서브 모델들을 포함할 수도 있다.

그리고, 컴퓨팅 장치(100)는 제 1 서브 모델(310)에서 사용되는 제 1 라벨링(labeling) 기법에 대응하는 제 1 라벨링 정보를 생성하고, 제 2 서브 모델(320)에서 사용되는 제 2 라벨링 기법에 대응하는 제 2 라벨링 정보를 생성할 수 있다. 다만, 제 1 라벨링 기법과 제 2 라벨링 기법은 서로 상이한 기법이다. 그리고, 컴퓨팅 장치(100)는 인식 결과에 기초하여 제 1 라벨링 정보 및 제 2 라벨링 정보를 포함하는 주석을 생성할 수 있다.

일 실시예에서, 제 1 라벨링 기법은 바운딩 박스 라벨링 기법, 폴리곤 라벨링 기법, 폴리라인 라벨링 기법, 포인트 라벨링 기법, 큐보이드 라벨링 기법 및 세그멘테이션 라벨링 기법 중 어느 하나를 포함하며, 그리고 제 2 라벨링 기법은 바운딩 박스 라벨링 기법, 폴리곤 라벨링 기법, 폴리라인 라벨링 기법, 포인트 라벨링 기법, 큐보이드 라벨링 기법 및 세그멘테이션 라벨링 기법 중 제 1 라벨링 기법과 다른 하나를 포함할 수 있다.

일 실시예에서, 제 1 서브 모델(310) 및 제 2 서브 모델(320)은 학습용 데이터셋(70)을 입력데이터로 획득할 수 있다. 그리고 제 1 서브 모델(310) 및 제 2 서브 모델(320)은 지도 학습(supervised learning) 방식으로 학습될 수 있다.

구체적으로, 제 1 서브 모델(310)은 학습용 데이터셋(70)에 포함된 2D 이미지(40) 및/또는 주석(60)에 기초하여, 제 1 서브 모델(310)에서 사용 가능한 학습용 데이터셋(70)에서의 정답(ground truth)에 대응되는 제 1 라벨을 생성할 수 있다. 그리고 제 2 서브 모델(320)은 학습용 데이터셋(70)에 포함된 주석(60)에 기초하여, 제 2 서브 모델(320)에서 사용가능한 학습용 데이터셋(70)에서의 정답에 대응되는 제 2 라벨을 생성할 수 있다.

일 실시예에서, 인공지능 모델(300) 및/또는 제 1 서브 모델(310)은 제 1 라벨에 의해 제 1 기법에 대응하는 결과물을 생성하도록 학습될 수 있다. 구체적으로, 제 1 서브 모델(310)은 학습용 데이터셋(70)을 획득하고, 주석(60)의 제 1 서브 모델(310)에 대응하는, 2D 이미지(40)의 포인트 라벨링 기법에 관련된 내용에 기초한 결과를 생성할 수 있다.

그리고, 인공지능 모델(300) 및/또는 제 2 서브 모델(320)은 제 2 라벨에 의해 제 2 기법에 대응하는 결과물을 생성하도록 학습될 수 있다. 구체적으로, 제 2 서브 모델(320)은 학습용 데이터셋(70)을 획득하고, 주석(60)의 제 2 서브 모델(320)에 대응하는, 2D 이미지(40)의 바운딩 박스 라벨링 기법에 관련된 내용에 기초한 결과를 생성할 수 있다.

위와 같은 방법으로 생성된 학습용 데이터셋(70)을 통해 학습된 인공지능 모델(300)은 하나의 학습용 데이터셋(70)으로 인공지능 모델(300)에 포함된 복수의 서브 모델을 학습할 수 있다는 효과가 발생된다. 예를 들어, 인공지능 모델(300)은 하나의 학습용 데이터셋(70)으로부터 포인트 라벨링 기법과 바운딩 박스 라벨링 기법에 대응하는 결과를 획득할 수 있다는 효과가 발생된다.

도 6은 본 개시의 몇몇 실시예에 따른 학습용 데이터셋을 생성하는 일례의 방법의 흐름도이다.

도 6을 참조하면, S10단계에서, 컴퓨팅 장치(100)는 영상 획득부(130)를 이용하여 3D 객체(20)에 대응하는 3D 객체 데이터 획득하고 S20단계에서, 컴퓨팅 장치(100)는 3D 객체(20)에 기초하여 3D 객체 데이터로부터 2D 이미지(40)를 획득하는 과정인 렌더링(Rendering) 작업을 수행할 수 있다.

구체적으로, 렌더링 작업은 3D 객체(20)로부터 인덱스 넘버, 포지션, 노멀, 컬러 값을 가지는 버텍스로 이루어진 객체 데이터를 획득하고, 복수의 버텍스로 이루어진 폴리곤을 생성하고, 폴리곤들을 3차원 공간상의 면을 이루는 집합에 대응하는 메쉬(mesh)를 생성할 수 있다. 그리고 렌더링 작업은 객체 데이터를 받아온 초기 버텍스의 위치값인 로컬(객체) 좌표계 상태에 월드 변환 행렬을 곱하여 월드 좌표계로 변환하는 작업을 포함할 수 있다. 그리고 렌더링 작업은 월드 행렬로 변환된 객체 데이터에 카메라 행렬을 곱하여 카메라 좌표계로 변환하고, 카메라 행렬로 정렬된 버텍스들에 행렬 함수(500, 투영 행렬)를 곱하여 원근 투영을 하는 작업을 포함할 수 있다. 일 실시예에서, 행렬 함수(500)는 행렬 함수(500)에 입력되는 특정 공간에 대응하는 데이터를 다른 공간으로 투영(projection)시키는 수학적 식을 의미할 수 있다.

일 실시예에서 S20단계가 완료된 후 컴퓨팅 장치(100)는 S21단계에서, 인공지능 모델을 학습시키기 위한 학습 이미지를 생성할 수 있다. 학습 이미지는 2D 이미지(40)에 대응하는 S20단계에서 생성 또는 획득되는 중간 결과물 및 최종 결과물 등을 포함할 수 있다.

일 실시예에서 컴퓨팅 장치(100)는 S30단계에서, S10단계에서 획득된 포인트 좌표 정보(400)와 S10단계 및 S20단계에서 사용되는 행렬 함수(500)를 사용하여 포인트 좌표를 계산할 수 있다. 포인트 좌표는 3D 객체(20)의 포인트(22)에 대응하는 정보일 수 있다.

그리고 S30단계가 완료된 후 컴퓨팅 장치(100)는 S31단계에서, 2D 이미지(40) 및/또는 주석용 데이터(50)에 관련된 정보를 인공지능 모델(300)이 학습할 수 있는 데이터 형태(구조)로 변환하는 작업을 수행하여 주석(60)을 생성할 수 있다. 예를 들어, 인공지능 모델(300)이 YOLO 딥러닝 네트워크인 경우, 주석(60)은 TXT 파일 포맷 형태로 바운딩 박스 값을 0~1 사이로 정규화한 값을 포함할 수 있다.

일 실시예에서, 학습용 데이터셋(70)은 객체 인식(object detection), 데이터 세그멘테이션(data segmentation) 등을 하기 위한 데이터의 집합이며, XML, JSON, CSV, TXT 등의 파일 형태로 변환되어 저장될 수 있다.

위와 같은 방법으로, 컴퓨팅 장치(100)는 임의의 3D 객체(20)의 라벨링된 데이터에 대응하는 복수의 학습용 이미지인 2D 이미지(40)가 생성되고 복수의 2D 이미지(40)에 대응하는 복수의 주석(60) 및 학습용 데이터셋(70)을 생성할 수 있다는 효과를 획득하게 된다.

도 7은 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 인공지능 기반 모듈 또는 모델, 인공지능 모듈 또는 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

입력 데이터가 인공지능 모델의 입력 레이어에 입력되기 전에, 본 개시내용의 일 실시예에 따른 전처리 기법들이 수행될 수 있다. 그리고 전처리 기법들에는 입력 데이터의 크기를 기 설정된 크기 이하로 축소시키는 단계, 또는 입력 데이터 중 불필요한 데이터를 삭제하는 단계 등을 포함할 수 있다.

본 개시에서 입력 레이어에 입력되는 입력 데이터는 2D 이미지(40)와 주석(60)을 포함하는 학습용 데이터셋(70)을 포함할 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 이미지 또는 사진의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

일 실시예에서 인공지능 모델에 포함된 뉴럴 네트워크는 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 반지도학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 지도 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비지도 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비지도 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

본 개시에서 인공지능 모델(300)은 지도 학습을 하는 경우, 학습용 데이터셋(70)을 반복적으로 획득하여 파라미터 또는 가중치에 대응하는 데이터를 획득하고 갱신할 수 있다. 그리고, 컴퓨팅 장치(100)는 학습용 데이터셋(70)을 생성하는 과정에서도 인공지능 모델(300)을 사용하여 자동으로 학습용 데이터셋(70)을 생성할 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

제한이 아닌 예로서, 가중치는 신경망(뉴럴 네트워크) 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

일 실시예에서 신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 8은 본 개시의 내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도이다.

도 8을 참조하면, 컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 입력 장치 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 3개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 상기 컴퓨터는 단말기의 프로세서를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (1)

1. 인공지능 모델의 학습용 데이터셋을 생성하기 위한 방법.