KR20230131787A - 세그먼트된 동영상의 벡터화를 이용하는 동영상 검색 방법 및 장치 - Google Patents

Abstract

본 개시의 일 실시예에 따라, 컴퓨팅 장치에 의해 수행되는 동영상 검색 방법이 개시된다. 상기 방법은: 하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 키 프레임 검출 모듈에 의해, 하나 이상의 동영상 데이터에 포함되는 하나 이상의 유닛 동영상 데이터로부터 각각 생성되는 하나 이상의 인코딩된 벡터들에 기초하여, 상기 하나 이상의 동영상 데이터에 대한 키 프레임 정보를 식별하는 단계; 상기 식별된 키 프레임 정보에 기초하여, 상기 하나 이상의 동영상 데이터를 하나 이상의 검색 대상 동영상 데이터로 세그먼트하는 단계; 및 하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 검색 벡터 생성 모듈에 의해, 상기 하나 이상의 검색 대상 동영상 데이터를 각각 대표하는 하나 이상의 검색 동영상 벡터들을 생성하는 단계; 를 포함할 수 있다.

Description

세그먼트된 동영상의 벡터화를 이용하는 동영상 검색 방법 및 장치{VIDEO RETRIEVAL METHOD AND APPARATUS USING VECTORIZING SEGMENTED VIDEOS}

본 발명은 컴퓨터 기술 분야에 관한 것이며, 구체적으로 동영상 데이터의 검색을 수행하기 위한 방법 및 장치에 관한 것이다.

동영상 데이터는 현재 생성되는 데이터의 80%를 차지하고 있다. 동영상 데이터는 시각 데이터 뿐 아니라, 오디오 데이터, 텍스트 데이터, 동영상 내의 객체(object)들의 상호작용에 따른 의미론적(semantic) 데이터와 같은 비 시각 데이터를 포함하는 비정형의 멀티 모달(multi modal) 데이터인 특성을 가진다.

데이터에 포함된 데이터를 검색하기 위해, 종래의 검색 방식은 사람에 의해 부가된 해시태그나 영상 제목·설명에 포함한 키워드에 의존한다. 종래의 방식은 기하급수적으로 증가하고 있는 비디오 데이터를 처리하는데 많은 시간 및 비용 낭비를 초래할 수 있고, 해시태그, 영상 제목 및 설명 등에 포함된 정보의 신뢰도에 따라 검색의 품질이 좌우된다.

따라서, 시각 정보에 특화한 기존 비디오 검색 기술에서 진일보해 음성과 시간적 문맥 등의 다양한 정보까지 종합적으로 인식 및 처리할 수 있는 비디오 검색 기술에 대한 수요가 존재한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 비디오 검색(video retrieval, VR) 작업 및 비디오 일부 순간 검색(Video Corpus Moment Retrieval, VCMR) 작업을 수행하는 방법 및 장치를 제공하는 것을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨팅 장치에 의해 수행되는 동영상 검색 방법이 개시된다. 상기 방법은: 하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 키 프레임 검출 모듈에 의해, 하나 이상의 동영상 데이터에 포함되는 하나 이상의 유닛 동영상 데이터로부터 각각 생성되는 하나 이상의 인코딩된 벡터들에 기초하여, 상기 하나 이상의 동영상 데이터에 대한 키 프레임 정보를 식별하는 단계; 상기 식별된 키 프레임 정보에 기초하여, 상기 하나 이상의 동영상 데이터를 하나 이상의 검색 대상 동영상 데이터로 세그먼트하는 단계; 및 하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 검색 벡터 생성 모듈에 의해, 상기 하나 이상의 검색 대상 동영상 데이터를 각각 대표하는 하나 이상의 검색 동영상 벡터들을 생성하는 단계; 를 포함할 수 있다.

대안적으로, 상기 하나 이상의 검색 동영상 인코딩 모듈들은, 상기 세그먼트된 하나 이상의 검색 대상 동영상 데이터에 대하여, 하나 이상의 검색 동영상 데이터 각각에 대응하는 하나 이상의 검색 동영상 임베딩 토큰들을 생성할 수 있다.

대안적으로, 상기 하나 이상의 검색 동영상 인코딩 모듈들은, 상기 하나 이상의 검색 대상 동영상 데이터에 포함된 동일한 데이터 도메인에 기초하여, 둘 이상의 검색 동영상 임베딩 토큰들을 생성할 수 있다.

대안적으로, 상기 하나 이상의 검색 동영상 인코딩 모듈들은, 상기 하나 이상의 검색 대상 동영상 데이터에 포함된 둘 이상의 데이터 도메인에 기초하여, 둘 이상의 상이한 도메인 기반 검색 동영상 임베딩 토큰들을 생성할 수 있다.

대안적으로, 상기 검색 동영상 벡터들을 생성하는 단계는, 상기 세그먼트된 하나 이상의 검색 대상 동영상 데이터 각각을 복수의 유닛 검색 동영상 데이터로 분할하는 단계; 를 포함할 수 있다.

대안적으로, 상기 검색 동영상 벡터들을 생성하는 단계는, 상기 복수의 유닛 검색 동영상 데이터 각각에 포함된 시간 정보에 기초하여, 시간 임베딩(temporal embedding) 토큰을 생성하는 단계; 를 더 포함할 수 있다.

대안적으로, 상기 방법은: 상기 검색 대상 동영상 데이터에 대응하는 하나 이상의 검색 동영상 벡터들을, 동영상 검색 인덱스 데이터베이스에 저장하는 단계; 를 더 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 프로그램을 저장하는 비일시적 컴퓨터 판독가능 저장 매체가 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 동영상 검색 방법을 수행하기 위한 동작들을 수행하도록 하며, 상기 방법은: 하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 키 프레임 검출 모듈에 의해, 하나 이상의 동영상 데이터에 포함되는 하나 이상의 유닛 동영상 데이터로부터 각각 생성되는 하나 이상의 인코딩된 벡터들에 기초하여, 상기 하나 이상의 동영상 데이터에 대한 키 프레임 정보를 식별하는 단계; 상기 식별된 키 프레임 정보에 기초하여, 상기 하나 이상의 동영상 데이터를 하나 이상의 검색 대상 동영상 데이터로 세그먼트하는 단계; 및 하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 검색 벡터 생성 모듈에 의해, 상기 하나 이상의 검색 대상 동영상 데이터를 각각 대표하는 하나 이상의 검색 동영상 벡터들을 생성하는 단계; 를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 동영상 검색 방법을 수행하는 컴퓨팅 장치가 개시된다. 적어도 하나의 코어를 포함하는 프로세서; 및 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 를 포함하고, 상기 프로세서는, 하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 키 프레임 검출 모듈에 의해, 하나 이상의 동영상 데이터에 포함되는 하나 이상의 유닛 동영상 데이터로부터 각각 생성되는 하나 이상의 인코딩된 벡터들에 기초하여, 상기 하나 이상의 동영상 데이터에 대한 키 프레임 정보를 식별하고, 상기 식별된 키 프레임 정보에 기초하여, 상기 하나 이상의 동영상 데이터를 하나 이상의 검색 대상 동영상 데이터로 세그먼트하고, 그리고 하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 검색 벡터 생성 모듈에 의해, 상기 하나 이상의 검색 동영상 데이터를 각각 대표하는 하나 이상의 검색 동영상 벡터들을 생성할 수 있다.

본 개시는 비디오 검색(video retrieval, VR) 작업 및 비디오 일부 순간 검색(Video Corpus Moment Retrieval, VCMR) 작업을 수행하는 방법 및 장치를 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른, 동영상 검색 기능을 제공하는 시스템의 구조도이다.
도 2는 본 개시의 일 실시예에 따른 네트워크 함수를 나타낸 개념도이다.
도 3은 본 개시의 일 실시예에 따른 네트워크 함수 중 트랜스포머(transformer)의 동작을 설명하기 위한 개념도이다.
도 4a 및 도 4b는 본 개시의 일 실시예에 따른 동영상 검색 방법에 따라, 동영상 검색이 수행되는 것을 나타낸 개념도이다.
도 5는 본 개시의 일 실시예에 따른 동영상 검색 제공자의 일 부분을 나타낸 블록 구성도이다.
도 6은 본 개시의 일 실시예에 따른 키 프레임 검출 모듈의 일 부분을 나타낸 블록 구성도이다.
도 7a는 본 개시의 일 실시예에 따른 키 프레임 검출 벡터 생성기의 일 부분을 나타낸 블록 구성도이다.
도 7b는 본 개시의 일 실시예에 따른 키 프레임 검출 벡터 생성기의 다른 부분을 나타낸 블록 구성도이다.
도 8a 및 도 8b는 본 개시의 일 실시예에 따른 세그멘테이션 모듈이 동영상 데이터를 세그먼트하는 동작을 나타낸 개념도이다.
도 9는 본 개시의 일 실시예에 따른 검색 벡터 생성 모듈의 일 부분을 나타낸 블록 구성도이다.
도 10은 본 개시의 일 실시예에 따른 검색 벡터 생성 모듈의 다른 일 부분을 나타낸 블록 구성도이다.
도 11은 본 발명의 다른 일 실시예에 따른 동영상 검색 제공자의 일 부분을 나타낸 블록 구성도이다.
도 12는 본 개시의 일 실시예에 따른 동영상 검색 제공자의 다른 일 부분을 나타낸 블록 구성도이다.
도 13은 본 개시의 일 실시예에 따른 동영상 검색 방법에 대한 순서도이다.
도 14는 유닛 동영상 데이터 인코딩 토큰을 생성하는 단계에 대한 예시적인 순서도이다.
도 15는 본 개시의 일 실시예에 따른 키 프레임 검출 벡터를 생성하는 단계에 대한 예시적인 순서도이다.
도 16은 본 개시의 일 실시예에 따른 동영상 검색 방법에 대한 다른 순서도이다.
도 17은 본 개시의 일 실시예에 따른 동영상 검색 방법에 대한 또 다른 순서도이다.
도 18은 본 개시의 일 실시예에 따른 동영상 검색 방법에 대한 또 다른 순서도이다.
도 19은 본 발명의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 명세서는 그 전체가 본 명세서에 참조로 통합되는, 2022년 3월 7일에 출원된 미국 가출원 번호 제 63/317,359호에 대한 우선권을 주장한다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

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 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 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.

그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다.

본 명세서 전체에 걸쳐, 용어 "벡터(vector)” 또는 “특징 벡터(feature vector)”는 데이터의 원본 표현에서 본 개시의 일 실시예에 따른 모듈들에 의해 연산 가능한 형태로 표현하기 위한 데이터 유형들을 지칭할 수 있다. 벡터는 단일한 양(quantity)으로 표현될 수 없는 데이터의 특징들을 표현하기 위한 임의의 다차원 표현형(multidimensional phenotype)을 지칭할 수 있다. 예를 들어, 본 개시의 일 실시예에서, 검색 쿼리 및 검색 대상 동영상과 같은 데이터 유형들은 본 개시의 일 실시예에 따른 모듈들에 의해 다차원 값을 가지는 벡터 형태로 변환될 수 있다. 동영상 검색 벡터(1410), 검색 쿼리 벡터(1520) 등의 벡터 표현 방식 및 차원 수는 본 기술 분야의 통상의 기술자에 의해 효율적으로 선택될 수 있으며, 본 발명은 이에 한정되지 않는다.

도 1은 본 개시의 일 실시예에 따른, 동영상 검색 기능을 제공하는 시스템의 구조도이다.

일 실시예에서, 동영상 검색 서비스 제공자(1000), 동영상 컨텐츠 서비스 제공자(2000) 및 사용자 디바이스(3000)는 상호 통신가능하게 연결되어 사용자(미도시)에게 동영상 검색 서비스를 제공할 수 있다. 도 1에 개시된 시스템의 구성요소들은, 본 개시의 일 실시예에 따른 동영상 검색 기능을 제공하는 시스템의 일 예일 뿐이며, 동영상 검색 기능을 제공하기 위해 도 1에 개시된 것 보다 많거나 적은 구성요소 및/또는 엔티티들이 동영상 검색 시스템을 구성할 수 있다.

일 실시예에서, 도 1에 개시된 엔티티 또는 엔티티에 포함되는 것으로 도시된 모듈들은, 프로세서에 의해 수행되는 일련의 소프트웨어 코드들에 의해 수행되는 기능 모듈을 의미할 수 있다. 다른 실시예에서, 엔티티 또는 엔티티에 포함되는 것으로 도시된 모듈들은, 해당 엔티티 및 모듈의 기능들을 수행하기 위해 할당된 하나 이상의 프로세서들을 의미할 수 있다.

프로세서는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치 (GPU: graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서는 메모리에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서는 하나 이상의 신경망들의 학습을 위한 연산들을 수행할 수 있다. 프로세서는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산들을 수행할 수 있다. 프로세서의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

일 실시예에서 도 1에 개시된 데이터베이스들(1400, 2100)은 메모리에 저장되어 구현될 수 있다. 본 명세서에서, 데이터베이스는 상호 참조되는 데이터들이 이루는 논리적인 상호관계를 의미할 수 있다. 또는 데이터베이스는 데이터들이 물리적으로 저장된 메모리 내의 저장공간을 의미할 수도 있다.

본 개시의 일 실시예에 따르면, 메모리는 프로세서가 생성하거나 결정한 임의의 형태의 정보 및 네트워크 인터페이스가 수신한 임의의 형태의 정보를 저장할 수 있다. 예를 들어, 메모리는 이하에서 설명되는 바와 같이 프로세서에 의해 생성되는 서브 동영상 데이터, 검색 동영상 데이터, 유닛 동영상 데이터, 키 프레임 검출 벡터, 유닛 동영상 인코딩 토큰 등을 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리는 프로세서가 본 개시의 실시예들에 따른 동작을 수행하도록 하는 컴퓨터 소프트웨어를 저장하는 저장매체 일 수 있다. 따라서, 메모리는 도 1에서 데이터베이스로 지칭된 모듈만을 의미하는 것이 아니라, 도 1에 개시된 엔티티 및 모듈들을 수행하는 데 필요한 소프트웨어 코드, 코드의 실행 대상이 되는 데이터, 코드의 실행 결과를 저장하기 위한 컴퓨터 판독 매체들을 의미할 수도 있다.

본 개시의 일 실시예에 따르면, 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 있다. 컴퓨팅 장치는 인터넷(internet) 상에서 상기 메모리의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 도 1에 개시된 엔티티 또는 모듈들은 임의의 형태의 유무선 통신 시스템을 사용하여 상호 통신하는 네트워크부를 포함할 수 있다.

네트워크부는 프로세서에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신(예를 들어, 송신 및/또는 수신)할 수 있다. 예를 들어, 네트워크부는 프로세서에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서로 전달할 수 있다. 이때, 프로세서는 네트워크부로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.

구체적으로 예를 들면, 네트워크부는 본 개시의 일 실시예에 따른 비디오 검색 방법을 수행하기 위한 다양한 정보를 송수신할 수 있다. 예를 들어, 동영상 검색 서비스 제공자(1000)의 네트워크부는 동영상 컨텐츠 서비스 제공자(2000)의 동영상 데이터 베이스(2100) 상에 저장된 하나 이상의 검색 대상 비디오 데이터(2200)를 수신할 수 있다. 또한, 동영상 검색 서비스 제공자(1000) 또는 동영상 컨텐츠 서비스 제공자(2000)의 네트워크부는 사용자 디바이스(3000)에서 실시간으로 생성되는 검색 대상 비디오 데이터를 수신할 수 있다. 또한, 네트워크는 비디오 검색을 위한 검색 쿼리를 수신할 수 있다. 또한, 네트워크는 외부 장치에 저장된 검색 대상 비디오 데이터에 대하여 비디오 검색 방법을 수행할 수 있다. 또한, 네트워크는 검색 쿼리에 의해 식별되는 동영상 정보를 다른 장치들로 송신할 수 있다.

한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치 및/또는 엔티티들은 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스할 수 있는 임의의 형태의 단말일 수 있다.

동영상 검색 서비스 제공자(1000)는 키 프레임 검출 모듈(1100), 세그멘테이션 모듈(1200), 검색 벡터 생성 모듈(1300), 검색 벡터 데이터베이스(1400), 쿼리 인코딩 모듈(1500) 및 유사도 비교 모듈(1600)을 포함할 수 있다.

키프레임 검출 모듈(1100)은 검색 대상이 되는 동영상 데이터 내에서, 시각적 또는 비시각적 정보의 임계치 이상의 전환이 발생하는 프레임과 관련된 정보를 추출할 수 있다. 예를 들어, 키프레임 검출 모듈(1100)은 프레임들 내에서 시각적으로 배경이나 등장인물이 변화하거나, 동영상 내 오브젝트들의 의미론적 관계 등이 전환되어 이전 프레임(또는 이전 프레임들의 셋트)과 현 프레임간 이미지가 달라지는 프레임을 식별할 수 있다. 다른 예에서, 키프레임 검출 모듈(1100)은 비시각적인 정보, 예를 들어, 동영상에서 음성으로 언급되는 새로운 주제가 발생하거나, 새로운 형태의 연속적인 음향(예를 들어, 배경음악 또는 음향 이펙트 등)이 추가 또는 종료되는 시점에 해당하는 프레임의 정보를 식별할 수 있다. 키 프레임 검출 모듈(1100)에 대한 보다 상세한 설명은 도 6 및 도 7a 내지 도 7 b를 참조하여 후술된다.

세그멘테이션 모듈(1200)은 키프레임 검출 모듈(1100)에서 식별된 정보를 수신하여, 이를 기초로 동영상 데이터를 시간상에서 세그먼트할 수 있다. 동영상 데이터를 세그먼트하는 동작은, 동영상을 시간에 따라 하나 이상의 세그먼트된 동영상들로 분할하는 동작을 의미할 수 있다.

본 개시의 일 실시예에서, 세그먼트하는 동작은, 하나의 동영상(예를 들어, 재생 시작 시간 0s, 재생 종료 시간 100s 인 동영상) 내에서, 상호 중첩되지 않고 인접하는 복수의 세그먼트된 동영상(예를 들어, 시간 구간 0-20s 인 제 1 동영상, 20s-50s인 제 2 동영상, 50s-100s 인 제 3 동영상)을 생성하는 동작을 의미할 수 있다. 일 실시예에서, 세그먼트된 동영상들의 합은 전체 동영상과 동일할 수 있다.

본 개시의 다른 실시예에서, 세그먼트하는 동작은, 상호 중첩되며 인접되는 복수의 동영상을 생성하는 동작을 의미할 수 있다. 다른 실시예에서, 세그먼트된 모든 동영상의 합은 전체 동영상의 적어도 일부만을 포함할 수 있다. 예를 들어, 검색 대상이 될 만한 정보가 존재하지 않거나, 비밀 유지를 위해 검색을 허용하지 않는 등의 사유로 검색을 원치 않는 시간 구간을 뺀 나머지 시간 구간에 대하여, 동영상이 세그먼트될 수 있다. 예를 들어, 전체 동영상의 시간 구간이 0-100s인 동영상에 대해 시간 구간 0-25s 인 제 1 동영상, 20s-50s인 제 2 동영상, 60s-100s인 제 3 동영상이 생성될 수 있다.

본 개시의 또 다른 실시예에서, 세그먼트하는 동작은 서로 다른 둘 이상의 동영상에 걸쳐 하나의 세그먼트된 동영상을 생성하는 동작을 의미할 수 있다. 예를 들어, A 동영상의 일 시점부터 종료 시점까지, 그리고 B 동영상의 시작 시점부터 일 시점까지의 동영상이 하나의 세그먼트된 동영상을 구성할 수 있다. 둘 이상의 동영상에 걸쳐 세그먼트된 동영상은 둘 이상의 동영상의 시작 또는 종료 시점을 포함하지 않는 동영상들의 합으로 구성될 수도 있다.

세그먼테이션 모듈(1200)이 동영상을 세그먼트하는 구체적인 실시예와 관련하여서는 도 8a 및 도 8b에서 상세하게 후술한다.

검색 벡터 생성 모듈(1300)은 세그멘테이션 모듈(1200)로부터 세그먼트된 동영상의 정보를 수신하여, 세그먼트된 동영상에 대해 적어도 하나 이상의 동영상 검색 벡터를 생성할 수 있다. 검색 벡터 생성 모듈(1300)은 세그먼트된 동영상에 대하여, 적어도 하나 이상의 데이터 도메인(예를 들어, 시각 기반 데이터, 오디오 기반 데이터, 텍스트 기반 데이터 등)에 기초하여, 세그먼트된 동영상을 대표하는 동영상 검색 벡터를 생성할 수 있다. 검색 벡터 생성 모듈(1300)은 세그먼트된 동영상에 대해서, 적어도 하나 이상의 동영상 검색 벡터를 생성할 수 있다. 검색 벡터 생성 모듈(1300)에 대한 보다 상세한 설명은 도 9 내지 도 10을 참조하여 후술된다.

검색 벡터 데이터베이스(1400)는 검색 벡터 생성 모듈(1300)에 의해 생성된 동영상 검색 벡터들을 저장할 수 있다. 도 1에서 검색 벡터 데이터 베이스(1400)는 동영상 검색 서비스 제공자(1000)내에 존재하는 것으로 도시되었으나, 이에 제한되지 않는다. 다른 실시예에서, 검색 벡터 데이터 베이스(1400)는 동영상 검색 서비스 제공자(1000)외부의 디바이스(예를 들어, 동영상 컨텐츠 서비스 제공자(2000) 또는 사용자 디바이스(3000))에 존재하거나, 클라우드 저장소를 구성하는 복수의 데이터베이스 서버에 존재할 수 있다.

쿼리 인코딩 모듈(1500)은 동영상을 검색하기 위한 검색 쿼리를 수신하여, 검색 쿼리 벡터를 생성할 수 있다. 검색 쿼리 벡터는 동영상 검색 벡터와 상호 연산가능한 형태로 생성될 수 있다. 검색 쿼리 벡터는 사용자에 의해 입력되는 검색 쿼리를 본 발명의 일 실시예에 따라 생성되는 검색 동영상 데이터의 특징들과 매칭될 수 있는 형태로 변환한 것일 수 있다. 예를 들어, 검색 쿼리가 텍스트 데이터일 수 있고, 이는 “커피를 마시고 있는 남성 및 여성의 동영상(video of men and women drinking coffee)”일 수 있다. 본 발명의 일 실시예에 따라 생성되는 검색 동영상 데이터는 유사성을 결정하기 위해 텍스트-유형의 검색 쿼리와 매칭되거나 비교될 수 없을 수 있다. 상술한 바와 같이, 검색 동영상 데이터베이스(1400)는 검색 벡터 생성 모듈(1300)을 사용하여 검색 동영상 데이터(2230)의 특징들을 벡터화된 형태로 변환 및 저장할 수 있다. 따라서, 입력된 검색 쿼리 “커피를 마시고 있는 남성 및 여성의 동영상”은 검색 벡터 데이터베이스(1400)에 저장된 동영상 검색 벡터(1410)와 연산 가능한 형태로 변환되어야 한다. 상술한 바와 같이, 쿼리 인코딩 모듈(1500)은 검색 쿼리를 검색 쿼리 벡터(1520)로 변환함에 있어서 검색 벡터 생성 모듈(1300)의 몇몇 또는 모든 컴포넌트들을 포함할 수 있다. 또 다른 실시예에서, 쿼리 인코딩 모듈(1500)은 검색 벡터 생성 모듈(1300)과 상이하게 구성되나, 검색 쿼리 벡터(1520)와 연산가능한 형태로 검색 쿼리 벡터를 생성할 수 있다. 상술한 검색 쿼리는 설명을 위해 제시된 것으로, 검색 쿼리는 텍스트 이외의 다양한 형태(예를 들어, 이미지, 숏클립, 음성이나 소리를 포함하는 사운드 정보, 및 이들의 조합)로 구성될 수 있다.

유사도 비교 모듈(1600)은 검색 쿼리 벡터 및 둘 이상의 동영상 검색 벡터를 비교하여, 검색 쿼리 벡터와 가장 유사한 동영상 검색 벡터를 식별할 수 있다. 유사도 비교 모듈(1600)은 두 개 이상의 벡터들 사이의 유사도를 판단하기 위하여, 두 벡터 사이의 코사인 유사도(cosine similarity), 유클리드 거리(Euclidean Distance), 자카드 유사도(Jaccard similarity), 레벤슈타인 거리(Levenshtein distance) 등 유사도 판단 방법들이 사용될 수 있다.

동영상 검색 서비스 제공자(1000)는 저장된 동영상을 분석하여 동영상을 검색가능한 형태로 변환하여 제공할 수 있다. 동영상 검색 서비스 제공자(1000)는 동영상을 검색가능한 형태로 변화하기 위해, 동영상에 대해 동영상 검색 벡터(1410)를 생성하여 저장하거나 제공할 수 있다. 동영상 검색 벡터(1410)는 상술한 검색 벡터 생성 모듈(1300)에 의해 생성된 벡터일 수 있다. 동영상 검색 서비스 제공자(1000)는 하나의 동영상에 대하여 하나 이상의 동영상 검색 벡터를 생성할 수 있다.

동영상 검색 서비스 제공자(1000)는 동영상내의 정보를 검색하기 위한 검색 쿼리를 수신하고, 수신된 쿼리에 대응하는 동영상 정보를 제공할 수 있다. 동영상 검색 서비스 제공자(1000)가 제공하는, 쿼리에 대응하는 동영상 정보는, 쿼리에 대응하는 동영상의 목록, 쿼리에 대응하는 동영상 내의 시작 시간 및/또는 종료 시간, 쿼리에 대응하는 동영상이 수신된 쿼리와 일치하는 정도, 수신된 쿼리와 동영상 데이터 사이의 대응 정보 등을 포함할 수 있다.

동영상 검색 서비스 제공자(1000)는 동영상 검색 서비스를 SaaS(Software as a Service) 형태로 제공하거나, 어플리케이션 프로그래밍 인터페이스(Application Programming Interface; API) 형태로 제공할 수 있다. 일 예로서, 동영상 검색 서비스 제공자(1000)는 사용자가 사용자 디바이스(3000)를 통해 접속하여 동영상 검색 쿼리를 입력하면, 이에 대응하는 동영상 정보를 제공하는 온라인 서비스를 제공할 수 있다. 다른 일 예로서, 동영상 검색 서비스 제공자(1000)는 동영상 컨텐츠 서비스 제공자(2000)가 접속가능한 API를 통해, 동영상 컨텐츠 서비스 제공자(2000)가 저장한 동영상 데이터들에 대한 동영상 검색 벡터를 제공하거나, 동영상 컨텐츠 서비스 제공자(2000)가 사용자 디바이스(3000)로부터 수신한 검색 쿼리에 대응하는 동영상 정보를 제공할 수 있다.

동영상 컨텐츠 서비스 제공자(2000)는 동영상 데이터 베이스(2100)에 동영상 데이터(2200)를 저장할 수 있다. 동영상 컨텐츠 서비스 제공자(2000)는 동영상 컨텐츠 서비스를 제공하기 위해 도 1에 도시되지 않은 추가적인 모듈들을 포함할 수 있다. 일 예에서, 동영상 컨텐츠 서비스 제공자(2000)는 사용자 디바이스(3000)와 통신하는 사용자 인터페이스(미도시)를 포함하거나, 동영상 검색 서비스 제공자(1000)의 API와 통신하기 위한 통신 모듈(미도시), 사용자 디바이스(3000)로 요청된 동영상 컨텐츠를 제공하기 위한 컨텐츠 딜리버리 네트워크(Content Delivery Network)들(미도시)을 추가적으로 포함할 수 있다.

동영상 컨텐츠 서비스 제공자(2000)의 동영상 데이터 베이스(2100) 또한, 동영상 컨텐츠 서비스 제공자(2000)가 보유한 로컬 메모리에 구현되거나, 동영상 컨텐츠 서비스 제공자(2000) 외부의 클라우드 저장소에 분산되어 저장될 수 있다.

사용자 디바이스(3000)는 동영상 검색 서비스 제공자(1000) 또는 동영상 컨텐츠 서비스 제공자(2000)로 검색 쿼리를 전송하고, 이에 대응한 동영상 정보를 수신할 수 있다. 사용자 디바이스(3000)를 통하여, 사용자는 자신이 찾고자 하는 정보가 동영상 컨텐츠의 형태로 저장된 경우에도 해당 정보를 쉽게 검색할 수 있다.

도 1에 개시된 일부 엔티티는, 구체적인 실시예에 따라 통합되어 단일 엔티티에 의해 구현되거나, 도 1에서 단일 엔티티에 의해 구현되는 것으로 개시된 기능들이 여러 개의 엔티티에 걸쳐 분산되어 수행될 수 있다. 도 1에 개시된 각각의 엔티티에 포함된 모듈들은, 구체적인 실시예에 따라 다른 엔티티에 포함되어 기능할 수 있다. 예를 들어, 일 실시예에서, 동영상 검색 서비스 제공자(1000)는 동영상 컨텐츠 서비스 제공자(2000)와 통합되어, 하나의 엔티티가 동영상 컨텐츠의 제공 및 검색 기능을 사용자 디바이스(3000)에 제공할 수 있다. 다른 일 실시예에서, 동영상 검색 서비스 제공 엔티티(1000)에 포함된 것으로 개시된 검색 벡터 데이터 베이스(1400)는 동영상 컨텐츠 서비스 제공자(2000)에 포함될 수 있다. 도 1에 개시된 일부 엔티티는 이하의 도 2 및 도 3에서 설명되는 네트워크 함수를 사용하여 구현될 수 있다. 예를 들어, 키 프레임 검출 모듈(1100), 검색 벡터 생성 모듈(1300), 쿼리 인코딩 모듈(1500)은 머신 러닝 가능한 모듈이거나, 머신 러닝 가능한 컴포넌트들을 포함할 수 있고, 이들 각각은 이하에서 자세히 설명된다.

도 2는 본 개시의 일 실시예에 따른 네트워크 함수를 나타낸 개념도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 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.

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, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 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), 트랜스포머(transformer) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(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 최소화 또는 감소시키는 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. 교사 학습의 경우 각각의 학습 데이터에 정답 또는 예상답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답 또는 예상답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 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 비교사 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.

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. 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.

도 3은 본 개시의 일 실시예에 따른 네트워크 함수 중 트랜스포머(transformer)의 동작을 설명하기 위한 개념도이다.

도 3에 도시된 트랜스포머는 임베딩된 데이터들을 인코딩하는 인코더 및 인코딩된 데이터들을 디코딩하는 디코더를 포함할 수 있다. 트랜스포머는 일련의 데이터(a series of data)들을 수신하여, 인코딩 및 디코딩 단계를 거처 상이한 타입의 일련의 데이터들을 출력하는 구조를 지닐 수 있다. 일 실시예에서, 일련의 데이터들은 트랜스포머가 연산가능한 형태로 가공될 수 있다. 일련의 데이터들을 트랜스포머가 연산가능한 형태로 가공하는 과정은 임베딩 과정을 포함할 수 있다. 데이터 토큰, 임베딩 벡터, 임베딩 토큰등과 같은 표현들은, 트랜스포머가 처리할 수 있는 형태로 임베딩된 데이터들을 지칭하는 것일 수 있다.

트랜스포머가 일련의 데이터들을 인코딩 및 디코딩하기 위하여, 트랜스포머 내의 인코더 및 디코더들을 어텐션(attention) 알고리즘을 활용하여 처리할 수 있다. 어텐션 알고리즘이란 주어진 쿼리(Query)에 대해, 하나 이상의 키(Key)에 대한 유사도를 구하고, 이렇게 주어진 유사도를, 각각의 키(Key)와 대응하는 값(Value)에 반영한 후, 유사도가 반영된 값(Value)들을 가중합하여 어텐션(attention) 값을 계산하는 알고리즘을 의미할 수 있다.

쿼리(Query), 키(Key) 및 값(Value)을 어떻게 설정하느냐에 따라, 다양한 종류의 어텐션 알고리즘이 분류될 수 있다. 예를 들어, 쿼리, 키 및 값을 모두 동일하게 설정하여 어텐션을 구하는 경우, 이는 셀프-어텐션 알고리즘을 의미할 수 있다. 입력된 일련의 데이터들을 병렬로 처리하기 위해, 임베딩 벡터를 차원을 축소하여, 각 분할된 임베딩 벡터에 대해 개별적인 어텐션 헤드를 구하여 어텐션을 구하는 경우, 이는 멀티-헤드(multi-head) 어텐션 알고리즘을 의미할 수 있다.

일 실시예에서, 트랜스포머는 복수의 멀티-헤드 셀프 어텐션 알고리즘 또는 멀티-헤드 인코더-디코더 알고리즘을 수행하는 모듈들을 포함할 수 있다. 일 실시예에서, 트랜스포머는 임베딩 레이어, 정규화 레이어, 소프트맥스(softmax) 층 등 어텐션 알고리즘이 아닌 부가적인 구성요소들 또한 포함할 수 있다. 어텐션 알고리즘을 이용하여 트랜스포머를 구성하는 방법은 Vaswani et al., Attention Is All You Need, 2017 NIPS에 개시된 방법을 포함할 수 있으며, 이는 여기에 참조로서 통합된다.

트랜스포머는 임베딩된 자연어, 분할된 이미지 데이터, 오디오 파형 등 다양한 데이터 도메인에 적용하여, 일련의 입력 데이터를 일련의 출력 데이터로 변환할 수 있다. 다양한 데이터 도메인을 가진 데이터들을 트랜스포머에 입력가능한 일련의 데이터들로 변환하기 위해, 트랜스포머는 데이터에 대한 임베딩 벡터를 생성할 수 있다. 트랜스포머는 일련의 입력 데이터 사이의 상대적 위치관계 또는 위상관계를 표현하는 추가적인 데이터를 처리할 수 있다. 또는 일련의 입력 데이터에 입력 데이터들 사이의 상대적인 위치관계 또는 위상관계를 표현하는 벡터들이 추가적으로 반영되어 일련의 입력 데이터가 임베딩될 수 있다. 일 예에서, 일련의 입력 데이터 사이의 상대적 위치관계는, 자연어 문장 내에서의 어순, 각각의 분할된 이미지의 상대적 위치 관계, 분할된 오디오 파형의 시간 순서 등을 포함할 수 있으나, 이에 제한되지 않는다. 일련의 입력 데이터들 사이의 상대적인 위치관계 또는 위상관계를 표현하는 정보를 추가하는 과정은 위치 인코딩(positional encoding)으로 지칭될 수 있다.

이미지 데이터를 임베딩하여 트랜스포머로 변환하는 방법의 일 예는 Dosovitskiy, et al., AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE에 개시되어 있으며, 해당 문서는 여기에 참조로서 통합된다.

도 4a 및 4b는 본 개시의 일 실시예에 따른 동영상 검색 방법에 따라, 동영상 검색이 수행되는 것을 나타낸 개념도이다.

도 4a에 도시된 바와 같이, 하나 이상의 동영상 데이터(2200A, 2200B, 2200C, …, 2200N)들이 동영상 데이터 베이스(2100)에 저장될 수 있다. 하나 이상의 동영상 데이터(2200A, 2200B, 2200C,… 2200N)들은, 동영상 컨텐츠 서비스 제공자(2000)에 의해 제공되거나, 사용자 디바이스(3000)로부터 전송되거나, 도 1에 도시되지 않은 다른 엔티티로부터 수신될 수 있다.

동영상 검색(Video Retrieval)은 하나 이상의 동영상 중 입력된 검색 쿼리와 의미론적(semantic) 관련성이 가장 높은 동영상을 탐색하는 과제를 의미한다. 동영상 코퍼스(corpus) 모먼트 검색은, 하나 이상의 동영상 중에서 입력된 검색 쿼리와 의미론적(semantic) 관련성이 가장 높은 시간상의 모먼트(temporal moment)를 탐색하는 과제를 의미할 수 있다.

본 개시의 일 실시예에서, 입력된 쿼리와 의미론적 관련성이 가장 높은 시간상의 모먼트를 탐색하기 위해, 하나 이상의 동영상에서 의미론적으로 변동성이 높은 키 프레임들을 먼저 식별할 수 있다. 식별된 키 프레임의 시간 정보(예를 들어,해당 키 프레임이 위치하는 타임스탬프 정보)를 이용하여, 하나 이상의 동영상들(2200A, 2200B, 2200C, …, 2200N)을 먼저 세그먼트할 수 있다. 이 경우, 의미론적 변동성이 높은 키 프레임 단위로 하나 이상의 동영상들(2200A, 2200B, 2200C, …, 2200N)이 시간상 세그먼트 되면, 세그먼트된 각각의 동영상들은, 동영상 전체에 걸쳐 의미론적으로 유사한 데이터를 포함할 가능성이 높다. 이 경우, 세그먼트된 동영상들을 인코딩하여 생성된 동영상 검색 벡터가, 해당 세그먼트 전체를 더 잘 나타낼(represent) 수 있다. 키 프레임을 식별하고 이를 기초로 하나 이상의 동영상을 세그먼트함으로써, 동영상 코퍼스 모먼트 검색을 수행하기에 적합한 최소한의 단위 동영상들을 획득할 수 있다. 동영상 내에서 의미론적으로 변동이 큰 키 프레임을 기준으로 동영상을 세그먼트함으로서, 세그먼트된 동영상이 의미론적으로 균질한 동영상 데이터들로 구성된다. 이로 인하여 더 적은 정보(예를 들어, 더 적은 수의 동영상 검색 벡터, 또는 더 적은 차원의 동영상 검색 벡터)로 더 효과적으로 세그먼트된 동영상을 나타낼(represent) 수 있다.

도 4b에 도시된 바와 같이, 복수의 세그먼트된 동영상들을 인코딩하여 생성된 복수의 동영상 검색 벡터 중, 검색 쿼리를 인코딩하여 생성된 검색 쿼리 벡터와 유사한 하나 이상의 동영상 검색 벡터를 식별할 수 있다. 하나 이상의 식별된 동영상 검색 쿼리 벡터에 대응하는 동영상(2201A, 2201B, 2201C, 2201D)들의 정보를 이용하여, 하나 이상의 동영상 중 검색 쿼리와 의미론적으로 가장 유사한 데이터가 존재하는 모먼트의 위치 및 유사도를 확인할 수 있다. 예를 들어, 도 4b에서 도시되는 각각의 동영상들(2201A 내지 2201D)에서 검은 영역들은 입력된 검색 쿼리(1510)와 매칭되는 동영상의 부분들을 표시할 수 있다. 일 예로, 검은 영역들은 입력된 검색 쿼리(1510)에 기초하여 동영상들(2201A 내지 2201D) 상에 VCMR(Video Corpus Moment Retrieval) 태스크를 수행한 결과를 표시할 수 있다. 또 다른 예로, 검은 영역은 별도의 메트릭(metric)에 기초하여 입력된 검색 쿼리에 대해 높은 유사성을 가지는 동영상의 부분들을 표시할 수 있다. 일 예로, 검은 영역은 전체 동영상 중에서 검색 쿼리에 포함되는 정보에 대해 높은 유사성을 가지는 정보를 포함하는 동영상의 부분들을 표시할 수 있다. 일반적으로, 동영상(동영상(2201A 내지 2201D)을 포함)은 동영상들을 구성하는 오디오 및 비주얼 정보, 오디오 또는 비주얼 정보에 포함된 텍스트 정보, 동영상들에서 보이는 객체들의 상호작용에 따른 시멘틱 정보와 같이 하나 이상의 모달리티들을 가지는 정보의 조합으로 구성될 수 있다. 검색 쿼리(1510)는 하나 이상의 모달리티들을 가지는 정보로 구성될 수도 있다. 동영상(2200)의 전체 영역 중에서 검은 영역들은 동영상의 멀티모달리티 중에서 하나의 정보 또는 둘 이상의 정보들의 조합 중 적어도 하나에 대한 높은 정도의 유사성을 가지는 정보를 포함하는 것으로 해석될 수 있다. 동영상들(2200)에서 검색 쿼리 데이터(1510)와 상호 매칭(높은 유사성)되는 쌍들을 찾는 특정한 방법들은 본 명세서 전반에 걸쳐 설명된다.

도 5는 본 개시의 일 실시예에 따른 동영상 검색 제공자(1000)의 일 부분을 나타낸 블록 구성도이다.

도 5에 도시된 바와 같이, 동영상 데이터(2200)는 키프레임 검출 모듈(1100)에 전달될 수 있다. 동영상 데이터(2200)는 동영상 데이터 베이스(2100)에 저장된 하나 이상의 동영상 데이터(2200) 중 하나의 동영상을 의미할 수 있다. 검색 대상이 되는 하나 이상의 동영상 데이터(2200)는 순차적으로 도 5에 제시된 동영상 검색 서비스 제공자(1000)에 입력될 수 있으며, 동영상 검색 서비스 제공자는 이들 중 하나 이상의 동영상을 순차적으로 처리할 수 있다.

키 프레임 검출 모듈(1100)은 하나 이상의 동영상 데이터(2200)에 포함된 키 프레임 정보를 식별할 수 있다. 일 실시예에서, 키 프레임 정보란, 동영상 데이터(2200) 내에 포함된 정보(예를 들어, 이미지 정보, 오디오 정보, 텍스트 정보 등)들을 기준으로 의미론적 변화가 임계치 이상 감지되는 프레임이 존재하는 시간 상 타임스탬프 정보를 포함할 수 있다. 다시 말해서, 키 프레임 정보는, 키 프레임으로 식별된 하나 이상의 프레임의 재생시간을 의미할 수 있다.

키 프레임 검출 모듈(1100)은 동영상 데이터(2200) 내에서, 하나의 프레임을 키 프레임을 식별하거나, 연속적으로 배치된 둘 이상의 프레임들을 키 프레임으로 식별할 수 있다. 예를 들어, 키 프레임 검출 모듈(1100)은 의미론적 변화가 임계치 이상이 되는 하나의 프레임을 식별하고, 해당 프레임의 재생 시간 정보를 전달할 수 있다. 다른 예에서, 키 프레임 검출 모듈(1100)은 의미론적 변화가 임계치 이상이 되는 일련의 연속되는 프레임들을 식별하고, 해당 연속적인 프레임들이 차지하는(spanning) 재생 구간 정보를 전달할 수 있다.

본 개시에 따른 일 실시예에서, 키 프레임 검출 모듈(1100)은 미리결정된 길이의 서브 동영상 데이터(2210)를 처리하도록 구성될 수 있다. 이 경우 키 프레임 모듈(1100)은 동영상 데이터(2200)를 둘 이상의 서브 동영상 데이터(2210)로 분할하여 생성할 수 있다. 구체적으로, 동영상 데이터(2200)는 일반적으로 초에서 분, 시간 또는 일까지 다양한 재생시간을 가질 수 있다. 따라서, 동영상 데이터(2200)는 다양한 크기들의 동영상 데이터(2200)가 복수의 균일한 서브-유닛들로 처리될 수 있도록 사전 설정된 길이를 가지는 서브 동영상 데이터(2210)로 세그먼트될 수 있다. 둘 이상의 서브 동영상 데이터는 서브 동영상 데이터들의 합집합이 동영상 데이터(2200)와 동일해지는, 일련의 연속적인 동영상 데이터를 의미할 수 있다. 예를 들어, 1시간의 재생기간을 가지는 동영상 데이터(2200)를 미리결정된 1분의 재생기간을 가지는 서브 동영상 데이터들(2210)로 분할하는 경우, 60개의 서브 동영상 데이터들(즉, 0-1m, 1-2m, …, 59-60m의 재생기간을 가지는 60개의 서브 동영상 데이터들)이 생성될 수 있다. 그러나, 이는 예시적인 것이며, 하나의 동영상 데이터(2200)에서 복수의 서브 동영상 데이터들(2210)을 생성하는 다양한 방법이 존재할 수 있다. 본 개시의 다른 일 실시예에서, 복수의 서브 동영상 데이터들(2210)은 적어도 부분적으로 상호 중첩되거나, 동영상 데이터(2200)의 일 부분을 제외하고 생성될 수도 있다.

전술한 바와 같이, 키 프레임 검출 모듈(1100)은 하나 이상의 서브 동영상 데이터(2210)로부터 키 프레임을 식별할 수 있다. 본 개시의 일 실시예에서, 키 프레임 검출 모듈(1100)은 동영상 데이터(2200)의 프레임 각각에 대하여 키 프레임 해당 여부를 판단할 수 있다. 본 개시의 다른 실시예에서, 키 프레임 검출 모듈(1100)은 미리결정된 길이의 유닛 동영상 데이터(2220)에 대하여, 키 프레임 해당 여부를 판단할 수 있다. 예를 들어, 키프레임 검출 모듈은 1초, 0.5초, 0.5초 단위로 분할된 동영상 전체에 대하여 키 프레임 해당 여부를 판단할 수 있다. 이 경우 해당 1초 단위로 분할된 동영상 데이터들 각각을 유닛 동영상 데이터(2220)로 정의할 수 있다. 유닛 동영상 데이터(2220)는 키 프레임이 될 수 있는 동영상 데이터의 최소 단위일 수 있다. 예를 들어, 서브 동영상 데이터(2210)를 구성하는 복수의 유닛 동영상 데이터(2220) 중에서 키 프레임에 대응하는 하나 이상의 유닛 동영상 데이터를 식별함으로써, 서브 동영상 데이터(2210) 중에서 어떤 부분이 키 프레임에 대응하는지 여부가 식별될 수 있다. 전술한 서브 동영상 데이터(2210) 및 유닛 동영상 데이터(2220)의 길이는 예시적인 것으로서, 이에 제한되지 않는다. 서브 동영상 데이터(2210) 및 유닛 동영상 데이터(2220)의 길이는 키 프레임 검출 모듈(1100)의 설계에 따라 고정적일 수 있다. 본 개시의 다른 실시예에서, 서브 동영상 데이터(2210) 및 유닛 동영상 데이터(2220)의 길이는 가변적일 수 있으며, 하나의 동영상에 대해서 상이한 길이를 가지는 서브 동영상 데이터(2210) 및 유닛 동영상 데이터(2220)가 생성될 수도 있다.

전술한 바와 같이, 키 프레임 검출 모듈(1100)은 하나 이상의 서브 동영상 데이터(2210)를 다시 유닛 동영상 데이터(2220)단위로 나누고, 해당 유닛 동영상 데이터(2220)각각에 대해 키 프레임 해당 여부를 판단할 수 있다. 키 프레임 검출 모듈(1100)이 키 프레임 인 것으로 식별한 프레임들(또는 유닛 동영상 데이터들(2220))에 대한 정보는 세그멘테이션 모듈(1200)로 전달될 수 있다. 키 프레임 검출 모듈(110)이 키 프레임 해당 여부를 식별하는 구체적인 방법은 도 6에서 상세히 후술하기로 한다.

본 개시의 일 실시예에 따른 세그멘테이션 모듈(1200)은 키 프레임 검출 모듈(1100)로부터 키 프레임 정보를 수신할 수 있다. 세그멘테이션 모듈(1200)은 키 프레임 검출 모듈(1100)로부터 수신된 키 프레임의 시간 정보(예를 들어, 타임스탬프 정보)에 기초하여, 하나 이상의 동영상 데이터(2200)를 세그먼트할 수 있다. 일 실시예에서, 세그멘테이션 모듈(1200)은 직접 동영상 데이터(2200)를 분할해서 세그먼트된 복수의 검색 동영상 데이터들(2230)을 생성할 수 있다.

예를 들어, 세그멘테이션 모듈(1200) 하나의 동영상 데이터를 세그먼트하기 위해, 키 프레임 검출 모듈(1100)이 식별한 복수의 키 프레임들에 대응하는 복수의 시간 정보를 수신할 수 있다. 복수의 시간 정보는 예를 들어, 키 프레임들이 전체 재생시간 중 존재하는 타임스탬프들을 의미할 수 있다. 다른 일 실시예에서, 키 프레임 검출 모듈(1100)이 미리결정된 길이의 연속하는 프레임들(예를 들어, 유닛 동영상 데이터(2220))을 키 프레임으로 식별한 경우 전술한 타임 스탬프들은, 식별된 유닛 동영상 데이터(2220)의 시작 시간 또는 종료시간 중 적어도 하나를 포함할 수 있다. 예를 들어, 키 프레임으로 식별된 유닛 동영상 데이터(2220)의 길이가 1초이고, 전체 동영상 데이터(2200) 중 식별된 유닛 동영상 데이터(2220)가 4초에서 시작하여 5초 경에 종료되는 경우, 타임 스탬프는, 4초, 5초 또는 둘 다를 포함할 수 있다.

세그멘테이션 모듈(1200)은 전술한 바와 같이 키 프레임 검출 모듈(1100)로부터 수신한 키 프레임 정보에 기초하여, 하나 이상의 동영상 데이터(2200)를 검색 동영상 데이터(2230)로 세그먼트할 수 있다. 일 실시예에서, 세그멘테이션 모듈(1200)은 하나 이상의 동영상 데이터(2200)를 전술한 타임스탬프들을 시작 또는 종료시간으로 하는 복수의 검색 동영상 데이터(2230)로 세그먼트할 수 있다. 일 실시예에서, 타임스탬프들은, 키 프레임 검출 모듈(1100)이 하나의 프레임을 키 프레임으로 식별한 경우 해당 키 프레임의 시간 상의 위치를 의미할 수 있다. 다른 일 실시예에서, 키 프레임 검출 모듈(1100)이 유닛 동영상 데이터(2220)를 키 프레임으로 식별한 경우, 타임스탬프는 식별된 유닛 동영상 데이터(2220)의 시작 및 종료 시간을 포함할 수 있다.

세그멘테이션 모듈(1200)은 키 프레임 식별 모듈(1100)로부터 수신된 타임스탬프간의 간격이 미리결정된 길이를 초과하는 경우, 미리결정된 규칙에 따라 추가적으로 동영상 데이터(2200)를 세그먼트할 수 있다. 키 프레임 검출 모듈(1100)에 의해 식별된 키 프레임과 연관된 타임 스탬프들 중, 인접하는 두 개의 타임스탬프 간격이 미리결정된 길이를 초과하는 경우, 검색 동영상 데이터(2230)의 길이가 미리결정된 길이를 초과할 수 있다. 이 경우, 세그멘테이션 모듈(1200)은 추가적으로 미리결정된 길이를 초과하는 검색 동영상 데이터(2230)를 세그먼트함으로써, 유닛 검색 동영상 데이터(2270)의 크기를 최대한 균일하게 유지할 수 있다. 세그멘테이션 모듈(1200)이 동영상 데이터(2200)를 세그먼트하는 구체적인 방법에 대하여는 도8a 및 8b에서 상세하게 설명하기로 한다.

도 5에 있어서, 검색 벡터 생성 모듈(1300)은 세그멘테이션 모듈(1300)에 의해 세그먼트된 검색 동영상 데이터(2230)에 기초하여, 하나 이상의 검색 동영상 벡터들을 생성할 수 있다. 검색 벡터 생성 모듈은, 하나의 검색 동영상 데이터(2230)에 대하여, 하나의 검색 동영상 벡터를 생성하거나, 하나의 검색 동영상 데이터(2230)에 대하여 둘 이상의 검색 동영상 벡터를 생성할 수 있다. 일 실시예에서, 검색 동영상 데이터(2230)에 기초하여 검색 동영상 벡터를 생성하는 것은, 검색 동영상 데이터(2230)를 검색 동영상 벡터로 인코딩하거나, 검색 동영상 벡터로 임베딩하는 동작을 포함하는 의미로 해석될 수 있다. 검색 동영상 벡터는 검색 동영상 데이터(2230)의 의미론적인 특징을 인코딩한 특징 벡터(feature vector)의 형태를 지닐 수 있다.

검색 벡터 생성 모듈(1300)은 검색 동영상 벡터를 검색 벡터 데이터 베이스(1400)에 전송할 수 있다. 검색 벡터 생성 모듈(1300)의 구체적인 구조 및 동작은 도 9 내지 도 10에서 상세하게 후술한다.

도 5에 도시된 바와 같이, 동영상 검색 서비스 제공자(1000)는 검색 벡터 데이터 베이스(1400)에 검색 벡터를 저장할 수 있다. 전술한 바와 같이, 검색 벡터 데이터 베이스(1400)는 동영상 검색 서비스 제공자(1000)의 메모리에 존재하거나, 동영상 컨텐츠 서비스 제공자(2000)에게 전달되어 저장되거나, 클라우드 스토리지 등에 저장될 수 있다.

도 6은 본 개시의 일 실시예에 따른 키 프레임 검출 모듈(1100)의 일 부분을 나타낸 블록 구성도이다.

전술한 바와 같이, 키 프레임 검출 모듈(1100)은 서브 동영상 데이터(2210)를 수신하여 이를 둘 이상의 유닛 동영상 데이터(2220)로 분할할 수 있다. 유닛 동영상 데이터(2220)는 키 프레임 검출 벡터 생성기(1110)로 입력될 수 있다. 키 프레임 검출 벡터 생성기(1110)는 입력된 유닛 동영상 데이터(2220) 각각에 대응하는 적어도 하나 이상의 키 프레임 검출 벡터(2240)를 생성할 수 있다. 키 프레임 검출 벡터(2240)는 대응하는 유닛 동영상 데이터(2220)가 전체 동영상 데이터(2200) 중에서 키 프레임에 속하는지 여부를 판단하기 위한 특징 벡터일 수 있다. 예를 들어, 키 프레임 검출 벡터(2240)는 유닛 동영상 데이터(2220)에 포함된 적어도 하나 이상의 데이터 도메인 각각의 특징을 인코딩하여 생성된 특징 벡터일 수 있다. 예를 들어, 키 프레임 검출 벡터(2240)는, 유닛 동영상 데이터(2220)에서 추출된 시각 기반 데이터, 비시각 기반 데이터(예를 들어, 음성 데이터, 텍스트 데이터 등)에 기초하여 생성된 특징 벡터에 기초하여 생성된 벡터일 수 있다. 생성된 키 프레임 검출 벡터들(2240)은 다양한 방식으로 사용될 수 있다. 예를 들어, 키 프레임 검출 벡터들(2240)은 동영상(2200)을 복수의 검색 동영상 데이터(2230)로 분할하기 위한 시간 정보를 제공하는데 사용되어, 세그먼트화된 검색 동영상 데이터 각각이 전체 동영상에 걸쳐 의미론적으로 유사한 데이터를 포함할 가능성이 더 높도록 할 수 있다(도 8a 및 도 8b 참조). 또한, 키 프레임 검출 벡터들(2240)은 동영상 검색을 위해 검색 동영상 데이터(2230)로부터 동영상 검색 벡터(1410)를 추출하는데 사용될 수 있다(도 11 참조).

본 개시의 다른 실시예에서, 키 프레임 검출 벡터(2240)는 해당 벡터에 대응하는 유닛 동영상 데이터(2220)의 시간상 전후에 존재하는 다른 동영상 데이터와의 상대적 관계를 반영한 정보를 포함할 수 있다. 키 프레임을 식별하는 것은, 시간적으로 연속된 동영상 내에서 의미론적 변화가 임계치를 초과하는 프레임을 식별하는 것을 의미할 수 있다. 이 경우, 하나의 유닛 동영상 데이터(2220)가 키 프레임인지 여부를 판단하기 위해서는 해당 유닛 동영상 데이터(2220)와 시간상 전후에 존재하는 동영상 데이터를 고려할 수 있다.

키 프레임 검출 벡터(2240)가 하나의 유닛 동영상 데이터(2220)의 시간상 전후에 해당하는 다른 동영상 데이터를 반영하기 위해, 키 프레임 검출 벡터 생성기(1110)는 데이터들을 시계열적으로 고려하여 데이터를 인코딩하는 다양한 네트워크 함수 또는 알고리즘들을 포함할 수 있다. 전술한 네트워크 함수 또는 알고리즘들은 하나의 데이터에 대한 인코딩 시에 시간적으로 선후에 위치하는 다른 데이터의 정보가 반영되어 인코딩되는 임의의 네트워크 함수 및 알고리즘들을 의미할 수 있다. 전술한 네트워크 함수 또는 알고리즘들은, 순환 신경망(Recurrent Neural Network; RNN), LSTM, Seq2Seq, 트랜스포머(도 3 참조)를 포함할 수 있다.

본 개시의 일 실시예에서, 키 프레임 검출 벡터(2240)는 해당 키 프레임 검출 벡터(2240)에 대응하는 유닛 동영상 데이터(2220)의 키 프레임 해당 여부(즉, 키 프레임인지)를 식별하기 위해 사용될 수 있다. 다른 실시예에서, 키 프레임 검출 벡터 생성기(1110)는 유닛 동영상 데이터(2220) 각각에 대해서 키 프레임 해당 여부(즉, 키 프레임인지)에 대한 최종적인 판결 결과를 출력할 수도 있다. 이를 위하여, 키 프레임 검출 벡터 생성기(1110)는 유닛 동영상 데이터(2220)에 대한 키 프레임 검출 벡터(2240)를 입력 받아 키 프레임 해당 여부를 이진 분류(binary classification)하는 키 프레임 분류 모듈(1113)을 더 포함할 수도 있다. 본 개시의 일 실시예에서, 키 프레임 분류 모듈(1113)은 키 프레임 검출 벡터(2240)에 기초하여 키 프레임을 식별하기 위한 트레이닝 가능한 머신 러닝 모듈일 수 있다. 예를 들어, 키 프레임 분류 모듈(1113)은 사전 결정된 뉴럴 네트워크 구조를 통해 입력으로서 수신된 키 프레임 검출 벡터(2240)를 처리함으로써 유닛 동영상 데이터가 키 프레임인지를 이진 결정(binary decision)으로 출력하도록 트레이닝될 수 있다. 또 다른 실시예에서, 키 프레임 분류 모듈(1113)은 키 프레임 검출 벡터(2240)를 이용하여 결과값들을 연산하는 단순 연산 모듈일 수 있다. 예를 들어, 키 프레임 분류 모듈(1113)은 유닛 동영상 데이터가 키 프레임인지 여부에 대한 이진 결정을 획득하기 위해 각각의 키 프레임 검출 벡터(2240)에 대한 절대값을 계산하고 계산된 값에 대한 소프트맥스 동작(softmax operation)들을 수행할 수 있다. 상술한 키 프레임 분류 모듈(1113)은 설명을 위한 것으로, 본 개시는 이에 한정되지 않는다.

본 개시의 일 실시예에서, 키 프레임 검출 벡터 생성기(1110)는 미리 결정된 개수의 유닛 동영상 데이터(2220)를 처리할 수 있다. 키 프레임 검출 벡터 생성기(1110)가 처리할 수 있는 유닛 동영상 데이터(2220)의 개수 및 크기가 미리결정되어 있는 경우, 이에 따라 동영상 데이터(2200)에서 생성되는 서브 동영상 데이터(2210)의 크기가 결정될 수 있다. 예를 들어, 키 프레임 검출 벡터 생성기(1110)는 한번에 128개의 유닛 동영상 데이터(2220)를 처리할 수 있고, 하나의 유닛 동영상 데이터(2220)의 길이는 1초로 설정될 수 있다. 이 경우 서브 동영상 데이터(2210) 각각은 128초의 길이를 갖도록 생성될 수 있다. 전술한 수치는 단지 설명을 위해 제시된 것이며, 구체적인 유닛 동영상 데이터의 크기 및 개수는 전술한 수치에 의해 제한되지 않는다.

일 실시예에서, 키 프레임 검출 벡터 생성기(1110)가 처리할 수 있는 유닛 동영상 데이터(2220)의 크기 및 개수는 가변적일 수 있다. 다른 실시예에서, 키 프레임 검출 벡터 생성기(1110)가 처리할 수 있는 유닛 동영상 데이터(2220)의 크기 및 개수 중 적어도 하나는 키 프레임 검출 벡터 생성기(1110)를 구성하는 네트워크 함수의 구조에 따라 고정적일 수 있다. 다른 일 실시예에서, 키 프레임 검출 벡터 생성기(1110)가 처리할 수 있는 유닛 동영상 데이터(2220)의 크기 및 개수는 동영상 데이터(2200)의 처리 중에 변경될 수도 있다. 또 다른 일 실시예에서, 키 프레임 검출 벡터 생성기(1110)가 처리할 수 있는 유닛 동영상 데이터(2220)의 크기 및 개수는 동영상 데이터(2200)의 처리가 모두 완료될 때까지 유지될 수 있다.

도 7a는 본 개시의 일 실시예에 따른 키 프레임 검출 벡터 생성기(1110)의 일 부분을 나타낸 블록 구성도이다.

본 개시의 일 실시예에서, 키프레임 검출 벡터 생성기(1110)는 하나 이상의 동영상 데이터 인코딩 모듈(1111A, 1111B, … 1111M)를 포함할 수 있다. 하나 이상의 동영상 데이터 인코딩 모듈(1111A, 1111B, … 1111M)은 각각 동영상 데이터(2200) 또는 서브 동영상 데이터(2210)에 포함된 데이터의 도메인들(예를 들어, 시각 이미지 도메인, 오디오 도메인, 텍스트 도메인 등) 중 적어도 하나에 기초하여 서브 동영상 데이터(2210) 또는 유닛 동영상 데이터(2220)를 인코딩할 수 있는 인코딩 모듈(1111A, 1111B, … 1111M)일 수 있다. 하나 이상의 동영상 데이터 인코딩 모듈(1111A, 1111B, … 1111M)이 처리하는 데이터의 도메인에 의해 분류되는 경우, 동영상 데이터 인코딩 모듈들(1111A, 1111B, … 1111M)은 시각 기반 동영상 데이터 인코딩 모듈 및 비-시간 기반 동영상 데이터(예를 들어, 오디오, 텍스트, 메타데이터 등) 인코딩 모듈로 분류될 수 있다.

본 개시의 일 실시예에서, 하나 이상의 동영상 인코딩 모듈(1111A, 1111B, … 1111M)들은 각각 동영상 데이터(2200) 또는 서브 동영상 데이터(2210)에 포함된 정보 중 검출하고자 하는 정보에 타입에 기초하여 서브 동영상 데이터(2210) 또는 유닛 동영상 데이터(2220)를 인코딩할 수 있는 인코딩 모듈일 수 있다. 예를 들어, 인코딩 모듈(1111A, 1111B, … 1111M)은, 서브 동영상 데이터(2210) 또는 유닛 동영상 데이터(2220) 내의 주제의 변화(Change of Subject), 객체간의 상호작용의 변화(Change of Object of Interaction), 동작의 변화(Change of Action), 환경의 변화(Change in Environment), 장면 전환(Shot Change)를 감지하는데 최적화된 인코딩 모듈(1111A, 1111B, … 1111M)일 수 있다. 이러한 다양한 변화들은 키 프레임을 검출하기 위한 정보를 제공할 수 있기 때문에, 각각의 동영상 데이터 인코딩 모듈은 서브 비디오 데이터(2210) 또는 유닛 동영상 데이터(2220)에서 이러한 변화들 중 적어도 하나를 검출할 수 있도록 트레이닝 될 수 있다. 예시적인 동영상 데이터 인코딩 모듈들은 이하에서 설명된다.

예시적인 일 실시예에서, 적어도 하나의 동영상 데이터 인코딩 모듈은 장면 전환(shot transition)을 검출하도록 트레이닝될 수 있다. 예를 들어, 예시적인 동영상 데이터 인코딩 모듈은 장면 전환(예를 들어, 동영상의 점진적인 전환 또는 하드 컷(hard cut))을 검출하기 위한 하나 이상의 트레이닝 가능한 서브-모듈들을 포함할 수 있다. 동영상 데이터 인코딩 모듈(1111)을 트레이닝시키기 위해, 프레임이 장면 전환을 포함하는지에 대한 라벨링된 정보를 가지는 동영상 데이터가 동영상 데이터 인코딩 모듈(1111)에 제공될 수 있다. 동영상 데이터 인코딩 모듈(1111)은 장면 전환에 대한 라벨링된 정보를 가지는 트레이닝 데이터에 의해 트레이닝될 수 있고, 유닛 동영상 데이터(2220) 내에서 가능한 장면 변화들에 대한 정보를 포함하는 인코딩 토큰들을 출력하도록 동영상 데이터를 인코딩할 수 있게 된다.

또 다른 예시적인 실시예에서, 동영상 데이터 인코딩 모듈(1111)은 동영상 데이터에서 객체들의 정보(예를 들어, 사람들, 기계들, 동물들, 또는 동영상에서 보이는 임의의 다른 활동적인 객체들)를 포함하는 토큰들을 출력할 수 있다. 동영상에서의 객체들에 대해 라벨링된 정보(사람에 의해 수동적으로 라벨링되거나 또는 본 기술분야에서 널리 공지된 안면 인식 모듈과 같은 기타 모듈에 의해 자동적으로 라벨링된)를 가지는 동영상 데이터가 동영상 데이터 인코딩 모듈에 제공될 수 있다. 라벨링된 데이터는 프레임이 키 프레임인지를 나타내거나 또는 동영상 프레임에서 보이는 객체들에 대한 정보일 수 있다.

또 다른 예시적인 실시예에서, 동영상 데이터 인코딩 모듈(1111)은 동영상 데이터에서 지배적인 객체의 동작 변화에 대한 정보(예를 들어, 동영상에서의 객체의 동작이 뛰는 것에서 점프하는 것으로 변함)를 포함하는 토큰들을 출력할 수 있다. 동영상 인코딩 모듈을 트레이닝시키기 위해, 동영상에서의 객체의 동작들에 대한 라벨링된 정보를 가지는 동영상 데이터가 인코딩 모듈에 제공될 수 있다. 라벨링된 데이터는 프레임이 키 프레임인지를 나타내거나 또는 동영상 프레임에서 보이는 객체들의 동작들에 대한 정보일 수 있다.

또 다른 예시적인 실시예에서, 동영상 데이터 인코딩 모듈은 지배적인 객체들 또는 장면들의 색상/밝기 변화에 대한 정보를 포함하는 토큰들을 출력할 수 있다. 동영상 인코딩 모듈을 트레이닝시키기 위해, 동영상에서 색상/밝기에 대한 라벨링된 정보를 가지는 동영상 데이터가 인코딩 모듈에 제공될 수 있다. 라벨링된 데이터는 프레임이 키 프레임인지를 나타내거나 또는 동영상 프레임에서 보이는 지배적인 객체 또는 장면의 색상/밝기 변화에 대한 정보일 수 있다.

인코딩 모듈(1111A, 1111B, … 1111M)들이 감지하고자 하는 정보의 종류는 예시적이며, 본 개시된 일 실시예에 따른 인코딩 모듈들은 이에 제한되지 않는다. 인코딩 모듈(1111A, 1111B, … 1111M)들이 감지하고자 하는 정보의 종류는 Mike Zheng Shou et al., Generic Event Boundary Detection: A Benchmark for Event Segmentation, ICCV 2021에 개시된 정보들을 포함할 수 있으며, 이 문서는 여기에 참조로서 통합된다.

인코딩 모듈(1111A, 1111B, … 1111M)들은 각각의 모듈이 감지하고자 하는 정보에 따라, 서브 동영상 데이터(2210) 또는 유닛 동영상 데이터(2220)에 포함된 정보 중 하나 이상의 데이터 도메인에 관련된 정보를 활용할 수 있다. 예를 들어, 인코딩 모듈(1111A)은 이미지 데이터 만을, 인코딩 모듈(1111B)은 텍스트 데이터와 오디오 데이터 모두를, 인코딩 모듈(1111C)은 텍스트 데이터, 오디오 데이터 및 동영상 데이터(2210)의 메타 데이터를 참조하여 정보를 감지할 수 있다. 전술한 조합 외의 다양한 데이터 도메인-인코딩 모듈(1111) 조합이 당업자에 의해 채택될 수 있으며, 본 개시의 일 실시예에 따른 인코딩 모듈(1111)은 전술한 예시에 의해 제한되지 않는다. 일 실시예에서, 인코딩 모듈(1111A, 1111B, … 1111M)들은 하나 이상의 서브 인코딩 모듈들이 직렬적 혹은 병렬적으로 연결되어 하나의 인코딩 모듈을 구성할 수 있다. 예를 들어, 동일한 데이터 도메인 또는 동일한 정보를 감지하기 위한 일 군의 서브 인코딩 모듈들이 직렬적 혹은 병렬적으로 연결되어, 동영상 데이터 인코딩 모듈(1111)을 구성할 수 있다. 해당 인코딩 모듈(1111)은 단일한 출력을 생성하기 위해, 서브 인코딩 모듈들의 출력 값을 통합할 수도 있다. 예를 들어, 둘 이상의 서브 인코딩 모듈들의 출력 값을 앙상블(ensemble)하여 단일한 출력을 제공할 수도 있다.

도 6에 도시된 바와 같이, 서브 동영상 데이터(2210)는 유닛 동영상 데이터(2220)로 분할되어, 하나 이상의 인코딩 모듈(1111A, 1111B, … 1111M)에 전달될 수 있다. 일 실시예에서, 각각의 인코딩 모듈(1111A, 1111B, … 1111M)은 한 번에 단일한 유닛 동영상 데이터를 처리할 수 있다. 다른 실시예에서, 각각의 인코딩 모듈(1111A, 1111B, … 1111M)은 상이한 길이 혹은 시간 구간(time duration)을 가지는 유닛 동영상 데이터를 처리할 수 있다. 각각의 모듈(1111A, 1111B, … 1111M)에 제공되는 유닛 동영상 데이터들은 적어도 부분적으로 중첩되는 데이터를 포함할 수 있다.

유닛 동영상 인코딩 모듈들(1111A, 1111B, … 1111M)이 단일한 유닛 동영상 데이터를 처리하여 하나 이상의 유닛 동영상 데이터 서브 토큰들(2250A, 2250B,… 2250M)을 생성할 수 있다. 유닛 동영상 인코딩 모듈들(1111A, 1111B, … 1111M)이 단일한 유닛 동영상 데이터를 처리하여 생성하는 유닛 동영상 데이터 서브 토큰들(2250A, 2250B ,… 2250M)의 개수는 유닛 동영상 인코딩 모듈들(1111A, 1111B, … 1111M)의 개수와 동일할 수 있다. 구체적으로, 유닛 동영상 인코딩 모듈들(1111A, 1111B, … 1111M)각각이 하나의 유닛 동영상 데이터 서브 토큰들(2250A, 2250B ,… 2250M)을 생성할 수 있다. 이는 예시적인 것이며, 본 개시의 다른 실시예에 따라, 유닛 동영상 인코딩 모듈들(1111A, 1111B, … 1111M) 중 적어도 일부는 둘 이상의 유닛 동영상 데이터 서브 토큰들(2250A, 2250B ,… 2250M)을 생성하거나, 다른 유닛 동영상 인코딩 모듈들과 통합하여 유닛 동영상 데이터 서브 토큰들(2250A, 2250B ,… 2250M)을 생성하거나, 특정 조건에 따라 생성하는 유닛 동영상 데이터 서브 토큰들(2250A, 2250B ,… 2250M)의 개수를 가변할 수 있다.

유닛 동영상 인코딩 모듈들(1111A, 1111B, … 1111M)은, 예를 들어, Chen et al,Shot Contrastive Self-Supervised Learning for Scene Boundary Detection (CVPR 2021) 및 Soucek and Lokoc, TransNet V2: An effective deep network architecture for fastshot transition detection에 개시된 키 프레임 검출 모듈을 포함할 수 있으며, 전술한 문서들은 여기에 참조로서 통합된다.

하나의 서브 동영상 데이터(2210)에 대하여, N 개의 유닛 동영상 데이터(2220)가 존재하고, N개의 유닛 동영상 데이터에 대하여 각각 M 개의 유닛 동영상 인코딩 모듈들(1111)이 M개의 유닛 동영상 데이터 서브 토큰들을 생성하는 경우, 키 프레임 검출 벡터 생성기(1110)는 하나의 서브 동영상 데이터(2210)에 대하여 M X N 개의 유닛 동영상 데이터 서브 토큰들(2250)을 생성할 수 있다.

본 개시의 일 실시예에서, 키 프레임 검출 모듈(1100)은 유닛 동영상 인코딩 모듈들(1111A, 1111B, … 1111M)에 의해 생성된 유닛 동영상 데이터 서브 토큰들(2250)은 토큰 인코더(1112, 도 7a 참조)에 입력되기 전에, 그룹화 할 수 있다. 일 실시예에서, 키 프레임 검출 벡터 생성기(1110)는 다수의 유닛 동영상 데이터 서브 토큰들(2250) 중 동일한 유닛 동영상 데이터(2220)에 기초하여 생성된 다수의 유닛 동영상 데이터 서브 토큰들(2250)을 그룹화할 수 있다. 다시 말해서, 단일한 유닛 동영상 데이터(2220)에 의해 생성된 둘 이상의 유닛 동영상 데이터 서브 토큰들을 각각의 단일 유닛 동영상 데이터(2220) 마다 그룹화할 수 있다. 키 프레임 검출 모듈(1100)은 그룹화된 하나 이상의 유닛 동영상 데이터 서브 토큰들(2250)에 기초하여, 단일 유닛 동영상 데이터(2220)에 대한 단일 유닛(single unit) 동영상 데이터 토큰(2260)을 구성할 수 있다. 예를 들어, 키 프레임 검출 모듈(1100)은 하나 이상의 동영상 데이터 서브 토큰들(2250A 내지 2250M)을 연쇄화(concatenating)함으로써 단일 유닛 동영상 데이터(2220)에 대한 단일 유닛 동영상 데이터 토큰(2260)을 구성할 수 있다. 일 실시예에서, N 개의 유닛 동영상 데이터(2220)가 존재하고, N개의 유닛 동영상 데이터에 대하여 각각 M 개의 유닛 동영상 인코딩 모듈들(1111)이 M개의 유닛 동영상 데이터 서브 토큰들을 생성하는 경우, 키 프레임 검출 모듈(1100)이 1개의 단일한 유닛 동영상 데이터(2220)에 의해 생성된 M개의 유닛 동영상 데이터 서브 토큰들(2250)을 1개의 단일한 유닛 동영상 데이터(2220) 마다 1개의 단일 유닛 동영상 데이터 토큰(2260)으로 변환할 수 있다. 따라서, 키 프레임 검출 모듈(1100)이 N개의 유닛 동영상 데이터(2220)에 대해 각각 대응하는 N개의 단일 유닛 동영상 데이터 토큰(2260)을 생성하고, 이를 토큰 인코더(1112)로 전달할 수 있다. 그러나, 이는 예시적인 프로세스로서, 키 프레임 검출 모듈(1100)은 단일 유닛 동영상 데이터 토큰(2260)을 생성하는 단계를 생략할 수 있다. 다른 실시예에서, 키 프레임 검출 모듈(1100)은 토큰 인코더(1112)에 의해 인코딩된 복수의 키 프레임 검출 벡터들(2240)을 생성할 수 있다. 키 프레임 검출 모듈(1100)은 복수의 키 프레임 검출 벡터들(2240)중 동일한 단일 유닛 동영상 데이터에 기초하여 생성된 키 프레임 검출 벡터들(2240)을 그룹화 할 수도 있다.

도 7b는 본 개시의 일 실시예에 따른 키 프레임 검출 벡터 생성기(1110)의 다른 부분을 나타낸 블록 구성도이다.

도 7b에 도시된 바와 같이, 키 프레임 검출 모듈(1100)은 키 프레임 검출 벡터 생성기(1110)를 포함하고, 키 프레임 검출 벡터 생성기(1110)는 토큰 인코더(1112)를 포함할 수 있다.

전술한 바와 같이, 토큰 인코더(1112)는 데이터들을 시계열적으로 고려하여 데이터를 인코딩하는 다양한 네트워크 함수 또는 알고리즘들을 포함할 수 있다. 전술한 네트워크 함수 또는 알고리즘들은 하나의 데이터에 대한 인코딩 시에 시간적으로 선후에 위치하는 다른 데이터의 정보가 반영되어 인코딩되는 임의의 네트워크 함수 및 알고리즘들을 의미할 수 있다. 전술한 네트워크 함수 또는 알고리즘들은, 순환 신경망(Recurrent Neural Network; RNN), LSTM, Seq2Seq, 트랜스포머(도 3 참조)를 포함할 수 있다.

몇몇 예에서, 토큰 인코더(1112)는 VCMR 태스크 데이터셋에 대한 세그먼트된 비디오-캡션(caption) 쌍 및 VR 태스크 데이터셋에 대한 원본 비디오-캡션 쌍에 기초하여 트레이닝될 수 있다. 여기서 트레이닝 데이트에 포함되는 동영상의 세그먼트들은 각각의 캡션(caption) 어노테이션에 대한 이들의 그라운드 트루(ground true, GT) 시작 및 종료 타임 스텝들에 기초하여 세그먼트화될 수 있다.

본 개시의 일 실시예에서, 토큰 인코더(1112)는 트랜스포머(transformer) 구조를 포함할 수 있다. 이 실시예에서, 토큰 인코더(1112)는 유닛 동영상 데이터 서브 토큰들(2250) 또는 단일 유닛 동영상 데이터 토큰(2260)을 입력 받아, 이를 인코딩하여 복수의 키 프레임 검출 벡터들(2240)을 생성할 수 있다.

전술한 바와 같이, 토큰 인코더(1112)는 유닛 동영상 데이터 서브 토큰들(2250)을 전처리하여, 유닛 동영상 데이터(2220) 각각에 대응하는 단일 유닛 동영상 데이터 토큰(2260)을 입력 받아, 유닛 동영상 데이터(2220) 각각에 대응하는 복수의 키 프레임 검출 벡터들(2240)을 생성할 수 있다.

본 발명의 다른 실시예에서, 토큰 인코더(1112)는 유닛 동영상 데이터 서브 토큰들(2250)을 인코딩하여 복수의 키 프레임 검출 벡터(2240)들을 생성할 수 있다. 전술한 바와 같이, 토큰 인코더(1112)에 의해 생성된 복수의 키 프레임 검출 벡터들(2240)의 개수는 하나의 서브 동영상 데이터(2100)에 포함된 유닛 동영상 데이터(2220)보다 많을 수 있다. 키 프레임 검출 모듈(1100)은 토큰 인코더(1112)의 출력을 후처리하여, 동일한 유닛 동영상 데이터(2220)에 의해 처리된 키 프레임 검출 벡터들(2240)을 그룹화하여 처리할 수 있다.

본 발명의 또 다른 실시예에서, 토큰 인코더(1112)는 단일 유닛 동영상 데이터(2220) 각각에 대하여 하나의 키 프레임 검출 벡터(2240)를 생성하거나, 단일 유닛 동영상 데이터(2220)에 대하여 둘 이상의 키 프레임 검출 벡터(2240)를 생성할 수 있다.

도 7b에 도시된 바와 같이, 키 프레임 검출 벡터 생성기(1110)는 키 프레임 분류기(1113)를 더 포함할 수 있다. 또는 키 프레임 분류기(1113)는 키 프레임 검출 벡터 생성기(1110) 외부에 연결되어, 키 프레임 검출 모듈(1100)을 구성할 수 있다.

키 프레임 분류기(1113)는 유닛 동영상 데이터(2220)에 대응하는 키 프레임 검출 벡터(2270)를 처리하여, 해당 유닛 동영상 데이터(2220)가 키 프레임에 해당하는지 여부를 결정할 수 있다.

도 8a 및 8b는 본 개시의 일 실시예에 따른 세그멘테이션 모듈(1200)이 동영상 데이터를 세그먼트하는 동작을 나타낸 개념도이다.

키 프레임 검출 모듈(1100)은 키 프레임 분류기(1113)에 의해 식별된 키 프레임의 시간 정보를 세그멘테이션 모듈(1200)로 전송할 수 있다. 도 8a의 예에 도시된 바와 같이, 세그멘테이션 모듈(1200)은 키 프레임 검출 모듈(1100)에 의해 식별되는 3개의 키 프레임에 대응하는 3개의 시간 정보(예를 들어, t1, t2, t3의 타임스탬프)를 수신할 수 있다. 세그멘테이션 모듈(1200)은 수신된 복수의 타임스탬프에 기초하여, 복수의 타임 스탬프들을 시작 시간 또는 종료시간으로 하는 복수의 검색 동영상 데이터(2230)를 생성할 수 있다. 도 8a의 실시예에서, 세그멘테이션 모듈(1200)은 검색 동영상 데이터(2230A)가 0-t1 s, 검색 동영상 데이터(2230B)가 t1-t2 s, 검색 동영상 데이터(2230C)가 t2-t3 s, 검색 동영상 데이터(2230A)가 t3-t4 s의 시간 구간을 갖도록 세그멘트할 수 있다.

도 8b에 도시된 바와 같이, 키 프레임 검출 모듈(1100)로부터 수신된 타임스탬프들 중 임의의 인접한 두 개의 타임스탬프들의 시간 간격이 미리결정된 시간을 초과하는 경우, 세그먼테이션 모듈(1200)은 해당 시간 간격동안의 동영상 데이터(2200)를 미리결정된 규칙에 따라 추가적으로 세그먼트하여, 검색 동영상 데이터(2231A, 2231B, 2231C, … 2231N)를 생성할 수 있다.

세그멘테이션 모듈(1200)이 추가적으로 동영상 데이터(2200)를 세그먼트하는 미리정해진 규칙은 예를 들어, 미리 결정된 길이의 동영상으로, 미리결정된 시간 간격에 걸쳐 세그먼트하는 규칙을 의미할 수 있다. 이 경우 세그멘테이션 모듈(1200)이 규칙에 의해 세그먼트한 복수의 동영상들 중 적어도 일부에 대해서는 중첩되는(overlapping) 구간이 존재할 수 있다.

도 9는 본 개시의 일 실시예에 따른 검색 벡터 생성 모듈(1300)의 일 부분을 나타낸 블록 구성도이다.

도 5에 도시된 바와 같이, 세그멘테이션 모듈(1200)은 세그먼테이션된 동영상을 검색 벡터 생성 모듈(1300)로 제공할 수 있다. 도 9에 도시된 바와 같이, 세그멘트된 하나 이상의 검색 동영상 데이터(2230)들은 M개의 동영상 인코딩 모듈들, 예를 들어, 시각 기반 동영상 인코딩 모듈(1310) 또는 비-시각기반 동영상 인코딩 모듈(1320)에 의해 각각 인코딩 될 수 있다.

본 발명의 다른 실시예에서, 검색 벡터 생성 모듈(1300)은 검색 동영상 데이터(2230)에서 추출하고자 하는 멀티모달 정보에 대하여 상이한 인코딩 모듈들을 포함할 수 있다. 예를 들어, 음성 인식 모듈, 광학 문자 인식(OCR) 인코딩 모듈, 객체 검출(Object Detection) 모듈, 행동 인식(Action Recognition) 모듈, 배경/위치(Place Recognition) 모듈, 이미지 인식(Image Recognition) 모듈 등을 포함할 수 있다.

일 예로서, 시각 기반 동영상 인코딩 모듈(1310)은 동영상 데이터에 포함된 데이터 중 시각적 신호를 기초로 하는 다양한 정보에 기초하여 동영상 데이터를 인코딩 하는 모듈을 의미할 수 있다. 예를 들어, 동영상 데이터에 포함된 시각적 신호의 일 예로서, RGB 이미지, 이미지에 포함된 객체(Object)와 연관된 정보(객체의 분류(Class), 프레임 내에서 객체가 존재하는 위치, 둘 이상의 객체들의 프레임 내에서의 상대적인 위치), 행동(Action), 위치(Location) 및/또는 배경(Placses)과 연관된 정보, 동영상 데이터에 포함된 프레임에 시각적으로 표시된 텍스트 정보(텍스트 정보는 광학 문자 인식(Optical Character Recognition; OCR)에 의해 식별될 수 있음)를 포함할 수 있으나, 이에 제한되지 않는다.

또 다른 일 예로서, 비-시각 기반 동영상 인코딩 모듈(1320)은 동영상 데이터에 포함된 데이터 중 시각적 신호가 아닌 신호에 기초한 다양한 정보에 기초하여 동영상 데이터를 인코딩하는 모듈을 의미할 수 있다. 예를 들어, 동영상 정보에 포함된 비-시각적 신호의 일 예로서, 음성 데이터, 비-음성 소리(Sound) 데이터, 텍스트 데이터(프레임 내에서 시각적으로 표현되지 않은 모든 텍스트 데이터를 의미할 수 있음), 검색 동영상(2230)의 메타 데이터 등을 포함할 수 있다.

몇몇 예에서, 시각 기반 동영상 인코딩 모듈(1310) 및 비-시각 기반 동영상 인코딩 모듈(1320)이 복수의 동영상-캡션 쌍들을 포함하는 트레이닝 데이터에 기초하여 트레이닝될 수 있다. 예를 들어, 각각의 동영상에 대한 캡션은 동영상 또는 오디오 스크립트, 동영상으로부터 자동 추출된 스피치 트랜스크립션(speech transcription)으로부터 추출되거나 또는 전문가에 의해 직접 주석으로 달릴 수 있다.

도 7a에서 설명된 것과 유사하게, 하나 이상의 검색 동영상 데이터(2230)는 또한 복수의 유닛 검색 동영상 데이터(2270A, 2270B, …, 2270N)로 분할되어, 각각의 유닛 검색 동영상 데이터가 동영상 인코딩 모듈들(1310, 1320)에 의해 차례로 인코딩될 수 있다. 다시 말하면, 하나의 검색 동영상 데이터(2230)가 N개의 유닛 검색 동영상 데이터(2270)로 분할되고 M개의 유닛 동영상 인코딩 모듈들(1310, 1320)이 N개의 유닛 검색 동영상 데이터 각각에 대해 M개의 검색 동영상 임베딩 토큰들을 생성하므로, 벡터 생성 모듈(1300)은 하나의 검색 동영상 데이터(2230)에 대하여 M × N 개의 검색 동영상 임베딩 토큰들(2280)을 생성할 수 있다.

검색 벡터 생성 모듈(1300)이 유닛 검색 동영상 데이터를 인코딩 하는 방법의 예시는, "Multi-modal Transformer for Video Retrieval"(https://arxiv.org/pdf/2007.10639.pdf)”에 개시되어 있으며, 이 문서는 여기에 참조로서 통합된다.

도 10은 본 개시의 일 실시예에 따른 검색 벡터 생성 모듈(1300)의 다른 일 부분을 나타낸 블록 구성도이다.

본 개시의 일 실시예에서, 검색 벡터 생성 모듈(1300)은 검색 토큰 인코더(1330)를 포함할 수 있다. 검색 토큰 인코더(1330)는, 토큰 인코더(1113)와 유사하게, 데이터들을 시계열적으로 고려하여 데이터를 인코딩하는 다양한 네트워크 함수 또는 알고리즘들을 포함할 수 있다. 전술한 네트워크 함수 또는 알고리즘들은 하나의 데이터에 대한 인코딩 시에 시간적으로 선후에 위치하는 다른 데이터의 정보가 반영되어 인코딩되는 임의의 네트워크 함수 및 알고리즘들을 의미할 수 있다. 전술한 네트워크 함수 또는 알고리즘들은, 순환 신경망(Recurrent Neural Network; RNN), LSTM, Seq2Seq, 트랜스포머(도 3 참조)를 포함할 수 있다.

몇몇 예에서, 검색 토큰 인코더(1330)는 VCMR 태스크 데이터셋에 대한 세그먼트화된 비디오-캡션 쌍 및 VR 태스크 데이터셋에 대한 원본 비디오-캡션 쌍에 기초하여 트레이닝될 수 있다. 여기서, 트레이닝 데이트에 포함되는 동영상의 세그먼트들은 각각의 쿼리(캡션) 어노테이션에 대한 이들의 그라운드 트루(ground true, GT) 시작 및 종료 타임 스텝들에 기초하여 세그먼트화될 수 있다.본 개시의 일 실시예에서, 검색 토큰 인코더(1330)는 트랜스포머(transformer) 구조를 포함할 수 있다. 이 실시예에서, 검색 토큰 인코더(1330)는 각각의 동영상 인코딩 모듈(1310, 1320 등)에 의해 생성된 검색 동영상 임베딩 토큰(2280A, …, 2280M)들을 입력으로 하여, 검색 동영상 대표 토큰(2290)을 생성할 수 있다. 이러한 검색 토큰 인코더(1330)의 연산과정에서, 검색 토큰 인코더(1330)는 시간적 인코딩(temporal encoding)을 수행할 수 있다). 시간적 인코딩을 수행하기 위해, 검색 토큰 인코더(1330)는 하나 이상의 검색 동영상 임베딩 토큰(2280)과 대응되는 유닛 검색 동영상 데이터(2270)의 프레임 관련 정보(예를 들어, 해당 프레임의 번호 또는 타임프레임)을 검색 동영상 임베딩 토큰(2280)과 함께 처리할 수 있다. 도 10에서 도시되는‘TE(Time Embedding)’ 블록들은 상술한 시간적 인코딩(temporal encoding)을 수행하기 위해 추가된 블록들을 표시한다.

다른 일 실시예에서, 검색 토큰 인코더(1330)는 동영상 임베딩 토큰들(2280A, … 2280M)에 대하여, 해당 임베딩 토큰들(2280A, …, 2280M)을 병렬적으로 인코딩하고, 인코딩된 검색 동영상 대표 토큰(2290)들 중 동일한 유닛 검색 동영상 데이터(2270)에 기초하여 생성된 토큰들(2290)을 그룹화할 수 있다. 다시 말해서, 검색 토큰 인코더(1330)에 입력되는 동영상 임베딩 토큰들(2280A, … ,2280M)은 토큰 상호간의 연산 없이 검색 토큰 인코더에 의해 연산 될(1330) 수 있다. 이 실시예에서, 검색 토큰 인코더(1330)는 연쇄된(concatenated) 임베딩 토큰들(2280A, …, 2280M)에 대한 연산을 수행할 수 있다.

검색 벡터 생성 모듈(1300)은 단일 검색 동영상 데이터(2230)에 대해 생성된 하나 이상의 검색 동영상 대표 토큰(2290)들에 기초하여, 검색 동영상 데이터(2230)에 대한 동영상 검색 벡터(1410)를 생성할 수 있다. 하나 이상의 검색 동영상 대표 토큰들(2290)을 이용하여 다수의 특징 벡터들을 하나로 통합하기 위한 다양한 방법이 수행될 수 있다. 예를 들어, 하나 이상의 검색 동영상 대표 토큰(2290)에 대하여 Max Pooling, Mean Pooling, Global Average Pooling 등과 같은 풀링 연산들이 수행될 수 있다.

검색 벡터 생성 모듈은(1300)에서 생성된 동영상 검색 벡터(1410)들은, 전술한 바와 같이, 검색 벡터 데이터 베이스(1400)에 저장될 수 있다.

도 11은 본 발명의 다른 일 실시예에 따른 동영상 검색 제공자(1000)의 일 부분을 나타낸 블록 구성도이다.

본 개시의 예시적인 실시예에서, 상술한 바와 같이, 키 프레임 검출 모듈(1100)은 하나 이상의 동영상 데이터를 2개 이상의 유닛 동영상 데이터로 세그먼트할 수 있다. 키 프레임 검출 모듈(1100)은 키 프레임 검출 모듈에 포함되는 하나 이상의 인코더들에 의해, 2개 이상의 유닛 동영상 데이터를 인코딩할 수 있다. 키 프레임 검출 모듈(1100)은 인코딩 결과에 기초하여 2개 이상의 유닛 동영상 데이터 각각에 대한 하나 이상의 유닛 동영상 데이터 토큰(2250)들을 생성할 수 있다. 키 프레임 검출 모듈(1100)은 2개 이상의 유닛 동영상 데이터 토큰(2250)들의 특징값들에 기초하여 2개 이상의 유닛 동영상 데이터(2220) 중에서 키 프레임 정보를 식별할 수 있다. 보다 구체적으로, 키 프레임 검출 모듈(1100)은 하나 이상의 유닛 동영상 데이터 토큰(2250)들에 기초하여 유닛 동영상 데이터(2220)에 대한 하나 이상의 키 프레임 검출 벡터(2240)들을 생성할 수 있다. 키 프레임 검출 벡터(2240)들은 키 프레임 검출 벡터에 대응하는 유닛 동영상 데이터가 키 프레임에 대응하는지 여부를 식별하는데 사용될 수 있다.

본 개시의 예시적인 실시예에서, 상술한 바와 같이, 세그멘테이션 모듈(1200)은 키 프레임 검출 모듈(1100)로부터 수신된 키 프레임 정보에 기초하여 검색 동영상 데이터(2230)로 하나 이상의 동영상 데이터(2200)를 세그먼트할 수 있다. 환언하면, 세그멘테이션 모듈(1200)은 식별된 키 프레임 정보에 기초하여 2개 이상의 유닛 동영상 데이터(2220)를 그룹핑함으로써 하나 이상의 검색 동영상 데이터(2230)를 생성할 수 있다. 이 경우에, 각각의 하나 이상의 검색 동영상 데이터(2230)는 유닛 동영상 데이터 토큰(2250)들의 값들에 기초하여 그룹핑된 유닛 동영상 데이터(2220)를 포함할 수 있다. 또한, 각각의 하나 이상의 검색 동영상 데이터(2230)는 2개 이상의 시간적으로 연속적인 유닛 동영상 데이터(2220)를 포함할 수 있다. 각각의 하나 이상의 검색 동영상 데이터(2230)는 키 프레임으로 식별된 적어도 하나의 유닛 동영상 데이터(2220)를 포함할 수 있고, 키 프레임으로 식별된 유닛 동영상 데이터(2220)는 2개 이상의 시간적으로 연속적인 유닛 동영상 데이터(2220) 중에서 시간적으로 가장 선행하거나 또는 시간적으로 가장 후행할 수 있다.

본 개시의 일 실시예에서, 동영상 검색 제공자(1000)의 키 프레임 검출 모듈(1100)은 키 프레임 검출 모듈(1100)에서 유닛 동영상 데이터(2220)에 대해서 생성된 복수의 키 프레임 검출 벡터들(2240)을 검색 벡터 생성 모듈(1300)로 전달할 수 있다.

검색 벡터 생성 모듈(1300)은 세그멘테이션 모듈(1200)로부터 검색 동영상 데이터들(2230)의 구간 정보를 수신할 수 있다. 검색 벡터 생성 모듈(1300)은 세그멘테이션 모듈(1200)로부터 수신한 검색 동영상 데이터들의(2230)의 구간 정보에 기초하여, 키 프레임 검출 모듈(1100)으로부터 수신한 키 프레임 검출 벡터들(2240)을 그룹화할 수 있다. 예를 들어, 검색 벡터 생성 모듈(1300)은 단일 검색 동영상 데이터(2230)에 포함되는 유닛 동영상 데이터(2220)들에 기초하여 생성된 키 프레임 검출 벡터들(2240)을 그룹화할 수 있다.

본 개시의 예시적인 실시예에서, 검색 벡터 생성 모듈(1300)은 키 프레임 검출 벡터(2240)들 중에서 하나 이상의 벡터들의 조합에 기초하여 하나 이상의 검출 동영상 데이터(2230)의 특징 벡터를 생성할 수 있다. 예를 들어, 검색 벡터 생성 모듈(1300)은 그룹화된 키 프레임 검출 벡터들(2240)에 기초하여, 검색 동영상 데이터(2230)에 대한 동영상 검색 벡터(1410)를 생성할 수 있다. 그룹화된 복수의 키 프레임 검출 벡터들(2240)에 기초하여, 동영상 검색 벡터(1410)를 생성하기 위해, 다수의 특징 벡터들을 하나로 통합하기 위한 다양한 방법이 수행될 수 있다. 예를 들어, 하나 이상의 키 프레임 검출 벡터들(2240)에 대하여 Max Pooling, Mean Pooling, Global Average Pooling 등과 같은 풀링 연산들이 수행될 수 있다.

이와 같은 방법으로, 검색 벡터 생성 모듈(1300)이 별도의 검색 토큰 인코더(1330)를 구현하지 아니하고, 키 프레임 검출 모듈(1100)에서 생성된 키 프레임 검출 벡터들(2240)을 활용하여, 동영상 검색 벡터(1410)를 생성하는데 소요되는 컴퓨팅 자원을 크게 절약할 수 있다.

구체적으로 설명하면, 기존의 동영상 검색 방법에서, 키 프레임을 검출하기 위한 벡터와 동영상 검색을 위한 벡터가 각각 추출되었다. 본 개시에 몇몇 실시예에서, 상술한 바와 같이, 키 프레임 정보를 식별하는데 사용된 키 프레임 검출 벡터들(2240)을 활용하여 검색 동영상 데이터(2230)에 대한 동영상 검색 벡터(1410)가 생성될 수 있다. 따라서, 키 프레임을 검출하기 위한 벡터와 동영상 검색을 위한 벡터를 각각 추출하는 위해 중복되는 프로세스(예를 들어, 인코딩 프로세스, 트랜스포머 프로세스)를 줄임으로써, 동영상 검색 벡터(1410)를 생성하는데 소요되는 컴퓨팅 자원이 크게 절약될 수 있다.

도 12는 본 개시의 일 실시예에 따른 동영상 검색 제공자(1000)의 다른 일 부분을 나타낸 블록 구성도이다.

동영상 검색 제공자(1000)는 동영상 검색 벡터(1410)에 대한 데이터베이스화가 진행된 이후에, 동영상 검색을 수행하기 위한 검색 쿼리 데이터(1510)를 수신할 수 있다. 검색 쿼리 데이터(1510)는 동영상 데이터(2100)를 구성하는 다양한 데이터 도메인의 형태를 모두 포함할 수 있다. 예를 들어, 검색 쿼리 데이터는, 일정한 길이를 갖는 동영상 데이터, 텍스트 문자열, 오디오 음성 파형 및/또는 동영상의 제목, 설명 등을 포함하는 동영상 메타데이터를 포함할 수 있으나, 검색 쿼리 데이터는 이에 한정되지 않는다.

검색 쿼리 데이터가 수신되면, 쿼리 인코딩 모듈(1500)은 수신된 검색 쿼리 데이터(1510)를 검색 쿼리 벡터(1520)로 인코딩할 수 있다. 쿼리 인코딩 모듈(1500)은 검색 쿼리 데이터(1510)를 인코딩하기 위해, 키 프레임 검출 모듈(1100) 또는 검색 벡터 생성 모듈(1300)과 적어도 부분적으로 유사한 구조를 갖거나, 상기 모듈들(1100, 1300)의 적어도 일부를 활용하여 검색 쿼리 벡터(1520)를 생성할 수 있다. 또한, 쿼리 인코딩 모듈(1500)은 키 프레임 검출 모듈(1100) 또는 검색 벡터 생성 모듈(1300)과 유사한 방식으로 트레이닝될 수 있다.

생성된 검색 쿼리 벡터(1520)는, 동영상 검색 벡터(1410)와 연산가능한 형태를 지닐 수 있다. 예를 들어, 검색 쿼리 벡터(1520) 및 동영상 검색 벡터(1410)는 각 벡터의 적어도 일부가 연산가능한 형태(상호 호환 가능한(compatible))의 구성요소를 포함하고 있을 수 있다. 구체적으로, 검색 쿼리 벡터(1520) 및 동영상 검색 벡터(1410)는 동일한 차원을 가질 수 있다. 다른 실시예에서, 검색 쿼리 벡터(1520) 및 동영상 검색 벡터(1410)는 적어도 부분적으로 동일한 엘리먼트를 가지는 벡터일 수 있다. 또 다른 실시예에서, 검색 쿼리 벡터(1520)의 모든 엘리먼트가 동영상 검색 벡터(1410)에 존재하거나, 그 역이 성립할 수 있다.

유사도 비교 모듈(1600)은 검색 쿼리 벡터(1520) 및 동영상 검색 벡터(1410) 사이의 유사도를 비교할 수 있다. 두 벡터의 유사도를 비교하기 위하여, 전술한 바와 같이 다양한 유사도 비교 방법이 수행될 수 있다. 유사도 비교 모듈(1600)은 검색 벡터 데이터베이스(1400)에 포함된 동영상 검색 벡터(1410) 전부 또는 그 일부와 검색 쿼리 벡터(1520)를 비교할 수 있다.

유사도 비교 모듈(1600)은 공지의 전처리 방법에 의존하여, 동영상 검색 벡터(1410)중 검색 쿼리 벡터(1410)와 유사도 낮을 것으로 예상되는 동영상 검색 벡터(1410)들을 비교 대상에서 배제할 수 있다.

유사도 비교 모듈(1600)은 동영상 검색 벡터(1410) 중 검색 쿼리 벡터(1520)와 가장 유사도가 높은 동영상 검색 벡터(1410)의 유사도 스코어를 식별할 수 있다. 유사도 비교 모듈(1600)은, 미리결정된 방법에 의해 검색 쿼리 벡터(1520)에 대응하는 하나 이상의 동영상 검색 벡터(1410)를 선택할 수 있다. 예를 들어, 유사도 비교 모듈(1600)은 검색 쿼리 벡터(1520)와 유사도 스코어가 가장 높은 하나의 동영상 검색 벡터(1410)를 검색 결과로 선택할 수 있다.

일 실시예에서, 유사도 비교 모듈(1600)이 둘 이상의 동영상 검색 벡터(1410)를 검색 결과로서 선택하는 경우, 유사도 비교 모듈(1600)은, 쿼리 벡터(1510)와 유사도 스코어가 가장 높은 하나의 동영상 검색 벡터(1410)와 인접하는 검색 대상 동영상에 대응하는 동영상 검색 벡터들(1410)을 검색 결과로 선택할 수 있다.

다른 실시예에서, 유사도 비교 모듈(1600)은 상위 N 개의 유사도 높은 동영상 검색 벡터(1410)들을 선택하고, N개의 동영상 검색 벡터(1410)와 인접하는 검색 대상 동영상에 대응하는 동영상 검색 벡터(1410)를 검색 결과로 선택할 수 있다.

또 다른 실시예에서, 유사도 비교 모듈(1600)은 상위 N 개의 유사도 높은 동영상 검색 벡터(1410)들을 선택하고, N개의 동영상 검색 벡터(1410)와 인접하는 검색 대상 동영상에 대응하는 동영상 검색 벡터(1410)들의 유사도 스코어를 확인할 수 있다. 이 실시예에서, 유사도 비교 모듈(1600)은 인접하는 검색 대상 동영상에 대응하는 동영상 검색 벡터(1410)의 유사도 스코어가 임계값 이상인 경우만, 해당 동영상 검색 벡터(1410)를 검색 결과로서 선택할 수 있다. 해당 임계값은, 가장 높은 유사도 스코어를 기록한 동영상 검색 벡터(1410)의 유사도 스코어에 기초하여 결정될 수 있다. 예를 들어, 해당 임계값은 가장 높은 유사도 스코어를 기록한 동영상 검색 벡터(1410)의 유사도 스코어에 0.9를 곱한 값으로 결정될 수 있다. 그러나 이는 예시적인 것이며, 임계값을 설정하는 방법은 이에 제한되지 않는다.

또 다른 실시예에서, 쿼리 벡터(1510)와 유사도 스코어가 가장 높은 하나의 동영상 검색 벡터(1410)와 인접하는 검색 대상 동영상에 대응하는 동영상 검색 벡터들(1410)들의 유사도 스코어를 확인할 수 있다. 이 실시예에서, 유사도 비교 모듈(1600)은 인접하는 검색 대상 동영상에 대응하는 동영상 검색 벡터(1410)의 유사도 스코어가 임계값 이상인 경우만, 해당 동영상 검색 벡터(1410)를 검색 결과로서 선택할 수 있다.

동영상 검색 서비스 제공자(1000)는 검색 쿼리 벡터와 동영상 검색 벡터 사이의 비교 결과에 의해 하나 이상의 검색 대상 동영상을 선택할 수 있다. 동영상 검색 서비스 제공자(1000)는 선택된 검색 대상 동영상의 시작 및 종료 시간을 식별할 수 있다.

도 13은 본 개시의 일 실시예에 따른 동영상 검색 방법에 대한 순서도이다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 하나 이상의 동영상 데이터에 기초하여 하나 이상의 서브 동영상 데이터를 생성하는 단계(s100)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 키 프레임 검출 모듈에 의해, 하나 이상의 서브 동영상 데이터로부터 생성된 키 프레임 정보를 식별하는 단계(s200)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 키 프레임 정보를 식별하는 단계(s200)는 하나 이상의 서브 동영상 데이터에 기초하여, 미리 결정된 길이를 갖는 하나 이상의 유닛 동영상 데이터를 생성하는 단계(s210)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 키 프레임 정보를 식별하는 단계(s200)는 하나 이상의 유닛 동영상 데이터 인코딩 모듈들에 의해, 하나 이상의 유닛 동영상 데이터 각각에 대하여 하나 이상의 유닛 동영상 데이터 서브 토큰들을 생성하는 단계(s220)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 키 프레임 정보를 식별하는 단계(s200)는 키 프레임 검출 모듈에 의해, 상기 하나 이상의 유닛 동영상 데이터 각각에 대하여, 하나 이상의 키 프레임 검출 벡터를 생성하는 단계(s230)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 식별된 키 프레임 정보에 기초하여, 하나 이상의 동영상 데이터를 하나 이상의 검색 동영상 데이터로 세그먼트하는 단계(s300)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 하나 이상의 동영상 데이터를 세그먼트 하는 단계(s300)는, 식별된 복수의 키 프레임들에 대응하는 복수의 타임 스탬프에 기초하여, 복수의 타임 스탬프들을 시작 시간 또는 종료시간으로 하는 복수의 검색 동영상 데이터들을 생성하는 단계(s310)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 하나 이상의 동영상 데이터를 세그먼트하는 단계(s300)는, 복수의 타임스탬프들 중 인접한 두 개의 타임스탬프 간의 간격이 미리결정된 길이를 초과하는 경우, 인접한 두 개의 타임스탬프 사이에 해당하는 동영상 데이터를 미리결정된 규칙에 따라 둘 이상의 검색 동영상 데이터들로 세그먼트하는 단계(s320)를 포함할 수 있다.

전술한 동영상 검색 방법의 단계들은 단지 설명을 위해 제시된 것이며, 일부 단계가 생략되거나 별도의 단계가 추가될 수 있다. 또한, 전술한 동영상 검색 방법의 단계들은 임의의 순서에 따라 수행될 수 있다. 대안적인 단계들이 이하에서 더 설명된다.

도 14는 유닛 동영상 데이터 인코딩 토큰을 생성하는 단계에 대한 예시적인 순서도이다.

본 개시의 일 실시예에 따라, 하나 이상의 유닛 동영상 데이터 서브 토큰들을 생성하는 단계(s220)는, 둘 이상의 유닛 동영상 데이터 인코딩 모듈들에 의해, 단일 유닛 동영상 데이터에 대하여 둘 이상의 유닛 동영상 데이터 서브 토큰들을 생성하는 단계(s221)를 포함할 수 있다.

전술한 동영상 검색 방법의 단계들은 단지 설명을 위해 제시된 것이며, 일부 단계가 생략되거나 별도의 단계가 추가될 수 있다.

도 15는 본 개시의 일 실시예에 따른 키 프레임 검출 벡터를 생성하는 단계에 대한 예시적인 순서도이다.

본 개시의 일 실시예에 따라, 하나 이상의 키 프레임 검출 벡터를 생성하는 단계(s230)는, 키 프레임 검출 모듈에 의해, 하나 이상의 유닛 동영상 데이터 서브 토큰들에 기초하여, 유닛 동영상 데이터에 대한 하나 이상의 키 프레임 검출 벡터를 생성하는 단계(s231)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 하나 이상의 키 프레임 검출 벡터를 생성하는 단계(s230)는, 키 프레임 검출 모듈에 의해, 단일 유닛 동영상 데이터에 대하여 생성된 유닛 동영상 데이터 서브 토큰들에 기초하여, 단일 유닛 동영상 데이터에 대한 하나 이상의 키 프레임 검출 벡터를 생성하는 단계(s232)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 하나 이상의 키 프레임 검출 벡터를 생성하는 단계(s230)는, 단일 유닛 동영상 데이터에 대하여 생성된 상기 둘 이상의 유닛 동영상 데이터 서브 토큰들에 기초하여, 유닛 동영상 데이터 토큰을 생성하는 단계(s233)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 하나 이상의 키 프레임 검출 벡터를 생성하는 단계(s230)는, 키 프레임 검출 모듈에 의해, 생성된 유닛 동영상 데이터 토큰에 기초하여, 단일 유닛 동영상 데이터에 대한 하나 이상의 키 프레임 검출 벡터를 생성하는 단계(s234)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 하나 이상의 키 프레임 검출 벡터를 생성하는 단계(s230)는, 키 프레임 검출 모듈에 의해, 둘 이상의 유닛 동영상 데이터에 대하여 생성된 복수의 유닛 동영상 데이터 서브 토큰들에 기초하여, 복수의 유닛 동영상 데이터 토큰들을 생성하는 단계(s235)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 하나 이상의 키 프레임 검출 벡터를 생성하는 단계(s230)는, 복수의 유닛 동영상 데이터 토큰들 중 동일한 유닛 동영상 데이터에 대하여 생성된 유닛 동영상 데이터 토큰들 각각에 기초하여, 각각의 유닛 동영상 데이터에 대한 하나 이상의 키 프레임 검출 벡터를 생성하는 단계(s236)를 포함할 수 있다.

전술한 동영상 검색 방법의 단계들은 단지 설명을 위해 제시된 것이며, 일부 단계가 생략되거나 별도의 단계가 추가될 수 있다. 대안적인 단계들이 이하에서 더 설명된다.

도 16은 본 개시의 일 실시예에 따른 동영상 검색 방법에 대한 다른 순서도이다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 하나 이상의 동영상 데이터에 대한 검색 쿼리 데이터를 수신하는 단계(s1100)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 머신 러닝 인에이블된 쿼리 인코딩 모듈에 의해, 수신된 검색 쿼리 데이터에 기초하여, 검색 쿼리 벡터를 생성하는 단계(s1200)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 키 프레임 정보에 기초하여 분할된 검색 대상 동영상 데이터 각각을 대표하는 하는 복수의 동영상 검색 벡터들과, 검색 쿼리 벡터를 비교하는 단계(s1300)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 비교하는 단계(s1300)는, 검색 쿼리 벡터와 상기 복수의 동영상 검색 벡터들 중에 동영상 검색 벡터의 유사도 스코어(similarity score)를 연산하는 단계(s1310)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 복수의 동영상 검색 벡터들과 검색 쿼리 벡터 간의 비교 결과에 기초하여, 하나 이상의 검색 대상 동영상 데이터를 선택하는 단계(s1400)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 선택하는 단계(s1400)는, 복수의 동영상 검색 벡터들 중 검색 쿼리 벡터와 가장 높은 유사도 스코어를 갖는 제 1 동영상 검색 벡터를 식별하는 단계(s1410)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 선택하는 단계(s1400)는, 제 1 동영상 검색 벡터의, 검색 쿼리 벡터와의 유사도 스코어를 기준으로, 미리결정된 임계치 이상의 유사도 스코어를 갖는 하나 이상의 제 2 동영상 검색 벡터를 식별하는 단계(s1420)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 선택하는 단계(s1400)는, 식별된 하나 이상의 제 2 동영상 검색 벡터들 중 제 1 동영상 검색 벡터와 시간상 인접하는 검색 대상 동영상 데이터에 기초하여 생성된 동영상 검색 벡터들을 식별하는 단계(s1430)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 선택하는 단계(s1400)는, 제 1 동영상 검색 벡터 및 식별된 제 2 동영상 검색 벡터와 대응하는 검색 대상 동영상 데이터를 선택하는 단계(s1440)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 선택된 검색 대상 동영상 데이터의 시작 및 종료 시간 정보를 식별하는 단계(s1500)를 포함할 수 있다.

전술한 동영상 검색 방법의 단계들은 단지 설명을 위해 제시된 것이며, 일부 단계가 생략되거나 별도의 단계가 추가될 수 있다. 대안적인 단계들이 이하에서 더 설명된다.

도 17은 본 개시의 일 실시예에 따른 동영상 검색 방법에 대한 또 다른 순서도이다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 키 프레임 검출 모듈에 의해, 하나 이상의 동영상 데이터에 포함되는 하나 이상의 유닛 동영상 데이터로부터 각각 생성되는 하나 이상의 인코딩된 벡터들에 기초하여, 하나 이상의 동영상 데이터에 대한 키 프레임 정보를 식별하는 단계(s2100)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 식별된 키 프레임 정보에 기초하여, 하나 이상의 동영상 데이터를 하나 이상의 검색 대상 동영상 데이터로 세그먼트하는 단계(s2200)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 검색 벡터 생성 모듈에 의해, 하나 이상의 검색 대상 동영상 데이터를 각각 대표하는 하나 이상의 검색 동영상 벡터들을 생성하는 단계(s2300)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 검색 동영상 벡터들을 생성하는 단계(s2300)는, 세그먼트된 하나 이상의 검색 대상 동영상 데이터 각각을 복수의 유닛 검색 동영상 데이터로 분할하는 단계(s2310)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 검색 동영상 벡터들을 생성하는 단계(s2300)는, 복수의 유닛 검색 동영상 데이터 각각에 포함된 시간 정보에 기초하여, 시간 임베딩(temporal embedding) 토큰을 생성하는 단계(s2320)를 더 포함할 수 있다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 검색 대상 동영상 데이터에 대응하는 하나 이상의 검색 동영상 벡터들을, 동영상 검색 인덱스 데이터베이스에 저장하는 단계(s2400)를 더 포함할 수 있다.

전술한 동영상 검색 방법의 단계들은 단지 설명을 위해 제시된 것이며, 일부 단계가 생략되거나 별도의 단계가 추가될 수 있다. 대안적인 단계들이 이하에서 더 설명된다.

도 18은 본 개시의 일 실시예에 따른 동영상 검색 방법에 대한 또 다른 순서도이다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 하나 이상의 동영상 데이터를 둘 이상의 유닛 동영상 데이터로 분할하는 단계(s3100)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 머신 러닝 인에이블된 키 프레임 검출 모듈에 포함되는 하나 이상의 인코더들에 의해, 둘 이상의 유닛 동영상 데이터를 인코딩하는 단계(s3200)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 인코딩 결과에 기초하여, 둘 이상의 유닛 동영상 데이터 각각에 대해 하나 이상의 키 프레임 검출 벡터들을 생성하는 단계(s3300)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 하나 이상의 키 프레임 검출 벡터들을 생성하는 단계(s3300)는 하나 이상의 유닛 동영상 데이터 인코딩 모듈들에 의해, 둘 이상의 유닛 동영상 데이터 각각에 대하여 하나 이상의 유닛 동영상 데이터 서브 토큰을 생성하는 단계(s3310), 및 키 프레임 검출 모듈에 의해, 하나 이상의 유닛 동영상 데이터 서브 토큰에 기초하여, 유닛 동영상 데이터에 대한 하나 이상의 키 프레임 검출 벡터를 생성하는 단계(s3320)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 하나 이상의 키 프레임 검출 벡터들에 기초하여, 둘 이상의 유닛 동영상 데이터 중에서 키 프레임 정보를 식별하는 단계(s3400)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 식별된 키 프레임 정보에 기초하여, 둘 이상의 유닛 동영상 데이터들을 그루핑하여 하나 이상의 검색 대상 동영상 데이터를 생성하는 단계(s3500)를 포함할 수 있다.

본 개시의 일 실시예에 따라, 동영상 검색 방법은 키 프레임 검출 벡터들 중 하나 이상의 벡터들의 조합에 기초하여, 하나 이상의 검색 대상 동영상 데이터의 특징 벡터를 생성하는 단계(s3600)를 포함할 수 있다.

전술한 동영상 검색 방법의 단계들은 단지 설명을 위해 제시된 것이며, 일부 단계가 생략되거나 별도의 단계가 추가될 수 있다.

도 19은 본 발명의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

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.

컴퓨터(4102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(4100)이 나타내어져 있으며, 컴퓨터(4102)는 처리 장치(4104), 시스템 메모리(4106) 및 시스템 버스(4108)를 포함한다. 시스템 버스(4108)는 시스템 메모리(4106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(4104)에 연결시킨다. 처리 장치(4104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(4104)로서 이용될 수 있다.

시스템 버스(4108)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(4106)는 판독 전용 메모리(ROM)(4110) 및 랜덤 액세스 메모리(RAM)(4112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(4110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(4102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(4112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(4102)는 또한 내장형 하드 디스크 드라이브(HDD)(4114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(4114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(4116)(예를 들어, 이동식 디스켓(4118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(4120)(예를 들어, CD-ROM 디스크(4122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(4114), 자기 디스크 드라이브(4116) 및 광 디스크 드라이브(4120)는 각각 하드 디스크 드라이브 인터페이스(4124), 자기 디스크 드라이브 인터페이스(4126) 및 광 드라이브 인터페이스(4128)에 의해 시스템 버스(4108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(4124)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(4102)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(4130), 하나 이상의 애플리케이션 프로그램(4132), 기타 프로그램 모듈(4134) 및 프로그램 데이터(4136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(4112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(4112)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(4138) 및 마우스(4140) 등의 포인팅 장치를 통해 컴퓨터(4102)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(4108)에 연결되어 있는 입력 장치 인터페이스(4142)를 통해 처리 장치(4104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(4144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(4146) 등의 인터페이스를 통해 시스템 버스(4108)에 연결된다. 모니터(4144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(4102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(4148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(4148)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(4102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(4150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(4152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(4154)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(4102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(4156)를 통해 로컬 네트워크(4152)에 연결된다. 어댑터(4156)는 LAN(4152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(4152)은 또한 무선 어댑터(4156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(4102)는 모뎀(4158)을 포함할 수 있거나, WAN(4154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(4154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(4158)은 직렬 포트 인터페이스(4142)를 통해 시스템 버스(4108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(4102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(4150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(4102)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 2개의 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.

한편, 본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.

데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 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.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 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 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 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.

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.

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 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (9)

1. 컴퓨팅 장치에 의해 수행되는 동영상 검색 방법에 있어서,
   하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 키 프레임 검출 모듈에 의해, 하나 이상의 동영상 데이터에 포함되는 하나 이상의 유닛 동영상 데이터로부터 각각 생성되는 하나 이상의 인코딩된 벡터들에 기초하여, 상기 하나 이상의 동영상 데이터에 대한 키 프레임 정보를 식별하는 단계;
   상기 식별된 키 프레임 정보에 기초하여, 상기 하나 이상의 동영상 데이터를 하나 이상의 검색 대상 동영상 데이터로 세그먼트하는 단계; 및
   하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 검색 벡터 생성 모듈에 의해, 상기 하나 이상의 검색 대상 동영상 데이터를 각각 대표하는 하나 이상의 검색 동영상 벡터들을 생성하는 단계;
   를 포함하는,
   방법.
   
2. 제 1 항에 있어서,
   상기 하나 이상의 검색 동영상 인코딩 모듈들은,
   상기 세그먼트된 하나 이상의 검색 대상 동영상 데이터에 대하여,
   하나 이상의 검색 동영상 데이터 각각에 대응하는 하나 이상의 검색 동영상 임베딩 토큰들을 생성하는,
   방법.
   
3. 제 2 항에 있어서,
   상기 하나 이상의 검색 동영상 인코딩 모듈들은,
   상기 하나 이상의 검색 대상 동영상 데이터에 포함된 동일한 데이터 도메인에 기초하여, 둘 이상의 검색 동영상 임베딩 토큰들을 생성하는,
   방법.
   
4. 제 2 항에 있어서,
   상기 하나 이상의 검색 동영상 인코딩 모듈들은,
   상기 하나 이상의 검색 대상 동영상 데이터에 포함된 둘 이상의 데이터 도메인에 기초하여, 둘 이상의 상이한 도메인 기반 검색 동영상 임베딩 토큰들을 생성하는,
   방법.
   
5. 제 2 항에 있어서,
   상기 검색 동영상 벡터들을 생성하는 단계는,
   상기 세그먼트된 하나 이상의 검색 대상 동영상 데이터 각각을 복수의 유닛 검색 동영상 데이터로 분할하는 단계;
   를 포함하는,
   방법.
   
6. 제 5 항에 있어서,
   상기 검색 동영상 벡터들을 생성하는 단계는,
   상기 복수의 유닛 검색 동영상 데이터 각각에 포함된 시간 정보에 기초하여, 시간 임베딩(temporal embedding) 토큰을 생성하는 단계;
   를 더 포함하는,
   방법.
   
7. 제 1 항에 있어서,
   상기 검색 대상 동영상 데이터에 대응하는 하나 이상의 검색 동영상 벡터들을, 동영상 검색 인덱스 데이터베이스에 저장하는 단계;
   를 더 포함하는,
   방법.
   
8. 컴퓨터 프로그램을 저장하는 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 동영상 검색 방법을 수행하기 위한 동작들을 수행하도록 하며, 상기 방법은:
   하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 키 프레임 검출 모듈에 의해, 하나 이상의 동영상 데이터에 포함되는 하나 이상의 유닛 동영상 데이터로부터 각각 생성되는 하나 이상의 인코딩된 벡터들에 기초하여, 상기 하나 이상의 동영상 데이터에 대한 키 프레임 정보를 식별하는 단계;
   상기 식별된 키 프레임 정보에 기초하여, 상기 하나 이상의 동영상 데이터를 하나 이상의 검색 대상 동영상 데이터로 세그먼트하는 단계; 및
   하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 검색 벡터 생성 모듈에 의해, 상기 하나 이상의 검색 대상 동영상 데이터를 각각 대표하는 하나 이상의 검색 동영상 벡터들을 생성하는 단계;
   를 포함하는,
   비일시적 컴퓨터 판독가능 저장 매체.
   
9. 동영상 검색 방법을 수행하는 컴퓨팅 장치로서,
   적어도 하나의 코어를 포함하는 프로세서; 및
   상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리;
   를 포함하고,
   상기 프로세서는,
   하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 키 프레임 검출 모듈에 의해, 하나 이상의 동영상 데이터에 포함되는 하나 이상의 유닛 동영상 데이터로부터 각각 생성되는 하나 이상의 인코딩된 벡터들에 기초하여, 상기 하나 이상의 동영상 데이터에 대한 키 프레임 정보를 식별하고,
   상기 식별된 키 프레임 정보에 기초하여, 상기 하나 이상의 동영상 데이터를 하나 이상의 검색 대상 동영상 데이터로 세그먼트하고, 그리고
   하나 이상의 인코더들을 가지는 머신 러닝 인에이블된 검색 벡터 생성 모듈에 의해, 상기 하나 이상의 검색 대상 동영상 데이터를 각각 대표하는 하나 이상의 검색 동영상 벡터들을 생성하는,
   컴퓨팅 장치.