KR20230134202A - 인공 신경망을 이용하여 피부 상태 또는 피부 유형을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체 - Google Patents
인공 신경망을 이용하여 피부 상태 또는 피부 유형을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체 Download PDFInfo
- Publication number
- KR20230134202A KR20230134202A KR1020220031218A KR20220031218A KR20230134202A KR 20230134202 A KR20230134202 A KR 20230134202A KR 1020220031218 A KR1020220031218 A KR 1020220031218A KR 20220031218 A KR20220031218 A KR 20220031218A KR 20230134202 A KR20230134202 A KR 20230134202A
- Authority
- KR
- South Korea
- Prior art keywords
- survey
- score
- group
- skin
- score group
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 136
- 230000036555 skin type Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims description 44
- 230000015654 memory Effects 0.000 claims abstract description 28
- 239000011148 porous material Substances 0.000 claims description 15
- 230000037303 wrinkles Effects 0.000 claims description 14
- 208000002874 Acne Vulgaris Diseases 0.000 claims description 9
- 206010000496 acne Diseases 0.000 claims description 9
- 239000000049 pigment Substances 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000012549 training Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 15
- 230000014509 gene expression Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 208000024891 symptom Diseases 0.000 description 12
- 230000035945 sensitivity Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000019612 pigmentation Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 239000004909 Moisturizer Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001333 moisturizer Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010012442 Dermatitis contact Diseases 0.000 description 1
- 241001417516 Haemulidae Species 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 208000010247 contact dermatitis Diseases 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000037307 sensitive skin Effects 0.000 description 1
- 230000000475 sunscreen effect Effects 0.000 description 1
- 239000000516 sunscreening agent Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
- A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Dermatology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 개시의 일 측면에 따르면, 인공지능 기술에 기반하여 사용자의 피부 상태 또는 피부 유형을 결정하기 위한 장치가 제공될 수 있다. 본 개시에 따른 장치는, 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령과, 복수의 사용자의 피부에 관한 복수의 이미지 및 상기 복수의 사용자에게 제공되는 피부에 관한 설문지에 포함된 복수의 설문 문항 각각에 대한 점수 사이의 상관 관계를 모델링하여 구축된 인공 신경망을 저장하는 하나 이상의 메모리를 포함하고, 상기 하나 이상의 프로세서는, 상기 명령에 따라, 대상 사용자의 피부에 관한 설문지에 대한 제1 설문조사 점수 그룹을 결정하고, 상기 대상 사용자의 피부에 관한 이미지를 상기 인공 신경망에 입력하고, 상기 인공 신경망의 출력에 기초하여, 상기 설문지에 대한 제2 설문조사 점수 그룹을 결정하고, 상기 제1 설문조사 점수 그룹 및 상기 제2 설문조사 점수 그룹에 기초하여, 상기 대상 사용자의 피부 유형 또는 상기 대상 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정할 수 있다.
Description
본 개시는 인공지능 기술에 기반하여 사용자의 피부 상태 또는 피부 유형을 결정하기 위한 기술에 관한 것이다.
사용자의 피부 상태 또는 피부 유형을 결정하는 방법에 있어서, 기존에는 사용자가 직접 설문조사지 또는 문진표에 대해 답변을 하는 방식으로 피부 상태를 결정할 수 있었다. 그러나 이러한 방식은 사람이 직접 본인의 상태를 결정한다는 점에서 개인의 성격에 따라 편차가 존재하고, 그러한 편차로 인해 피부의 상태를 일관되게 평가할 수 없는 문제점을 갖는다. 또한, 기존에는 사용자의 이미지에 기초하여 전문가가 사용자의 피부 상태를 결정하는 방식으로 피부 상태를 결정할 수도 있었다. 그러나 이러한 방식은 이미지를 통해서는 알아내기 힘든 피부의 상태(예: 접촉성 피부염 등)를 평가할 수 없는 문제점을 갖는다. 그에 따라 당업계에서는 보다 일관적이고 정확한 피부 상태 결정 방법의 수요가 증가해왔다.
본 개시는 인공지능 기술에 기반하여 사용자의 피부 상태 또는 피부 유형을 결정하기 위한 기술을 제공한다.
본 개시의 일 측면에 따르면, 인공지능 기술에 기반하여 사용자의 피부 상태 또는 피부 유형을 결정하기 위한 장치가 제공될 수 있다. 본 개시에 따른 장치는, 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령과, 복수의 사용자의 피부에 관한 복수의 이미지 및 상기 복수의 사용자에게 제공되는 피부에 관한 설문지에 포함된 복수의 설문 문항 각각에 대한 점수 사이의 상관 관계를 모델링하여 구축된 인공 신경망을 저장하는 하나 이상의 메모리를 포함하고, 상기 하나 이상의 프로세서는, 상기 명령에 따라, 대상 사용자의 피부에 관한 설문지에 대한 제1 설문조사 점수 그룹을 결정하고, 상기 대상 사용자의 피부에 관한 이미지를 상기 인공 신경망에 입력하고, 상기 인공 신경망의 출력에 기초하여, 상기 설문지에 대한 제2 설문조사 점수 그룹을 결정하고, 상기 제1 설문조사 점수 그룹 및 상기 제2 설문조사 점수 그룹에 기초하여, 상기 대상 사용자의 피부 유형 또는 상기 대상 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정할 수 있다.
일 실시예에 있어서, 상기 설문지는 적어도 하나의 판단 대상에 관한 문항 그룹을 포함하고, 상기 적어도 하나의 판단 대상에 관한 문항 그룹 각각은 상기 하나 이상의 지표 각각에 대응될 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서는, 상기 대상 사용자로부터 설문조사 결과 - 상기 설문조사 결과는 상기 설문지에 포함된 복수의 설문 문항 각각에 대한 답변을 포함함 - 를 획득하고, 상기 설문조사 결과에 포함된 복수의 설문 문항 각각에 대한 답변을 점수로 변환하여 상기 제1 설문조사 점수 그룹을 결정할 수 있다.
일 실시예에 있어서, 상기 제2 설문조사 점수 그룹은, 상기 인공 신경망이 상기 대상 사용자의 피부에 관한 이미지를 입력받아 상기 설문지에 포함된 복수의 설문 문항 각각에 대해 점수를 출력하여 결정될 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서는, 상기 설문지에 포함된 상기 복수의 설문 문항 중 제1 유형에 해당하는 문항의 점수를 상기 제1 설문조사 점수 그룹으로부터 획득하고, 상기 설문지에 포함된 상기 복수의 설문 문항 중 제2 유형에 해당하는 문항의 점수를 상기 제2 설문조사 점수 그룹으로부터 획득하고, 상기 제1 유형에 해당하는 문항의 점수 및 상기 제2 유형에 해당하는 문항의 점수에 기초하여 최종 설문조사 점수 그룹을 결정하고, 상기 최종 설문조사 점수 그룹에 기초하여 상기 피부 유형 또는 상기 하나 이상의 지표 각각에 대한 점수를 결정할 수 있다.
일 실시예에 있어서, 상기 제1 유형에 해당하는 문항은, 문항의 점수를 예측하는 상기 인공 신경망의 정확도가 사전결정된 임계값보다 작은 문항이고, 상기 제2 유형에 해당하는 문항은, 문항의 점수를 예측하는 상기 인공 신경망의 정확도가 사전결정된 임계값보다 크거나 같은 문항일 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서는, 상기 제1 설문조사 점수 그룹 및 상기 제2 설문조사 점수 그룹에 기초하여 최종 설문조사 점수 그룹을 결정하고, 상기 최종 설문조사 점수 그룹에 포함된 문항별 점수를 상기 설문지에 포함된 각 문항 그룹에 따라 합산하여 상기 하나 이상의 지표 각각에 대한 점수를 결정하고, 상기 하나 이상의 지표 각각에 대한 점수에 기초하여 상기 피부 유형을 결정할 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서는, 상기 인공 신경망의 출력에 기초하여, 상기 대상 사용자의 피부에 관한 이미지에 대한 전문가 점수 그룹을 결정하고, 상기 전문가 점수 그룹에 추가적으로 기초하여, 상기 피부 유형 또는 상기 하나 이상의 지표 각각에 대한 점수를 결정할 수 있다.
일 실시예에 있어서, 상기 전문가 점수 그룹은, 상기 대상 사용자의 피부에 관한 이미지에 기초하여 판단되는 홍조, 색소, 모공, 주름, 및 여드름 중 적어도 하나의 판단 대상에 대한 점수를 포함할 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서는, 상기 제1 설문조사 점수 그룹 및 상기 제2 설문조사 점수 그룹에 기초하여 최종 설문조사 점수 그룹을 결정하고, 상기 최종 설문조사 점수 그룹과 상기 전문가 점수 그룹을 가중합하여 상기 피부 유형 또는 상기 하나 이상의 지표 각각에 대한 점수를 결정할 수 있다.
본 개시의 다른 측면에 따르면, 인공지능 기술에 기반하여 사용자의 피부 상태 또는 피부 유형을 결정하기 위한 방법이 제공될 수 있다. 본 개시에 따른 방법은 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행되기 위한 명령들이 저장된 하나 이상의 메모리를 포함하는 컴퓨터에서 수행되는 방법에 있어서, 상기 하나 이상의 메모리는, 복수의 사용자의 피부에 관한 복수의 이미지 및 상기 복수의 사용자에게 제공되는 피부에 관한 설문지에 포함된 복수의 설문 문항 각각에 대한 점수 사이의 상관 관계를 모델링하여 구축된 인공 신경망을 저장하고, 상기 하나 이상의 프로세서가, 상기 명령에 따라, 대상 사용자의 피부에 관한 설문지에 대한 제1 설문조사 점수 그룹을 결정하는 단계; 상기 대상 사용자의 피부에 관한 이미지를 상기 인공 신경망에 입력하는 단계; 상기 인공 신경망의 출력에 기초하여, 상기 설문지에 대한 제2 설문조사 점수 그룹을 결정하는 단계; 및 상기 제1 설문조사 점수 그룹 및 상기 제2 설문조사 점수 그룹에 기초하여, 상기 대상 사용자의 피부 유형 또는 상기 대상 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 설문지는 적어도 하나의 판단 대상에 관한 문항 그룹을 포함하고, 상기 적어도 하나의 판단 대상에 관한 문항 그룹 각각은 상기 하나 이상의 지표 각각에 대응될 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서가, 상기 대상 사용자로부터 설문조사 결과 - 상기 설문조사 결과는 상기 설문지에 포함된 복수의 설문 문항 각각에 대한 답변을 포함함 - 를 획득하는 단계; 및 상기 설문조사 결과에 포함된 복수의 설문 문항 각각에 대한 답변을 점수로 변환하여 상기 제1 설문조사 점수 그룹을 결정하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서가, 상기 설문지에 포함된 상기 복수의 설문 문항 중 제1 유형에 해당하는 문항의 점수를 상기 제1 설문조사 점수 그룹으로부터 획득하는 단계; 상기 설문지에 포함된 상기 복수의 설문 문항 중 제2 유형에 해당하는 문항의 점수를 상기 제2 설문조사 점수 그룹으로부터 획득하는 단계; 상기 제1 유형에 해당하는 문항의 점수 및 상기 제2 유형에 해당하는 문항의 점수에 기초하여 최종 설문조사 점수 그룹을 결정하는 단계; 및 상기 최종 설문조사 점수 그룹에 기초하여 상기 피부 유형 또는 상기 하나 이상의 지표 각각에 대한 점수를 결정하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 제1 유형에 해당하는 문항은, 문항의 점수를 예측하는 상기 인공 신경망의 정확도가 사전결정된 임계값보다 작은 문항이고, 상기 제2 유형에 해당하는 문항은, 문항의 점수를 예측하는 상기 인공 신경망의 정확도가 사전결정된 임계값보다 크거나 같은 문항일 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서가, 상기 제1 설문조사 점수 그룹 및 상기 제2 설문조사 점수 그룹에 기초하여 최종 설문조사 점수 그룹을 결정하는 단계; 상기 최종 설문조사 점수 그룹에 포함된 문항별 점수를 상기 설문지에 포함된 각 문항 그룹에 따라 합산하여 상기 하나 이상의 지표 각각에 대한 점수를 결정하는 단계; 및 상기 하나 이상의 지표 각각에 대한 점수에 기초하여 상기 피부 유형을 결정하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서가, 상기 인공 신경망의 출력에 기초하여, 상기 대상 사용자의 피부에 관한 이미지에 대한 전문가 점수 그룹을 결정하는 단계; 및 상기 전문가 점수 그룹에 추가적으로 기초하여, 상기 피부 유형 또는 상기 하나 이상의 지표 각각에 대한 점수를 결정하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 전문가 점수 그룹은, 상기 대상 사용자의 피부에 관한 이미지에 기초하여 판단되는 홍조, 색소, 모공, 주름, 및 여드름 중 적어도 하나의 판단 대상에 대한 점수를 포함할 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서가, 상기 제1 설문조사 점수 그룹 및 상기 제2 설문조사 점수 그룹에 기초하여 최종 설문조사 점수 그룹을 결정하는 단계를 더 포함하고, 상기 피부 유형 또는 상기 하나 이상의 지표 각각에 대한 점수를 결정하는 단계는, 상기 최종 설문조사 점수 그룹과 상기 전문가 점수 그룹을 가중합하여 상기 피부 유형 또는 상기 하나 이상의 지표 각각에 대한 점수를 결정하는 단계일 수 있다.
본 개시의 다른 측면에 따르면, 인공지능 기술에 기반하여 사용자의 피부 상태 또는 피부 유형을 결정하기 위해 컴퓨터 상에서 수행되기 위한 명령들을 기록한 비일시적 컴퓨터 판독 가능 기록 매체가 제공될 수 있다. 본 개시에 따른 기록 매체에 있어서 하나 이상의 메모리는, 하나 이상의 프로세서가 연산을 수행하도록 하는 명령과, 복수의 사용자의 피부에 관한 복수의 이미지 및 상기 복수의 사용자에게 제공되는 피부에 관한 설문지에 포함된 복수의 설문 문항 각각에 대한 점수 사이의 상관 관계를 모델링하여 구축된 인공 신경망을 저장하고, 상기 명령들은, 상기 하나 이상의 프로세서에 의한 실행시, 상기 하나 이상의 프로세서가, 대상 사용자의 피부에 관한 설문지에 대한 제1 설문조사 점수 그룹을 결정하고, 상기 대상 사용자의 피부에 관한 이미지를 상기 인공 신경망에 입력하고, 상기 인공 신경망의 출력에 기초하여, 상기 설문지에 대한 제2 설문조사 점수 그룹을 결정하고, 상기 제1 설문조사 점수 그룹 및 상기 제2 설문조사 점수 그룹에 기초하여, 상기 대상 사용자의 피부 유형 또는 상기 대상 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정하도록 할 수 있다.
본 개시의 다양한 실시예들에 따르면, 인공 신경망에 사용자 이미지를 입력하여 설문지에 포함된 각 설문 문항의 점수를 예측함으로써 사용자 이미지로부터 곧바로 사용자의 피부 상태를 예측하는 인공 신경망에 비해 설명가능한(explainable) 인공 신경망을 제공할 수 있다.
본 개시의 다양한 실시예들에 따르면, 인공 신경망을 이용하여 설문지에 관한 설문조사 점수 그룹(즉, 제2 설문조사 점수 그룹)을 예측하는 바, 실제 사용자의 응답에 따른 설문조사 점수 그룹(즉, 제1 설문조사 점수 그룹)을 제2 설문조사 점수 그룹에 의해 보정함으로써 설문조사에 대한 점수의 신뢰도를 향상시킬 수 있다.
본 개시의 다양한 실시예들에 따르면, 사용자로부터 획득해야 하는 설문 문항의 개수를 줄임으로써 사용자 편의성을 증대시킬 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치가 동작하는 과정을 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 이미지 및 설문조사 결과를 설명하기 위한 예시도이다.
도 4는 컴퓨팅 장치가 본 개시의 일 실시예에 따른 인공 신경망의 출력에 기초하여 제2 설문조사 점수 그룹을 결정하는 과정을 나타내는 개념도이다.
도 5는 컴퓨팅 장치가 본 개시의 다른 일 실시예에 따른 인공 신경망의 출력에 기초하여 전문가 점수 그룹 및 제2 설문조사 점수 그룹을 결정하는 과정을 나타내는 개념도이다.
도 6은 본 개시의 일 실시예에 따른 인공 신경망을 학습시키기 위한 학습 데이터의 일부를 예시한 예시도이다.
도 7은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 동작 흐름도이다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 이미지 및 설문조사 결과를 설명하기 위한 예시도이다.
도 4는 컴퓨팅 장치가 본 개시의 일 실시예에 따른 인공 신경망의 출력에 기초하여 제2 설문조사 점수 그룹을 결정하는 과정을 나타내는 개념도이다.
도 5는 컴퓨팅 장치가 본 개시의 다른 일 실시예에 따른 인공 신경망의 출력에 기초하여 전문가 점수 그룹 및 제2 설문조사 점수 그룹을 결정하는 과정을 나타내는 개념도이다.
도 6은 본 개시의 일 실시예에 따른 인공 신경망을 학습시키기 위한 학습 데이터의 일부를 예시한 예시도이다.
도 7은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 동작 흐름도이다.
본 문서에 기재된 다양한 실시예들은, 본 개시의 기술적 사상을 명확히 설명하기 위한 목적으로 예시된 것이며, 이를 특정한 실시 형태로 한정하려는 것이 아니다. 본 개시의 기술적 사상은, 본 문서에 기재된 각 실시예의 다양한 변경(modifications), 균등물(equivalents), 대체물(alternatives) 및 각 실시예의 전부 또는 일부로부터 선택적으로 조합된 실시예를 포함한다. 또한 본 개시의 기술적 사상의 권리 범위는 이하에 제시되는 다양한 실시예들이나 이에 대한 구체적 설명으로 한정되지 않는다.
기술적이거나 과학적인 용어를 포함해서, 본 문서에서 사용되는 용어들은, 달리 정의되지 않는 한, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 일반적으로 이해되는 의미를 가질 수 있다.
본 문서에서 사용되는 "포함한다", "포함할 수 있다", "구비한다", "구비할 수 있다", "가진다", "가질 수 있다" 등과 같은 표현들은, 대상이 되는 특징(예: 기능, 동작 또는 구성요소 등)이 존재함을 의미하며, 다른 추가적인 특징의 존재를 배제하지 않는다. 즉, 이와 같은 표현들은 다른 실시예를 포함할 가능성을 내포하는 개방형 용어(open-ended terms)로 이해되어야 한다.
본 문서에서 사용되는 단수형의 표현은, 문맥상 다르게 뜻하지 않는 한 복수형의 의미를 포함할 수 있으며, 이는 청구항에 기재된 단수형의 표현에도 마찬가지로 적용된다.
본 문서에서 사용되는 "제1", "제2", 또는 "첫째", "둘째" 등의 표현은, 문맥상 다르게 뜻하지 않는 한, 복수의 동종 대상들을 지칭함에 있어 한 대상을 다른 대상과 구분하기 위해 사용되며, 해당 대상들 간의 순서 또는 중요도를 한정하는 것은 아니다. 일 실시예에 있어서, 본 개시에 따른 복수의 문항 그룹들은 "제1 문항 그룹", "제2 문항 그룹"과 같이 표현됨으로써 서로 구분될 수 있다. 일 실시예에 있어서, 본 개시에 따른 피부 상태를 나타내는 복수의 지표들은 "제1 지표", "제2 지표"와 같이 표현됨으로써 서로 구분될 수 있다.
본 문서에서 사용되는 "A, B, 및 C", "A, B, 또는 C", "A, B, 및/또는 C" 또는 "A, B, 및 C 중 적어도 하나", "A, B, 또는 C 중 적어도 하나", "A, B, 및/또는 C 중 적어도 하나" 등의 표현은, 각각의 나열된 항목 또는 나열된 항목들의 가능한 모든 조합들을 의미할 수 있다. 예를 들어, "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A, (2) 적어도 하나의 B, (3) 적어도 하나의 A 및 적어도 하나의 B를 모두 지칭할 수 있다.
본 문서에서 사용되는 "부"라는 표현은, 소프트웨어, 또는 FPGA(field-programmable gate array), ASIC(application specific integrated circuit)과 같은 하드웨어 구성요소를 의미할 수 있다. 그러나, "부"는 하드웨어 및 소프트웨어에 한정되는 것은 아니다. "부"는 어드레싱할 수 있는 저장 매체에 저장되어 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 일 실시예에서, "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세서, 함수, 프로시저, 서브루틴, 프로그램 코드의 세그먼트, 드라이버, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조, 테이블, 어레이 및 변수를 포함할 수 있다.
본 문서에서 사용되는 "~에 기초하여"라는 표현은, 해당 표현이 포함되는 어구 또는 문장에서 기술되는, 결정, 판단의 행위 또는 동작에 영향을 주는 하나 이상의 인자를 기술하는데 사용되고, 이 표현은 해당 결정, 판단의 행위 또는 동작에 영향을 주는 추가적인 인자를 배제하지 않는다.
본 문서에서 사용되는, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "연결되어" 있다거나 "접속되어" 있다는 표현은, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결 또는 접속되는 것뿐 아니라, 새로운 다른 구성요소(예: 제3 구성요소)를 매개로 하여 연결 또는 접속되는 것을 의미할 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(configured to)"은 문맥에 따라, "~하도록 설정된", "~하는 능력을 가지는", "~하도록 변경된", "~하도록 만들어진", "~를 할 수 있는" 등의 의미를 가질 수 있다. 해당 표현은, "하드웨어적으로 특별히 설계된"의 의미로 제한되지 않으며, 예를 들어 특정 동작을 수행하도록 구성된 프로세서란, 해당 특정 동작을 수행하도록, 프로그래밍을 통해 구조화된 특수 목적 컴퓨터(special purpose computer)를 의미할 수 있다.
본 개시에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미할 수 있다. 인공지능은 기계학습 내지 기계학습을 활용한 요소 기술 등을 포함할 수 있다. 기계학습은 입력되는 데이터를 분류하기 위해 적어도 하나의 학습용 데이터의 특징을 추출하는 알고리즘을 의미할 수 있다. 또한, 기계학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
본 개시에서, 인공 신경망은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고 받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공 신경망에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 인공 신경망은, 예를 들어, 컨볼루션 신경망 모델(Convolution Neural Network) 등일 수 있다. 본 개시에서 인공 신경망은, 소정의 기계 학습 방식에 따라 학습된 모델로서, 학습되지 않은 모델에 포함된 적어도 하나의 네트워크 노드에 대한 가중치가 기계 학습에 의해 결정된 모델을 의미할 수 있다. 기계 학습은, 데이터 및 데이터를 처리한 경험을 이용한 학습을 통해, 컴퓨터 소프트웨어가 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 인공 신경망은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 인공 신경망은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 인공 신경망의 파라미터를 최적화 해나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 인공 신경망은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는 인공 신경망은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다. 본 개시에 있어서 "인공 신경망"은, "인공 신경망 모델" 이라는 용어와 상호 교환적으로 사용될 수 있다.
이하, 첨부된 도면들을 참조하여, 본 개시의 다양한 실시예들을 설명한다. 첨부된 도면 및 도면에 대한 설명에서, 동일하거나 실질적으로 동등한(substantially equivalent) 구성요소에는 동일한 참조부호가 부여될 수 있다. 또한, 이하 다양한 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있으나, 이는 해당 구성요소가 그 실시예에 포함되지 않는 것을 의미하지는 않는다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)가 동작하는 과정을 도시한 도면이다. 컴퓨팅 장치(100)는 사용자 단말(110)로부터 사용자 이미지(310) 및 설문조사 결과(330)를 획득할 수 있다. 사용자 이미지(310)는 컴퓨팅 장치(100)를 통해 피부 유형을 결정하거나 컴퓨팅 장치(100)를 통해 피부 상태를 나타내는 하나 이상의 지표에 대한 점수를 결정하고자 하는 "대상 사용자(target user)"의 피부에 관한 이미지일 수 있다. 이하 설명의 편의상, "대상 사용자"는 간략히 "사용자"로, "대상 사용자의 피부에 관한 이미지"는 간략히 "사용자 이미지"로 지칭될 수 있다. 설문조사 결과(330)는 본 개시의 설문지에 대해 사용자로부터 획득된 채점 데이터일 수 있다. 설문조사 결과(330)는 사전결정된 자료구조(예: 테이블, 리스트, 튜플, 딕셔너리 등)를 갖는 데이터일 수 있다.
컴퓨팅 장치(100)는 사용자 이미지(310) 및 설문조사 결과(330)에 기초하여 사용자의 피부 유형 및/또는 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정할 수 있다. 컴퓨팅 장치(100)는 설문조사 결과(330)에 기초하여 설문지에 대한 제1 설문조사 점수 그룹을 결정할 수 있다. 컴퓨팅 장치(100)는 사용자 이미지(310)를 인공 신경망에 입력하고, 인공 신경망의 출력에 기초하여 설문지에 대한 제2 설문조사 점수 그룹을 결정할 수 있다. 컴퓨팅 장치(100)는 제1 설문조사 점수 그룹 및 제2 설문조사 점수 그룹에 기초하여 최종 설문조사 점수 그룹을 결정할 수 있다. 컴퓨팅 장치(100)는 최종 설문조사 점수 그룹에 기초하여 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정할 수 있다. 컴퓨팅 장치(100)는 결정된 하나 이상의 지표 각각에 대한 점수를 통해 사용자의 피부 유형을 결정할 수 있다.
컴퓨팅 장치(100)는 결정된 피부 유형 및 하나 이상의 지표 각각에 대한 점수를 사용자 단말(110)로 전송할 수 있다.
본 개시에서, 사용자의 피부 상태를 나타내는 하나 이상의 지표는, 예를 들어, 유분, 민감, 수분, 색소, 주름, 모공 등의 지표를 포함할 수 있다. 컴퓨팅 장치(100)는 소정의 연산을 통해 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정할 수 있다. 이 때 특정 지표에 대한 점수는 해당 지표에 관한 피부 상태의 양부를 나타낼 수 있다. 예를 들어, 유분 지표에 대한 점수가 낮을수록 사용자의 피부는 유분이 부족하고 유분 지표에 대한 점수가 높을수록 사용자의 피부는 유분이 과다한 상태일 수 있다. 또한 수분 지표에 대한 점수가 낮을수록 사용자의 피부는 수분이 부족하고 수분 지표에 대한 점수가 높을수록 사용자의 피부는 수분이 충분한 상태일 수 있다. 또한 민감 지표에 대한 점수가 낮을수록 사용자의 피부는 민감하지 않은 피부이고 민감 지표에 대한 점수가 높을수록 사용자의 피부는 민감한 피부일 수 있다. 또한 색소 지표에 대한 점수가 낮을수록 사용자의 피부는 색소 침착이 거의 일어나지 않은 피부이고 색소 지표에 대한 점수가 높을수록 사용자의 피부는 색소침착이 많이 일어난 피부일 수 있다. 또한 주름 지표에 대한 점수가 낮을수록 사용자의 피부는 주름이 없는 피부이고 주름 지표에 대한 점수가 높을수록 사용자의 피부는 주름이 많은 피부일 수 있다. 또한 모공 지표에 대한 점수가 낮을수록 사용자의 피부는 모공 상태가 좋은 피부(예: 모공의 개수가 적거나 크기가 작음)일 수 있고 모공 지표에 대한 점수가 높을수록 사용자의 피부는 모공 상태가 나쁜 피부(예: 모공의 개수가 많거나 크기가 큼)일 수 있다. 전술한 피부 상태를 나타내는 하나 이상의 지표에 관한 기재는 설명을 위한 기재일 뿐, 본 개시는 피부 상태를 나타낼 수 있는 다양한 종류의 지표를 포함한다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 블록도이다. 컴퓨팅 장치(100)는 하나 이상의 프로세서(210) 및/또는 하나 이상의 메모리(220)를 구성요소로서 포함할 수 있다. 어떤 실시예에서는, 컴퓨팅 장치(100)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 컴퓨팅 장치(100)에 추가될 수 있다. 어떤 실시예에서는, 추가적으로 또는 대체적으로(in alternative to), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. 본 개시에서, 하나 이상의 프로세서(210)는 프로세서(210)라고 표현될 수 있다. 프로세서(210)라는 표현은, 문맥상 명백히 다르게 표현하지 않는 이상, 하나 또는 그 이상의 프로세서의 집합을 의미할 수 있다. 본 개시에서, 하나 이상의 메모리(220)는 메모리(220)라고 표현될 수 있다. 메모리(220)라는 표현은, 문맥상 명백히 다르게 표현하지 않는 이상, 하나 또는 그 이상의 메모리의 집합을 의미할 수 있다.
컴퓨팅 장치(100) 내, 외부의 구성요소들 중 적어도 일부의 구성요소들은 버스, GPIO(general purpose input/output), SPI(serial peripheral interface) 또는 MIPI(mobile industry processor interface) 등을 통해 서로 연결되어, 데이터 및/또는 시그널을 주고 받을 수 있다.
프로세서(210)는 소프트웨어(예: 명령, 프로그램 등)를 구동하여 프로세서(210)에 연결된 컴퓨팅 장치(100)의 적어도 하나의 구성요소를 제어할 수 있다. 또한 프로세서(210)는 본 개시와 관련된 다양한 연산, 처리, 데이터 생성, 가공 등의 동작을 수행할 수 있다. 또한 프로세서(210)는 데이터 등을 메모리(320)로부터 로드하거나, 메모리(320)에 저장할 수 있다. 또한 프로세서(210)는 인공 신경망에 관한 연산을 처리할 수 있다.
메모리(220)는 다양한 데이터를 저장할 수 있다. 메모리(220)에 저장되는 데이터는, 컴퓨팅 장치(100)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예: 명령, 프로그램 등)를 포함할 수 있다. 메모리(220)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 본 개시에서, 명령 내지 프로그램은 메모리(220)에 저장되는 소프트웨어로서, 컴퓨팅 장치(100)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 컴퓨팅 장치(100)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다. 메모리(220)는 프로세서(210)에 의한 실행 시 프로세서(210)가 연산을 수행하도록 하는 명령들을 저장할 수 있다. 또한 메모리(220)는 사용자에게 제공되는 설문지를 저장할 수 있다. 또한 메모리(220)는 복수의 사용자(즉, 복수의 사전결정된 사용자)의 피부에 관한 복수의 이미지 및 복수의 사용자(즉, 복수의 사전결정된 사용자)에게 제공되는 피부에 관한 설문지에 포함된 복수의 설문 문항 각각에 대한 점수 사이의 상관 관계를 모델링하여 구축된 인공 신경망을 저장할 수 있다. 본 개시에 따른 설문지 및 인공 신경망에 대하여는 구체적으로 후술한다.
일 실시예에서, 컴퓨팅 장치(100)는 통신 회로(230)를 더 포함할 수 있다. 통신 회로(230)는, 컴퓨팅 장치(100)와 서버 또는 컴퓨팅 장치(100)와 다른 장치들 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 통신 회로(230)는 eMBB(enhanced Mobile Broadband), URLLC(Ultra Reliable Low-Latency Communications), MMTC(Massive Machine Type Communications), LTE(Long-Term Evolution), LTE-A(LTE Advance), NR(New Radio), UMTS(Universal Mobile Telecommunications System), GSM(Global System for Mobile communications), CDMA(Code Division Multiple Access), WCDMA(Wideband CDMA), WiBro(Wireless Broadband), WiFi(Wireless Fidelity), 블루투스(Bluetooth), NFC(Near Field Communication), GPS(Global Positioning System) 또는 GNSS(Global Navigation Satellite System) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 통신 회로(230)는 USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), RS-232(Recommended Standard-232) 또는 POTS(Plain Old Telephone Service) 등의 방식에 따른 유선 통신을 수행할 수 있다. 일 실시예에서, 통신 회로(230)는 다른 장치와 통신을 수행할 수 있다. 이 때, 다른 장치는 사용자 단말(110)일 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 입력부(240)를 더 포함할 수 있다. 입력부(240)는 외부로부터 물리적으로 입력된 데이터를 컴퓨팅 장치(100)에 포함된 적어도 하나의 구성요소에 전달하기 위한 구성요소일 수 있다. 예를 들어, 입력부(240)는 마우스, 키보드, 터치 패드 등을 포함할 수 있다.
본 개시의 다양한 실시예들에 따른 컴퓨팅 장치(100)는 다양한 형태의 장치가 될 수 있다. 예를 들어, 컴퓨팅 장치는 휴대용 통신 장치, 휴대용 멀티미디어 장치, 웨어러블 장치, 가전 장치 또는 상술한 장치들 중 하나 또는 그 이상의 조합에 따른 장치일 수 있다. 본 개시의 컴퓨팅 장치는 전술한 장치들에 한정되지 않는다.
본 개시의 일 실시예에 따른 설문지는 사전결정된 복수의 설문 문항을 포함할 수 있다. 본 개시에서 "설문 문항"은 "문항"과 상호 교환적으로 사용될 수 있다. 설문지는 적어도 하나의 판단 대상에 관한 문항 그룹을 포함할 수 있다. 이 때 각 문항 그룹은 하나 이상의 설문 문항을 포함할 수 있다. 판단 대상은, 예를 들어, 지성 여부, 민감성, 색소성 또는 주름 여부 등일 수 있다. 설문지는 지성 여부에 관한 문항 그룹, 민감성에 관한 문항 그룹, 색소성에 관한 문항 그룹 또는 주름 여부에 관한 문항 그룹 중 적어도 하나의 문항 그룹을 포함할 수 있다. 예를 들어, 지성 여부에 관한 문항 그룹에는 표 1과 같은 문항이 포함될 수 있다.
| Q. 보습제를 바르지 않으면 내 피부는? | |
| 1 | 항상 땅긴다. |
| 2 | 자주 땅긴다. |
| 3 | 가끔 땅긴다. |
| 4 | 평소와 다름 없다. |
민감성에 관한 문항 그룹에는 표 2에 예시한 문항이 포함될 수 있다.
| Q. 최근 5년 이내 피부과에서 여드름 진단을 _________ | |
| 1 | 전혀 받지 않았으며 피부가 깨끗하다. |
| 2 | 받진 않았지만, 여드름이 보인다. |
| 3 | 받았다. |
| 4 | 받았으며 그 증상이 심하다. |
| 5 | 받았는지 기억이 안 난다. |
색소성에 관한 문항 그룹에는 표 3에 예시한 문항이 포함될 수 있다.
| Q. 내 피부에 기미는 _________ | |
| 1 | 전혀 생긴 적이 없다. |
| 2 | 약간 있지만 지금은 없어졌다. |
| 3 | 눈에 보인다. |
| 4 | 많이 보이는 편이다. |
| 5 | 있었는지 잘 모르겠다. |
주름 여부에 관한 문항 그룹에는 표 4에 예시한 문항이 포함될 수 있다.
| Q. 평소에 자외선 차단제를 _________ | |
| 1 | 전혀 바르지 않는다. |
| 2 | 햇빛이 강렬한 날이면 가끔 바른다. |
| 3 | 외출할 때마다 바른다. |
| 4 | 매일 바르며 수시로 덧바른다. |
전술한 바와 같이 설문지에 포함되는 설문 문항의 내용, 설문의 종류 및 개수, 문항 그룹의 종류 및 개수 등은 본 개시의 설명을 위한 예시적 서술일 뿐, 본 개시를 제한하지 않는다.
본 개시의 일 실시예에 있어서, 설문지에 포함된 적어도 하나의 판단 대상에 관한 문항 그룹 각각은 상기 하나 이상의 지표 각각에 대응될 수 있다. 예를 들어, "지성 여부"에 대한 문항 그룹은 사용자의 피부 상태를 나타내는 하나 이상의 지표 중 "유분"에 대한 피부 상태를 판단하기 위한 문항 그룹일 수 있다. 또한, "민감성"에 대한 문항 그룹은 사용자의 피부 상태를 나타내는 하나 이상의 지표 중 "민감"에 대한 피부 상태를 판단하기 위한 문항 그룹일 수 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 이미지(310) 및 설문조사 결과(330)를 설명하기 위한 예시도이다. 사용자 이미지(310)는 사용자로부터 획득될 수 있으며, 예를 들어, 사용자의 얼굴 사진, 전신 사진 또는 사용자의 피부를 촬영한 사진일 수 있다. 설문조사 결과(330)는 설문지에 포함된 복수의 설문 문항 각각에 대한 답변을 포함할 수 있다. 예를 들어, 설문조사 결과(330)는 제1 문항 그룹의 1번 문항부터 5번 문항까지의 답과 제2 문항 그룹의 1번 문항부터 5번 문항까지의 답을 포함할 수 있다. 컴퓨팅 장치(100)는 통신 회로(230)를 이용하여 외부의 사용자 단말(110)로부터 설문조사 결과(330)를 획득할 수 있다. 또한, 컴퓨팅 장치(100)는 입력부(240)를 통해 사용자로부터 직접 입력 신호를 수신함으로써 설문조사 결과(330)를 획득할 수도 있다. 이 경우 컴퓨팅 장치(100)는 설문지를 시각적으로 보여주기 위한 디스플레이부(미도시)를 더 포함할 수 있다.
컴퓨팅 장치(100)는 설문조사 결과(330)에 기초하여 설문지에 대한 제1 설문조사 점수 그룹을 결정할 수 있다. 본 개시에서, 설문조사 점수 그룹은 설문지에 포함된 복수의 설문 문항 각각에 대한 점수를 포함하는 데이터를 지칭할 수 있다. "제1 설문조사 점수 그룹"은 사용자로부터 획득된 설문조사 결과(330)에 기초하여 도출된 설문조사 점수 그룹을 지칭할 수 있다. "제2 설문조사 점수 그룹"은 인공 신경망의 출력에 기초하여 도출된 설문조사 점수 그룹을 지칭할 수 있다. 제1 설문조사 점수 그룹과 제2 설문조사 점수 그룹은 "설문조사 점수 그룹"으로 총칭될 수 있다.
프로세서(210)는 설문지에 포함된 복수의 설문 문항 각각에 대한 답변을 포함하는 설문조사 결과(330)를 사용자로부터 획득할 수 있다. 프로세서(210)는 통신 회로(230)를 통해 외부의 장치(예: 사용자 단말)로부터 데이터를 전달받아 설문조사 결과(330)를 획득할 수 있다. 프로세서(210)는 입력부(240)를 통해 사용자로부터 데이터를 입력받아 설문조사 결과(330)를 획득할 수도 있다. 프로세서(210)는 설문조사 결과에 포함된 복수의 설문 문항 각각에 대한 답변을 점수로 변환하여 제1 설문조사 점수 그룹을 결정할 수 있다. 표 5는 제1 설문조사 점수 그룹의 적어도 일부를 예시한다. 표 5에 기재된 문항별 점수는 도 3의 설문조사 결과(330)를 점수로 변환한 결과 얻어지는 값일 수 있다.
| 그룹 | 제1 문항 그룹 | 제2 문항 그룹 | ||||||||
| 문항 | 1번 | 2번 | 3번 | 4번 | 5번 | 1번 | 2번 | 3번 | 4번 | 5번 |
| 점수 | 3 | 2.5 | 11 | 4 | 3 | 6 | 2.5 | 1 | 7.5 | 2 |
설문조사 결과는 객관식 질문에 대해 사용자가 선택한 번호 정보를 포함하고, 제1 설문조사 점수 그룹은 사용자가 선택한 번호 정보를 점수로 변환한 데이터일 수 있다. 프로세서(210)가 설문조사 결과(330)를 표 5의 제1 설문조사 점수 그룹으로 변환하기 위해 사용한 점수 변환 표는, 예를 들어, 표 6과 같을 수 있다.
| 문항그룹 | 문항 | ① | ② | ③ | ④ | ⑤ |
| 제1 문항그룹 | 1번 | 1.2 | 2.4 | 3.6 | 4.8 | 3 |
| 2번 | 1 | 2 | 3 | 4 | 2.5 | |
| 3번 | 2.75 | 5.5 | 8.25 | 11 | - | |
| 4번 | 2 | 4 | 6 | 8 | - | |
| 5번 | 1 | 2 | 3 | 4 | - | |
| 제2 문항그룹 | 1번 | 2 | 4 | 6 | 8 | - |
| 2번 | 1 | 2 | 3 | 4 | 2.5 | |
| 3번 | 1 | 2 | 3 | 4 | - | |
| 4번 | 3 | 6 | 9 | 12 | 7.5 | |
| 5번 | 0 | 2 | - | - | - |
표 6에 예시된 점수 변환 표는 각 문항에 대한 답변의 개수, 답변의 중요도 등을 고려하여 사전 결정될 수 있다. 일례로, 설문지에 포함된 문항 중 일부는 증상 또는 상태의 경중을 묻기 위한 문항(예: 보습제를 바르지 않으면 내 피부는?)일 수 있다. 이러한 문항의 답변들은 1번에서 4번으로 갈수록 증상이 심해지거나 또는 가벼워지도록 구성(예: 1번 항상 땅긴다, 2번 자주 땅긴다, 3번 가끔 땅긴다, 4번 평소와 다름 없다)될 수 있으며, 해당 문항에 대한 점수 변환 표는 1번에서 4번으로 갈수록 더 큰 점수 또는 작은 점수를 부여하도록 설정될 수 있다. 다른 일례로, 설문지에 포함된 문항 중 일부는 사용자가 답을 정확히 알 수 없거나 답변하기 곤란한 문항(예: 내 피부에 기미는 _________ )일 수 있다. 이러한 문항의 답변들은 1번에서 4번으로 갈수록 증상이 심해지거나 또는 가벼워지되, "잘 모르겠다."에 해당하는 5번을 더 포함하도록 구성될 수 있으며, 해당 문항에 대한 점수 변환 표는 1번에서 4번으로 갈수록 더 큰 점수 또는 작은 점수를 부여하되 5번에 대해 중간 크기의 점수를 부여하도록 설정될 수 있다. 다른 일례로, 설문지에 포함된 문항 중 일부는 선택지가 두 개인 문항(예: 참/거짓, 예/아니오, 긍정/부정)일 수 있다. 이러한 문항의 답변들은 두 개의 응답으로 구성될 수 있으며, 해당 문항에 대한 점수 변환 표는 두 개의 응답에 서로 다른 점수를 부여하도록 설정될 수 있다.
컴퓨팅 장치(100)는 사용자의 이미지를 인공 신경망에 입력하고, 인공 신경망의 출력에 기초하여 설문지에 대한 제2 설문조사 점수 그룹을 결정할 수 있다.
도 4는 컴퓨팅 장치(100)가 본 개시의 일 실시예에 따른 인공 신경망(410)의 출력에 기초하여 제2 설문조사 점수 그룹을 결정하는 과정을 나타내는 개념도이다. 인공 신경망(410)은 입력된 사용자 이미지(310)에 기초하여 설문지에 대한 제2 설문조사 점수 그룹(450)을 결정하도록 학습된 인공 신경망 모델일 수 있다. 인공 신경망(410)은 본 개시의 컴퓨팅 장치(100)에서 학습될 수 있다. 인공 신경망(410)은 외부의 장치에서 학습된 후 컴퓨팅 장치(100)로 전송되어 컴퓨팅 장치(100)에 의해 사용될 수도 있다. 이하에서는 컴퓨팅 장치(100)에 의해 인공 신경망(410)이 학습되는 것으로 설명되지만 이는 설명의 편의를 위한 것으로서 본 개시를 제한하지 않는다.
본 개시의 일 실시예에 따른 인공 신경망(410)은 학습용 이미지 및 설문지에 기초하여 학습용 이미지에 대해 결정된 설문조사 점수 그룹을 포함하는 하나 이상의 학습 데이터에 기초하여 학습될 수 있다. 학습용 이미지는 사전결정된 사용자로부터 기 수신된 이미지로서, 메모리(220)에 저장된 이미지일 수 있다. 예를 들어, 학습 데이터에 포함된 학습용 이미지는 도 3에 도시된 사용자 이미지(310)와 같거나 유사한 형태의 이미지일 수 있다. 학습용 이미지에 대해 결정된 설문조사 점수 그룹은 해당 학습용 이미지에 나타난 사전결정된 사용자 본인이 설문지에 대해 응답한 설문조사 결과를 토대로 생성된 데이터일 수 있다. 학습용 이미지에 대해 결정된 설문조사 점수 그룹은 해당 학습용 이미지에 기초하여 다른 사용자(예: 피부 관련 전문가)가 설문지에 대해 응답한 설문조사 결과를 토대로 생성된 데이터일 수 있다. 각각의 학습 데이터는 X(입력값)와 Y(레이블값)로 구성된 순서쌍으로 표현될 수 있다. 이 경우, X는 학습용 이미지이고 Y는 설문조사 점수 그룹으로 표현될 수 있다. 즉, 학습 데이터는 (학습용 이미지, 설문조사 점수 그룹)과 같이 구성된 순서쌍일 수 있다. 인공 신경망(410)은 상술한 바와 같은 학습 데이터에 기초하여 학습될 수 있다.
프로세서(210)는 학습된 인공 신경망(410)에 사용자 이미지(310)를 입력하여, 적어도 하나의 노드에 기초한 연산을 수행하고, 복수의 설문 문항을 포함하는 설문지에 대한 제2 설문조사 점수 그룹(450)을 결정할 수 있다. 즉, 제2 설문조사 점수 그룹(450)은 학습된 인공 신경망(410)이 사용자의 이미지(310)를 입력받아 설문지에 포함된 복수의 설문 문항 각각에 대해 점수를 출력함으로써 결정될 수 있다. 표 7은 제2 설문조사 점수 그룹의 적어도 일부를 예시한다. 표 7에 기재된 문항별 점수는 도 3의 사용자 이미지(310)에 기초하여 인공 신경망(410)이 출력한 값일 수 있다.
| 그룹 | 제1 문항 그룹 | 제2 문항 그룹 | ||||||||
| 문항 | 1번 | 2번 | 3번 | 4번 | 5번 | 1번 | 2번 | 3번 | 4번 | 5번 |
| 점수 | 2.37 | 1 | 5 | 3.993 | 1.12 | 6.003 | 2.513 | 2 | 3 | 1.765 |
프로세서(210)가 인공 신경망(410)을 이용하여 제2 설문조사 점수 그룹(450)을 결정하는 본 개시의 다양한 실시예들에 따르면, 본 개시는 사용자 이미지(310)에 대하여 각 설문 문항의 점수를 예측함으로써 사용자 이미지로부터 곧바로 사용자의 피부 상태를 예측하는 인공 신경망에 비해 설명가능한(explainable) 인공 신경망을 제공할 수 있는 장점을 갖는다. 또한, 본 개시는 인공 신경망을 이용하여 설문지에 관한 설문조사 점수 그룹(즉, 제2 설문조사 점수 그룹)을 예측하는 바, 실제 사용자의 응답에 따른 설문조사 점수 그룹(즉, 제1 설문조사 점수 그룹)을 제2 설문조사 점수 그룹에 의해 보정함으로써 설문조사에 대한 점수의 신뢰도를 향상시킬 수 있다. 나아가, 본 개시에 따라 인공 신경망을 이용하여 설문지에 관한 설문조사 점수 그룹을 예측할 경우, 사용자로부터 획득해야 하는 설문 문항의 개수를 줄임으로써 사용자 편의성을 증대시킬 수 있다.
컴퓨팅 장치(100)는 제1 설문조사 점수 그룹 및 제2 설문조사 점수 그룹에 기초하여, 사용자의 피부 유형 또는 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정할 수 있다. 컴퓨팅 장치(100)는 제1 설문조사 점수 그룹 및 제2 설문조사 점수 그룹에 기초하여 최종 설문조사 점수 그룹을 결정할 수 있다. 컴퓨팅 장치(100)는 최종 설문조사 점수 그룹에 기초하여 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정할 수 있다. 컴퓨팅 장치(100)는 결정된 하나 이상의 지표 각각에 대한 점수를 통해 사용자의 피부 유형을 결정할 수 있다. 이하에서는 본 개시에 따른 컴퓨팅 장치(100)가 제1 설문조사 점수 그룹 및 제2 설문조사 점수 그룹에 기초하여 최종 설문조사 점수 그룹을 결정하는 다양한 실시예를 설명한다.
컴퓨팅 장치(100)가 최종 설문조사 점수 그룹을 결정하는 제1 실시예에 있어서, 프로세서(210)는 제1 설문조사 점수 그룹 및 제2 설문조사 점수 그룹을 합산하거나 평균값을 도출함으로써 최종 설문조사 점수 그룹을 결정할 수 있다. 프로세서(210)는 사용자로부터 획득된 설문조사 결과를 토대로 결정된 제1 설문조사 점수 그룹과 사용자의 이미지에 대한 인공 신경망(410)의 출력을 토대로 결정된 제2 설문조사 점수 그룹 각각에 포함된 점수들을 문항에 따라 합산하거나 평균하여 최종 설문조사 점수 그룹을 결정할 수 있다. 표 8은 표 5에 예시된 제1 설문조사 점수 그룹과 표 7에 예시된 제2 설문조사 점수 그룹을 평균하여 산출된 최종 설문조사 점수 그룹을 예시한다.
| 그룹 | 제1 문항 그룹 | 제2 문항 그룹 | ||||||||
| 문항 | 1번 | 2번 | 3번 | 4번 | 5번 | 1번 | 2번 | 3번 | 4번 | 5번 |
| 제1 점수 | 3 | 2.5 | 11 | 4 | 3 | 6 | 2.5 | 1 | 7.5 | 2 |
| 제2 점수 | 2.37 | 1 | 5 | 3.993 | 1.12 | 6.003 | 2.513 | 2 | 3 | 1.765 |
| 최종 점수 | 2.685 | 1.75 | 8 | 3.997 | 2.06 | 6.002 | 2.507 | 1.5 | 5.25 | 1.883 |
컴퓨팅 장치(100)가 최종 설문조사 점수 그룹을 결정하는 제2 실시예에 있어서, 프로세서(210)는 제1 설문조사 점수 그룹 및 제2 설문조사 점수 그룹을 가중 평균하여 최종 설문조사 점수 그룹을 결정할 수 있다. 가중평균을 위한 각 설문조사 점수 그룹의 가중치는 제1 설문조사 점수 그룹 및 제2 설문조사 점수 그룹 각각에 대해 사전 결정된 값일 수 있다. 예를 들어, 제1 설문조사 점수 그룹에 대해서는 가중치 "0.3", 제2 설문조사 점수 그룹에 대해서는 가중치 "0.7" 등과 같이 결정될 수 있다. 각 설문조사 점수 그룹별 가중치는 인공 신경망(410)의 정확도를 고려하여 결정될 수 있다. 가중평균을 위한 각 설문조사 점수 그룹의 가중치는 인공 신경망(410)의 신뢰도에 기초할 수 있다. 인공 신경망(410)이 입력 이미지에 대해 제2 설문조사 점수 그룹과 함께 출력하는 신뢰도는, 예를 들어, [0, 1] 구간 내의 실수 값일 수 있다. 프로세서(210)는 인공 신경망(410)이 출력하는 신뢰도가 높을수록 제2 설문조사 점수 그룹에 높은 가중치를 부여함으로써 제1 설문조사 점수 그룹 및 제2 설문조사 점수 그룹을 가중 평균할 수 있다. 예를 들어, 인공 신경망(410)이 출력하는 신뢰도가 "P (P는 0 이상 1 이하의 실수 값)" 일 때, 프로세서(210)는 "(1-P)*(제1 설문조사 점수 그룹) + P*(제2 설문조사 점수 그룹)"과 같은 수식에 기초하여 최종 설문조사 점수 그룹을 결정할 수 있다. 이를 통해 프로세서(210)는 출력된 제2 설문조사 점수 그룹에 인공 신경망(410)이 높은 확신을 가질수록 최종 설문조사 점수 그룹에 제2 설문조사 점수 그룹을 많이 반영할 수 있다. 또한 인공 신경망(410)은 제2 설문조사 점수 그룹을 출력함에 있어서, 각 문항별로 신뢰도를 출력할 수 있다. 인공 신경망(410)이 각 문항별로 신뢰도를 도출할 경우, 제1 설문조사 점수 그룹 및 제2 설문조사 점수 그룹을 가중 평균하는 연산은 문항별로 수행될 수 있다. 표 9는 표 5에 예시된 제1 설문조사 점수 그룹에 가중치 0.3, 표 7에 예시된 제2 설문조사 점수 그룹에 가중치 0.7를 부여함으로써 산출된 최종 설문조사 점수 그룹을 예시한다.
| 그룹 | 제1 문항 그룹 | 제2 문항 그룹 | ||||||||
| 문항 | 1번 | 2번 | 3번 | 4번 | 5번 | 1번 | 2번 | 3번 | 4번 | 5번 |
| 제1 점수 | 3 | 2.5 | 11 | 4 | 3 | 6 | 2.5 | 1 | 7.5 | 2 |
| 제2 점수 | 2.37 | 1 | 5 | 3.993 | 1.12 | 6.003 | 2.513 | 2 | 3 | 1.765 |
| 최종 점수 | 2.559 | 1.45 | 6.8 | 3.995 | 1.68 | 6.002 | 2.509 | 1.7 | 4.35 | 1.836 |
컴퓨팅 장치(100)가 최종 설문조사 점수 그룹을 결정하는 제3 실시예에 있어서, 프로세서(210)는 설문 문항에 따른 점수를 문항별로 각각 제1 설문조사 점수 그룹 또는 제2 설문조사 점수 그룹으로부터 획득함으로써 최종 설문조사 점수 그룹을 결정할 수 있다. 구체적으로, 프로세서(210)는 설문지에 포함된 복수의 설문 문항 각각을 둘 이상의 유형으로 나누고, 그 중 제1 유형에 해당하는 문항의 점수는 제1 설문조사 점수 그룹, 제2 유형에 해당하는 문항의 점수는 제2 설문조사 점수 그룹으로부터 획득할 수 있다. 본 개시에 있어서, 제1 유형에 해당하는 문항(제1 유형 문항)이란, 최종 설문조사 점수 그룹에 포함된 해당 문항의 점수가 제1 설문조사 점수 그룹으로부터 획득되는 문항일 수 있다. 또한, 본 개시에서 제2 유형에 해당하는 문항(제2 유형 문항)이란, 최종 설문조사 점수 그룹에 포함된 해당 문항의 점수가 제2 설문조사 점수 그룹으로부터 획득되는 문항일 수 있다. 프로세서(210)는 소정의 연산에 기초하여 각각의 문항이 제1 유형 또는 제2 유형 중 어느 유형에 해당하는지 결정할 수 있다.
설문지에 포함된 복수의 문항 각각이 제1 유형 또는 제2 유형 중 어느 유형에 해당하는지 결정하는 일 실시예에 있어서, 프로세서(210)는 사전결정된 기준에 따라 각 문항의 유형을 결정할 수 있다. 사전결정된 기준은 메모리(220)에 저장되어 있을 수 있으며 제1 유형에 해당하는 문항의 번호와 제2 유형에 해당하는 문항의 번호를 포함할 수 있다. 예를 들어, 설문지에 1번부터 10번까지의 문항이 포함되고, 프로세서(210)는 사전결정된 기준을 참조하여 1번부터 5번 문항을 제1 유형으로, 6번부터 10번 문항을 제2 유형으로 결정할 수 있다. 또한, 프로세서(210)는 결정된 유형에 기초하여, 1번부터 5번 문항까지의 점수는 제1 설문조사 점수 그룹으로부터 획득하고, 6번부터 10번 문항까지의 점수는 제2 설문조사 점수 그룹으로부터 획득함으로써 전체 문항에 대한 최종 설문조사 점수 그룹을 결정할 수 있다.
설문지에 포함된 복수의 문항 각각이 제1 유형 또는 제2 유형 중 어느 유형에 해당하는지 결정하는 다른 일 실시예에 있어서, 프로세서(210)는 인공 신경망(410)의 정확도에 따라 각 문항의 유형을 결정할 수 있다. 제1 유형에 해당하는 문항은 문항의 점수를 예측하는 인공 신경망(410)의 정확도가 사전결정된 임계값보다 작은 문항일 수 있다. 또한, 제2 유형에 해당하는 문항은 문항의 점수를 예측하는 인공 신경망(410)의 정확도가 사전결정된 임계값보다 크거나 같은 문항일 수 있다. 본 개시의 일 실시예에 따른 인공 신경망(410)의 정확도는 인공 신경망 모델의 학습(train) 이후 수행되는 검증(validation) 또는 시험(test) 과정에서 측정될 수 있다. 인공 신경망(410)의 정확도는 각 문항별로 계산될 수 있다. 설명을 위해, 검증 데이터 셋이 존재하고 검증 데이터 셋에는 10개의 데이터 쌍이 포함된다고 가정하자. 검증 데이터 셋에 포함된 데이터 쌍은 (사용자 이미지, 제1 설문조사 점수 그룹)의 형태를 갖는 튜플일 수 있다. 또한, 설명의 편의상 검증 데이터 셋에는 (A 이미지, 제1-A 설문조사 점수 그룹(A 이미지에 대응되는 제1 설문조사 점수 그룹))이 포함된다고 가정한다. 이러한 가정 하에서, 인공 신경망(410)은 A 이미지를 입력받아 제2-A 설문조사 점수 그룹(A 이미지에 대해 출력된 제2 설문조사 점수 그룹)을 출력할 수 있다. 프로세서(210)는 제2-A 설문조사 점수 그룹과 제1-A 설문조사 점수 그룹의 오차에 기초하여, A 이미지에 대한 인공 신경망(410)의 정확도를 연산할 수 있다. 예를 들어, 프로세서(210)는 제1-A 설문조사 점수 그룹을 "참값"으로, 제2-A 설문조사 점수 그룹을 "측정값"으로 취급하여 상대오차를 계산함으로써 인공 신경망(410)의 정확도를 연산할 수 있다. 일례로, 2개의 문항을 포함하는 설문지 및 A 이미지에 기초하여 작성된 제1-A 설문조사 점수 그룹은 [3, 4]이고, 출력된 제2-A 설문조사 점수 그룹은 [2.4, 3.6]일 때, 1번 문항에 대한 정확도는 0.8 (= 1 - |3 - 2.4|/3)이고, 2번 문항에 대한 정확도는 0.9 (= 1 - |4 - 3.6|/4)로 계산될 수 있다. 또한, 프로세서(210)가 이러한 과정을 검증 데이터 셋에 포함된 10개의 데이터 쌍 모두에 대해 수행할 경우, 프로세서(210)는 인공 신경망(410)의 검증 데이터 셋에 대한 정확도를 연산할 수 있다. 예를 들어, 프로세서(210)는 각각의 검증 데이터에 대해 계산된 정확도를 평균하여 검증 데이터 셋에 대한 정확도를 연산할 수 있다. 그 결과, 프로세서(210)는 인공 신경망(410)의 정확도를 결정할 수 있다. 본 개시에 따른 프로세서(210)는 각 문항별로 계산되는 인공 신경망(410)의 정확도와 사전결정된 임계값을 비교하여 복수의 문항 각각을 제1 유형 또는 제2 유형으로 결정할 수 있다. 예를 들어, 1번 문항 및 2번 문항을 포함하는 설문지에 대하여 산출된 인공 신경망(410)의 문항별 정확도가 각각 0.8, 0.9이고 사전결정된 임계값이 0.85인 경우, 프로세서(210)는 사전결정된 임계값보다 작은 정확도를 갖는 1번 문항을 제1 유형으로 결정할 수 있고, 사전결정된 임계값보다 큰 정확도를 갖는 2번 문항을 제2 유형으로 결정할 수 있다. 그 결과, 프로세서(210)는 1번 문항에 대해서는 제1 설문조사 점수 그룹으로부터 점수를 획득하고 2번 문항에 대해서는 제2 설문조사 점수 그룹으로부터 점수를 획득함으로써 1번 및 2번 문항 모두에 대한 최종 설문조사 점수 그룹을 결정할 수 있다. 각 문항별로 계산되는 인공 신경망(410)의 정확도와 비교되기 위한 사전결정된 임계값은 문항별로 설정될 수 있다. 임계값이 문항별로 설정될 경우, 프로세서(210)는 각 문항별로 서로 다른 임계값을 고려하여 문항의 유형을 결정할 수 있다.
프로세서(210)는 설문지에 포함된 복수의 설문 문항 각각을 상술한 적어도 하나의 방법에 기초하여 제1 유형 또는 제2 유형 중 어느 하나의 유형으로 나누고, 문항의 유형에 따라 해당 문항의 점수를 제1 설문조사 점수 그룹 또는 제2 설문조사 점수 그룹으로부터 획득함으로써 최종 설문조사 점수 그룹을 결정할 수 있다. 표 10은 표 5에 예시된 제1 설문조사 점수 그룹 및 표 7에 예시된 제2 설문조사 점수 그룹에 있어서, 각 문항의 유형에 따라 결정된 최종 설문조사 점수 그룹을 예시한다. 설명의 편의상, 제1 문항 그룹의 2번, 3번, 5번 및 제2 문항 그룹의 3번, 4번은 제1 유형의 문항이고, 제1 문항 그룹의 1번, 4번 및 제2 문항 그룹의 1번, 2번, 5번은 제2 유형의 문항이라고 가정한다.
| 그룹 | 제1 문항 그룹 | 제2 문항 그룹 | ||||||||
| 문항 | 1번 | 2번 | 3번 | 4번 | 5번 | 1번 | 2번 | 3번 | 4번 | 5번 |
| 제1 점수 | 3 | 2.5 | 11 | 4 | 3 | 6 | 2.5 | 1 | 7.5 | 2 |
| 제2 점수 | 2.37 | 1 | 5 | 3.993 | 1.12 | 6.003 | 2.513 | 2 | 3 | 1.765 |
| 최종 점수 | 2.37 | 2.5 | 11 | 3.993 | 3 | 6.003 | 2.513 | 1 | 7.5 | 1.765 |
전술한 바와 같이 표 8 내지 10을 참조하여 서술된 최종 설문조사 점수 그룹을 결정하는 몇몇 실시예들 및 문항의 유형을 결정하는 몇몇 실시예들은 본 개시의 설명을 위한 예시적 기재일 뿐 본 개시를 제한하지 않으며, 본 개시는 사용자 입력에 기초하여 결정된 제1 설문조사 점수 그룹과 인공 신경망의 출력에 기초하여 결정된 제2 설문조사 점수 그룹에 기초하여, 최종 설문조사 점수 그룹을 결정하는 다양한 실시예를 제한없이 포함한다.
컴퓨팅 장치(100)는 최종 설문조사 점수 그룹에 기초하여 사용자의 피부 유형 또는 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정할 수 있다. 본 개시에서 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수는 "합산 점수"와 "지표 점수"를 포함할 수 있다. 프로세서(210)는 설문지에 포함된 적어도 하나의 문항 그룹에 따라 최종 설문조사 점수 그룹에 포함된 문항별 점수를 합산함으로써 합산 점수를 결정할 수 있다. 예를 들어, 표 10의 최종 설문조사 점수 그룹을 참조할 경우, 제1 문항 그룹의 합산 점수는 22.863이고 제2 문항 그룹의 합산 점수는 18.781일 수 있다. 제1 문항 그룹이 지성 여부를 판단하기 위한 문항 그룹이고 제2 문항 그룹이 민감성 정도를 판단하기 위한 문항 그룹인 경우, 프로세서(210)는 유분 지표에 대한 합산 점수를 22.863으로, 민감성 지표에 대한 합산 점수를 18.781로 결정할 수 있다. 프로세서(210)는 합산 점수에 기초하여 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 지표 점수를 결정할 수 있다. 프로세서(210)는 스케일링(scaling) 기법을 통해 합산 점수를 지표 점수로 변환할 수 있다. 본 개시에서 스케일링 기법은 결정된 합산 점수의 점수 범위를 소정의 점수 범위(예: 0 이상 100 이하)로 변환하는 기법을 지칭할 수 있다. 예를 들어, 프로세서(210)는 스케일링을 위해 수학식 1에 기초하여 연산을 수행할 수 있다.
일례로, 프로세서(210)에 의해 특정 지표에 대해 산출된 "합산 점수"가 13점이고 또한 프로세서(210)가 수학식 1에 따라 스케일링 기법을 수행할 경우, 해당 특정 지표에 대한 "지표 점수"는 90점일 수 있다. 본 개시에 따르면 프로세서(210)는 스케일링 기법을 통해 특정 지표가 가질 수 있는 점수 범위(즉, [이론상 가능한 문항별 점수의 최소 합산 값, 이론상 가능한 문항별 점수의 최대 합산 값])를 소정의 점수 범위(예: [0, 100])로 변환함으로써, 사전결정된 전체 점수 범위 내에서 해당 지표 점수가 어떠한 피부 상태를 갖는지 결정할 수 있다.
프로세서(210)는 하나 이상의 지표 각각에 대한 지표 점수에 기초하여 해당 지표가 나타내는 사용자의 피부 상태를 결정할 수 있다. 예를 들어, 특정 지표에 대해 사전결정된 전체 점수 범위(예: 0이상 100이하) 중 제1 구간(예: 0이상 20미만)이 "매우 나쁨", 제2 구간(예: 20이상 40미만)이 "나쁨", 제3 구간(예: 40이상 60미만)이 "보통", 제4 구간(예: 60이상 80미만)이 "좋음", 제5구간(예: 80이상 100이하)이 "매우 좋음"으로 구분되고, 특정 지표에 대한 지표 점수가 55점일 경우, 프로세서(210)는 해당 특정 지표가 지시하는 사용자의 피부 상태를 "보통"으로 결정할 수 있다.
프로세서(210)는 하나 이상의 지표 각각에 대한 사용자의 피부 상태에 기초하여 사용자의 피부 유형을 결정할 수 있다. 예를 들어, 하나 이상의 지표에 포함된 제1 지표는 유분 지표, 제2 지표는 수분 지표, 제3 지표는 민감 지표라고 가정하자. 프로세서(210)는 각각의 지표에 대한 지표 점수와 해당 지표의 평균 점수를 비교하여 각 지표별 피부 상태를 결정할 수 있다. 예를 들어 제1 지표인 유분 지표에 있어서, 사용자의 유분 지표 점수가 유분 지표에 대한 평균 점수보다 작을 경우 사용자의 유분 상태는 "건성(D, Dry)"이고 사용자의 유분 지표 점수가 유분 지표에 대한 평균 점수보다 클 경우 사용자의 유분 상태는 "지성(O, Oily)"으로 결정될 수 있다. 또한 제2 지표인 수분 지표에 있어서, 사용자의 수분 지표 점수가 수분 지표에 대한 평균 점수보다 작을 경우 사용자의 수분 상태는 "수분 부족(-)"이고 사용자의 수분 지표 점수가 수분 지표에 대한 평균 점수보다 클 경우 사용자의 수분 상태는 "수분 충분(+)"으로 결정될 수 있다. 또한 제3 지표인 민감 지표에 있어서, 사용자의 민감 지표 점수가 민감 지표에 대한 평균 점수보다 작을 경우 사용자의 민감 상태는 "민감성(S, Sensitive)"이고 사용자의 민감 지표 점수가 민감 지표에 대한 평균 점수보다 클 경우 사용자의 민감 상태는 "민감하지 않은(N, Non-sensitive)"로 결정될 수 있다. 프로세서(210)는 결정된 각 지표에 따른 피부 상태를 합산하여 사용자의 피부 유형을 결정할 수 있다. 즉, 사용자에 대해 결정된 유분 상태(즉, 제1 지표에 따른 피부 상태)가 "건성(D, Dry)"이고 수분 상태(즉, 제2 지표에 따른 피부 상태)가 "수분 부족(-)"이며 민감 상태(즉, 제3 지표에 따른 피부 상태)가 "민감성(S, Sensitive)"일 경우, 프로세서(210)는 해당 사용자의 피부 유형을 "DS-"로 결정할 수 있다. 이 경우 "DS-"는 건성, 수분 부족 및 민감성을 총칭하는 피부 유형일 수 있다. 상술한 바와 같이, 프로세서(210)는 하나 이상의 지표 각각에 대한 지표 점수에 기초하여 각 지표별 피부 상태를 결정하고, 결정된 피부 상태들을 종합하여 사용자의 피부 유형을 결정할 수 있다. 예를 들어 피부 상태를 나타내는 6 가지의 지표가 존재하고 각 지표마다 2개의 상태가 존재할 경우 사용자의 피부 유형은 총 64(= 26) 가지 유형이 도출될 수 있다. 각 지표마다 존재하는 상태의 개수는 3개 이상일 수 있다. 다른 일 실시예에 있어서, 프로세서(210)는 하나 이상의 지표에 포함된 주요 지표에 기초하여 사용자의 피부 유형을 결정할 수 있다. 예를 들어, 피부 상태를 나타내기 위한 하나 이상의 지표가 제1 지표 내지 제6 지표를 포함할 때, 프로세서(210)는 주요 지표에 해당하는 하나 이상의 지표(예: 제1 지표 내지 제3 지표)에 대한 피부 상태만을 종합하여 사용자의 피부 유형을 결정할 수 있다. 예를 들어 피부 상태를 나타내는 6 가지의 지표 중 3 개의 주요 지표에 기초하여 사용자의 피부 유형을 결정할 경우 사용자의 피부 유형은 총 8(= 23) 가지 유형이 도출될 수 있다. 이 경우 본 개시에 따른 프로세서(210)는 사용자의 피부 유형을 보다 짧고 직관적인 정보로 전달하는 한편, 주요 지표가 아닌 지표들에 대해 결정된 지표 점수 또는 피부 상태를 통해 추가적인 정보를 생성할 수 있는 장점을 갖는다.
이하에서는 도 5 및 6을 참조하여 본 개시의 다른 일 실시예에 따른 인공 신경망(510)의 입출력 데이터 및 동작을 서술한다. 본 개시에서, 문맥상 다르게 표현되지 않는 한, 인공 신경망(510)에 관하여 전술된 내용은 인공 신경망(510)에 대해서도 적용될 수 있으며 이하 중복되는 설명은 생략한다.
도 5는 컴퓨팅 장치(100)가 본 개시의 다른 일 실시예에 따른 인공 신경망(510)의 출력에 기초하여 전문가 점수 그룹(551) 및 제2 설문조사 점수 그룹(553))을 결정하는 과정을 나타내는 개념도이다.
컴퓨팅 장치(100)는 인공 신경망(510)의 출력에 기초하여 사용자 이미지(310)에 대한 전문가 점수 그룹(551)을 결정할 수 있다. 즉, 컴퓨팅 장치(100)는 인공 신경망(510)의 출력에 기초하여 설문지에 대한 제2 설문조사 점수 그룹을 결정하되, 사용자 이미지(310)에 대한 전문가 점수 그룹(551)을 추가로 결정할 수 있다. 전문가 점수 그룹(551)은 사용자 이미지(310)에 기초하여 시각적으로 판단될 수 있는 하나 이상의 판단 대상에 대한 점수를 포함할 수 있다. 전문가 점수 그룹(551)은 홍조, 색소, 모공, 주름, 및 여드름 중 적어도 하나의 판단 대상에 대한 점수를 포함할 수 있다. 예를 들어, 인공 신경망(510)은 사용자 이미지(310)에 기초하여 홍조 점수를 1, 색소 점수를 1.981, 모공 점수를 2.975, 주름 점수를 1.993, 염증 점수를 1.019로 각각 결정함으로써 전문가 점수 그룹(551)을 결정할 수 있다.
도 6은 본 개시의 일 실시예에 따른 인공 신경망(510)을 학습시키기 위한 학습 데이터의 일부를 예시한 예시도이다. 인공 신경망(510)은 학습용 이미지, 설문지에 기초하여 학습용 이미지에 대해 결정된 설문조사 점수 그룹(630) 및 학습용 이미지에 대해 결정된 전문가 점수 그룹(610)을 포함하는 하나 이상의 학습 데이터에 기초하여 학습될 수 있다. 이와 같이 구성된 학습 데이터에 의해 인공 신경망(510)이 학습될 경우, 인공 신경망(510)은 입력된 사용자 이미지(310)에 기초하여 전문가 점수 그룹(551) 및 제2 설문조사 점수 그룹(553)을 결정할 수 있다. 학습 데이터에 포함되는 학습용 이미지 및 설문조사 점수 그룹(630)의 구성 및/또는 생성 방법은 도 3 및 4를 참조하여 전술된 바와 같다. 학습 데이터에 포함되는 전문가 점수 그룹(610)은 해당 학습용 이미지를 전문가(예: 의료인, 피부 관련 전문가 등)가 육안으로 살핀 결과 생성된 데이터일 수 있다. 예를 들어, 학습 데이터에 포함되는 전문가 점수 그룹(610)은 전문가가 학습용 이미지를 시각적으로 살펴 홍조, 색소, 모공, 주름, 및 여드름 중 적어도 하나의 판단 대상에 대해 결정한 점수를 포함할 수 있다. 인공 신경망(510)의 학습 데이터를 X(입력값)와 Y(레이블값)로 구성된 순서쌍으로 표현할 때, X는 학습용 이미지이고, Y는 전문가 점수 그룹(610) 및 설문조사 점수 그룹(630)을 포함하는 값일 수 있다. 즉, 학습 데이터는 (X: 학습용 이미지, Y: [전문가 점수 그룹, 설문조사 점수 그룹])과 같이 구성된 순서쌍일 수 있다. 본 실시예에서, 인공 신경망(510)의 학습 데이터에 포함된 Y는 전문가 점수 그룹(610)과 설문조사 점수 그룹(630)이 이어 붙여진(concatenate) 형태의 데이터일 수 있다. 예를 들어, 설문조사 점수 그룹(630)이 1x35 크기의 행렬이고 전문가 점수 그룹이 1x5 크기의 행렬일 경우 인공 신경망(510)의 학습 데이터에 포함된 Y는 1x40 크기의 행렬 데이터일 수 있다. 인공 신경망(510)은 상술한 바와 같은 학습 데이터에 기초하여 학습될 수 있다.
프로세서(210)는 학습된 인공 신경망(510)에 사용자 이미지(310)를 입력하여, 적어도 하나의 노드에 기초한 연산을 수행하고, 사용자 이미지(310)에 대한 전문가 점수 그룹(551) 및 설문지에 관한 제2 설문조사 점수 그룹(553)을 결정할 수 있다.
프로세서(210)는 최종 설문조사 점수 그룹에 기초하되, 인공 신경망(510)에 기초하여 사용자 이미지에 대해 결정된 전문가 점수 그룹에 추가적으로 기초하여, 사용자의 피부 유형 또는 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정할 수 있다. 프로세서(210)는 최종 설문조사 점수 그룹과 전문가 점수 그룹을 가중합하여 사용자의 피부 유형 또는 하나 이상의 지표 각각에 대한 점수를 결정할 수 있다. 예를 들어, 최종 설문조사 점수 그룹에 포함된 제1 지표에 대한 점수가 "5", 전문가 점수 그룹에 포함된 제1 지표에 대한 점수가 "15" 그리고 최종 설문조사 점수 그룹 및 전문가 점수 그룹 각각에 대한 가중치가 "0.5" 및 "0.5"일 경우 제1 지표에 대한 최종 점수는 "10(=0.5*5 + 0.5*15)"으로 결정될 수 있다.
본 개시에 따른 컴퓨팅 장치(100)는 인공 신경망(510)에 기초하여 제2 설문조사 점수 그룹(553) 및 전문가 점수 그룹(551)을 각각 결정하고, 나아가 설문조사 점수 그룹(553) 및 전문가 점수 그룹(551)을 함께 고려하여 사용자의 피부 상태에 대한 점수 및 피부 유형을 결정함으로써, 설문지에 대한 사용자의 주관적 응답과 전문가의 객관적 평가를 종합하여 피부 관련 정보를 생성할 수 있다.
본 개시의 다른 일 실시예에 있어서, 컴퓨팅 장치(100)는 인공 신경망에 기초하여 사용자 이미지(310)에서 적어도 하나의 목표 증상 영역(Target Symptom Area)을 검출할 수 있다. 이하, 설명의 편의상 목표 증상 영역을 검출하기 위한 인공 신경망은 "제2 인공 신경망"으로 지칭될 수 있다. 제2 인공 신경망은 본 개시의 컴퓨팅 장치(100)를 통해 학습될 수 있다. 제2 인공 신경망은 외부의 장치에서 학습된 후 컴퓨팅 장치(100)로 전송되어 컴퓨팅 장치(100)에 의해 사용될 수도 있다. 제2 인공 신경망은 이미지를 입력 받아 목표 증상 영역을 검출하도록 학습될 수 있다. 목표 증상 영역은 예를 들어, 여드름, 색소, 홍조, 모공 또는 주름 등의 증상 영역일 수 있다. 일례로, 제2 인공 신경망은 소정의 디텍션(detection) 방법에 따라 입력된 이미지 내에서 목표 증상 영역을 포함하는 바운딩 박스(bounding box) 데이터를 생성할 수 있다. 다른 일례로, 제2 인공 신경망은 소정의 세그멘테이션(segmentation) 방법에 따라 입력된 이미지에 포함된 복수의 픽셀(pixel)들 중 목표 증상 영역에 해당하는 하나 이상의 픽셀을 결정할 수 있다. 프로세서(210)는 학습이 완료된 제2 인공 신경망을 이용하여 사용자 이미지(310) 내에서 적어도 하나의 목표 증상 영역을 검출하고 디스플레이부를 통해 검출된 영역을 표시할 수 있다.
도 7은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 동작 흐름도이다. 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는, 동작 S710에서, 대상 사용자의 피부에 관한 설문지에 대한 제1 설문조사 점수 그룹을 결정할 수 있다. 대상 사용자란 컴퓨팅 장치(100)를 통해 피부 유형을 결정하거나 컴퓨팅 장치(100)를 통해 피부 상태를 나타내는 하나 이상의 지표에 대한 점수를 결정하고자 하는 사용자를 지칭할 수 있다. 설문지는 사전결정된 복수의 설문 문항을 포함할 수 있다. 설문지는 적어도 하나의 판단 대상에 관한 문항 그룹을 포함할 수 있다. 설문지는 지성 여부에 관한 문항 그룹, 민감성에 관한 문항 그룹, 색소성에 관한 문항 그룹 또는 주름 여부에 관한 문항 그룹 중 적어도 하나의 문항 그룹을 포함할 수 있다. 설문지에 포함된 각 문항 그룹은 다시 복수의 설문 문항을 포함할 수 있다. 프로세서(210)는 설문지에 대한 사용자의 응답으로서 설문조사 결과를 획득할 수 있다. 프로세서(210)는 입력부(240)를 통해 사용자로부터 설문조사 결과(330)를 획득할 수 있다. 프로세서(210)는 통신 회로(230)를 이용하여 외부의 사용자 단말(110)로부터 설문조사 결과(330)를 획득할 수도 있다. 프로세서(210)는 획득된 설문조사 결과(330)에 기초하여 설문지에 대한 제1 설문조사 점수 그룹을 결정할 수 있다. "설문조사 점수 그룹"은 설문지에 포함된 복수의 설문 문항 각각에 대한 점수를 포함하는 데이터를 지칭할 수 있다. "제1 설문조사 점수 그룹"은 사용자로부터 획득된 설문조사 결과(330)에 기초하여 도출된 설문조사 점수 그룹을 지칭할 수 있다. 예를 들어, 설문조사 결과(330)는 각각의 객관식 문항에 대해 선택된 답변(예: 응답 번호)을 포함하고 제1 설문조사 점수 그룹은 설문조사 결과(330)를 점수로 변환한 데이터일 수 있다. 프로세서(210)는 설문조사 결과에 포함된 복수의 설문 문항 각각에 대한 답변을 점수로 변환하여 제1 설문조사 점수 그룹을 결정할 수 있다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는, 동작 S720에서, 대상 사용자의 피부에 관한 이미지를 인공 신경망에 입력할 수 있다. 인공 신경망은 입력된 사용자 이미지에 기초하여 설문지에 대한 설문조사 점수 그룹을 결정하도록 학습될 수 있다. 인공 신경망을 학습하기 위한 학습 데이터는 학습용 이미지와 해당 학습용 이미지에 대한 설문조사 점수 그룹으로 구성될 수 있다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는, 동작 S730에서, 인공 신경망의 출력에 기초하여, 설문지에 대한 제2 설문조사 점수 그룹을 결정할 수 있다. "제2 설문조사 점수 그룹"은 인공 신경망의 출력에 기초하여 도출된 설문조사 점수 그룹을 지칭할 수 있다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는, 동작 S740에서, 제1 설문조사 점수 그룹 및 제2 설문조사 점수 그룹에 기초하여, 대상 사용자의 피부 유형 또는 대상 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정할 수 있다. 프로세서(210)는 제1 설문조사 점수 그룹과 제2 설문조사 점수 그룹을 합산, 평균 또는 가중 합산하여 최종 설문조사 점수 그룹을 결정할 수 있다. 프로세서(210)는 설문지에 포함된 복수의 설문 문항에 있어서, 각 문항의 유형에 따라 제1 설문조사 점수 그룹 또는 제2 설문조사 점수 그룹 중 하나의 설문조사 점수 그룹에서 점수를 결정함으로써 최종 설문조사 점수 그룹을 결정할 수 있다. 이 경우, 문항의 유형은 메모리(220)에 사전결정된 기준에 따라 결정될 수 있다. 또한 문항의 유형은 각각의 문항에 대한 인공 신경망의 정확도에 기초하여 결정될 수 있다. 프로세서(210)는 최종 설문조사 점수 그룹에 기초하여 사용자의 피부 유형 또는 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정할 수 있다. 본 개시에서 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수는 "합산 점수"와 "지표 점수"를 포함할 수 있다. 프로세서(210)는 설문지에 포함된 적어도 하나의 문항 그룹에 따라 최종 설문조사 점수 그룹에 포함된 문항별 점수를 합산함으로써 합산 점수를 결정할 수 있다. 프로세서(210)는 합산 점수에 기초하여 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 지표 점수를 결정할 수 있다. 프로세서(210)는 스케일링(scaling) 기법을 통해 합산 점수를 지표 점수로 변환할 수 있다. 프로세서(210)는 하나 이상의 지표 각각에 대한 지표 점수에 기초하여 해당 지표가 나타내는 사용자의 피부 상태를 결정할 수 있다. 프로세서(210)는 하나 이상의 지표 각각에 대한 사용자의 피부 상태에 기초하여 사용자의 피부 유형을 결정할 수 있다.
본 개시에 도시된 각 흐름도에서 본 개시에 따른 방법 또는 알고리즘의 각 단계들이 순차적인 순서로 설명되었지만, 각 단계들은 순차적으로 수행되는 것 외에, 본 개시에 의해 임의로 조합될 수 있는 순서에 따라 수행될 수도 있다. 본 흐름도에 따른 설명은, 방법 또는 알고리즘에 변화 또는 수정을 가하는 것을 제외하지 않으며, 임의의 단계가 필수적이거나 바람직하다는 것을 의미하지 않는다. 일 실시예에서, 적어도 일부의 단계가 병렬적, 반복적 또는 휴리스틱하게 수행될 수 있다. 일 실시예에서, 적어도 일부의 단계가 생략되거나, 다른 단계가 추가될 수 있다.
본 개시의 다양한 실시예들은 기기(machine)가 읽을 수 있는 저장매체(machine-readable storage medium)에 소프트웨어로 구현될 수 있다. 소프트웨어는 본 개시의 다양한 실시예들을 구현하기 위한 소프트웨어일 수 있다. 소프트웨어는 본 개시가 속하는 기술분야의 프로그래머들에 의해 본 개시의 다양한 실시예들로부터 추론될 수 있다. 예를 들어 소프트웨어는 기기가 읽을 수 있는 명령어(예: 코드 또는 코드 세그먼트)를 포함하는 프로그램일 수 있다. 기기는 저장 매체로부터 호출된 명령어에 따라 동작이 가능한 장치로서, 예를 들어 컴퓨터일 수 있다. 일 실시예에서, 기기는 본 개시의 실시예들에 따른 컴퓨팅 장치(100)일 수 있다. 일 실시예에서, 기기의 프로세서는 호출된 명령어를 실행하여, 기기의 구성요소들이 해당 명령어에 해당하는 기능을 수행하게 할 수 있다. 일 실시예에서, 프로세서는 본 개시의 실시예들에 따른 프로세서(210)일 수 있다. 저장 매체는 기기에 의해 읽혀질 수 있는, 데이터가 저장되는 모든 종류의 기록 매체(recording medium)를 의미할 수 있다. 저장 매체는, 예를 들어 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등을 포함할 수 있다. 일 실시예에서, 저장 매체는 메모리(320)일 수 있다. 일 실시예에서, 저장매체는 네트워크로 연결된 컴퓨터 시스템 등에 분산된 형태로서 구현될 수도 있다. 소프트웨어는 컴퓨터 시스템 등에 분산되어 저장되고, 실행될 수 있다. 저장 매체는 비일시적(non-transitory) 저장매체일 수 있다. 비일시적 저장매체는, 데이터가 반영구적 또는 임시적으로 저장되는 것과 무관하게 실재하는 매체(tangible medium)를 의미하며, 일시적(transitory)으로 전파되는 신호(signal)를 포함하지 않는다.
이상 다양한 실시예들에 의해 본 개시의 기술적 사상이 설명되었지만, 본 개시의 기술적 사상은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 이해할 수 있는 범위에서 이루어질 수 있는 다양한 치환, 변형 및 변경을 포함한다. 또한, 그러한 치환, 변형 및 변경은 첨부된 청구범위 내에 포함될 수 있는 것으로 이해되어야 한다.
Claims (20)
- 하나 이상의 프로세서; 및
상기 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령과, 복수의 사용자의 피부에 관한 복수의 이미지 및 상기 복수의 사용자에게 제공되는 피부에 관한 설문지에 포함된 복수의 설문 문항 각각에 대한 점수 사이의 상관 관계를 모델링하여 구축된 인공 신경망을 저장하는 하나 이상의 메모리를 포함하고,
상기 하나 이상의 프로세서는, 상기 명령에 따라,
대상 사용자의 피부에 관한 설문지에 대한 제1 설문조사 점수 그룹을 결정하고,
상기 대상 사용자의 피부에 관한 이미지를 상기 인공 신경망에 입력하고,
상기 인공 신경망의 출력에 기초하여, 상기 설문지에 대한 제2 설문조사 점수 그룹을 결정하고,
상기 제1 설문조사 점수 그룹 및 상기 제2 설문조사 점수 그룹에 기초하여, 상기 대상 사용자의 피부 유형 또는 상기 대상 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정하는, 장치.
- 제1항에 있어서,
상기 설문지는 적어도 하나의 판단 대상에 관한 문항 그룹을 포함하고,
상기 적어도 하나의 판단 대상에 관한 문항 그룹 각각은 상기 하나 이상의 지표 각각에 대응되는, 장치.
- 제1항에 있어서,
상기 하나 이상의 프로세서는,
상기 대상 사용자로부터 설문조사 결과 - 상기 설문조사 결과는 상기 설문지에 포함된 복수의 설문 문항 각각에 대한 답변을 포함함 - 를 획득하고,
상기 설문조사 결과에 포함된 복수의 설문 문항 각각에 대한 답변을 점수로 변환하여 상기 제1 설문조사 점수 그룹을 결정하는, 장치.
- 제1항에 있어서,
상기 제2 설문조사 점수 그룹은,
상기 인공 신경망이 상기 대상 사용자의 피부에 관한 이미지를 입력받아 상기 설문지에 포함된 복수의 설문 문항 각각에 대해 점수를 출력하여 결정된, 장치.
- 제1항에 있어서,
상기 하나 이상의 프로세서는,
상기 설문지에 포함된 상기 복수의 설문 문항 중 제1 유형에 해당하는 문항의 점수를 상기 제1 설문조사 점수 그룹으로부터 획득하고,
상기 설문지에 포함된 상기 복수의 설문 문항 중 제2 유형에 해당하는 문항의 점수를 상기 제2 설문조사 점수 그룹으로부터 획득하고,
상기 제1 유형에 해당하는 문항의 점수 및 상기 제2 유형에 해당하는 문항의 점수에 기초하여 최종 설문조사 점수 그룹을 결정하고,
상기 최종 설문조사 점수 그룹에 기초하여 상기 피부 유형 또는 상기 하나 이상의 지표 각각에 대한 점수를 결정하는, 장치.
- 제5항에 있어서,
상기 제1 유형에 해당하는 문항은, 문항의 점수를 예측하는 상기 인공 신경망의 정확도가 사전결정된 임계값보다 작은 문항이고,
상기 제2 유형에 해당하는 문항은, 문항의 점수를 예측하는 상기 인공 신경망의 정확도가 사전결정된 임계값보다 크거나 같은 문항인, 장치.
- 제1항에 있어서,
상기 하나 이상의 프로세서는,
상기 제1 설문조사 점수 그룹 및 상기 제2 설문조사 점수 그룹에 기초하여 최종 설문조사 점수 그룹을 결정하고,
상기 최종 설문조사 점수 그룹에 포함된 문항별 점수를 상기 설문지에 포함된 각 문항 그룹에 따라 합산하여 상기 하나 이상의 지표 각각에 대한 점수를 결정하고,
상기 하나 이상의 지표 각각에 대한 점수에 기초하여 상기 피부 유형을 결정하는, 장치.
- 제1항에 있어서,
상기 하나 이상의 프로세서는,
상기 인공 신경망의 출력에 기초하여, 상기 대상 사용자의 피부에 관한 이미지에 대한 전문가 점수 그룹을 결정하고,
상기 전문가 점수 그룹에 추가적으로 기초하여, 상기 피부 유형 또는 상기 하나 이상의 지표 각각에 대한 점수를 결정하는, 장치.
- 제8항에 있어서,
상기 전문가 점수 그룹은,
상기 대상 사용자의 피부에 관한 이미지에 기초하여 판단되는 홍조, 색소, 모공, 주름, 및 여드름 중 적어도 하나의 판단 대상에 대한 점수를 포함하는, 장치.
- 제8항에 있어서,
상기 하나 이상의 프로세서는,
상기 제1 설문조사 점수 그룹 및 상기 제2 설문조사 점수 그룹에 기초하여 최종 설문조사 점수 그룹을 결정하고,
상기 최종 설문조사 점수 그룹과 상기 전문가 점수 그룹을 가중합하여 상기 피부 유형 또는 상기 하나 이상의 지표 각각에 대한 점수를 결정하는, 장치.
- 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행되기 위한 명령들이 저장된 하나 이상의 메모리를 포함하는 컴퓨터에서 수행되는 방법에 있어서,
상기 하나 이상의 메모리는, 복수의 사용자의 피부에 관한 복수의 이미지 및 상기 복수의 사용자에게 제공되는 피부에 관한 설문지에 포함된 복수의 설문 문항 각각에 대한 점수 사이의 상관 관계를 모델링하여 구축된 인공 신경망을 저장하고,
상기 하나 이상의 프로세서가, 상기 명령에 따라,
대상 사용자의 피부에 관한 설문지에 대한 제1 설문조사 점수 그룹을 결정하는 단계;
상기 대상 사용자의 피부에 관한 이미지를 상기 인공 신경망에 입력하는 단계;
상기 인공 신경망의 출력에 기초하여, 상기 설문지에 대한 제2 설문조사 점수 그룹을 결정하는 단계; 및
상기 제1 설문조사 점수 그룹 및 상기 제2 설문조사 점수 그룹에 기초하여, 상기 대상 사용자의 피부 유형 또는 상기 대상 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정하는 단계를 포함하는, 방법.
- 제11항에 있어서,
상기 설문지는 적어도 하나의 판단 대상에 관한 문항 그룹을 포함하고,
상기 적어도 하나의 판단 대상에 관한 문항 그룹 각각은 상기 하나 이상의 지표 각각에 대응되는, 방법.
- 제11항에 있어서,
상기 하나 이상의 프로세서가,
상기 대상 사용자로부터 설문조사 결과 - 상기 설문조사 결과는 상기 설문지에 포함된 복수의 설문 문항 각각에 대한 답변을 포함함 - 를 획득하는 단계; 및
상기 설문조사 결과에 포함된 복수의 설문 문항 각각에 대한 답변을 점수로 변환하여 상기 제1 설문조사 점수 그룹을 결정하는 단계를 더 포함하는, 방법.
- 제11항에 있어서,
상기 하나 이상의 프로세서가,
상기 설문지에 포함된 상기 복수의 설문 문항 중 제1 유형에 해당하는 문항의 점수를 상기 제1 설문조사 점수 그룹으로부터 획득하는 단계;
상기 설문지에 포함된 상기 복수의 설문 문항 중 제2 유형에 해당하는 문항의 점수를 상기 제2 설문조사 점수 그룹으로부터 획득하는 단계;
상기 제1 유형에 해당하는 문항의 점수 및 상기 제2 유형에 해당하는 문항의 점수에 기초하여 최종 설문조사 점수 그룹을 결정하는 단계; 및
상기 최종 설문조사 점수 그룹에 기초하여 상기 피부 유형 또는 상기 하나 이상의 지표 각각에 대한 점수를 결정하는 단계를 더 포함하는, 방법.
- 제14항에 있어서,
상기 제1 유형에 해당하는 문항은, 문항의 점수를 예측하는 상기 인공 신경망의 정확도가 사전결정된 임계값보다 작은 문항이고,
상기 제2 유형에 해당하는 문항은, 문항의 점수를 예측하는 상기 인공 신경망의 정확도가 사전결정된 임계값보다 크거나 같은 문항인, 방법.
- 제11항에 있어서,
상기 하나 이상의 프로세서가,
상기 제1 설문조사 점수 그룹 및 상기 제2 설문조사 점수 그룹에 기초하여 최종 설문조사 점수 그룹을 결정하는 단계;
상기 최종 설문조사 점수 그룹에 포함된 문항별 점수를 상기 설문지에 포함된 각 문항 그룹에 따라 합산하여 상기 하나 이상의 지표 각각에 대한 점수를 결정하는 단계; 및
상기 하나 이상의 지표 각각에 대한 점수에 기초하여 상기 피부 유형을 결정하는 단계를 더 포함하는, 방법.
- 제11항에 있어서,
상기 하나 이상의 프로세서가,
상기 인공 신경망의 출력에 기초하여, 상기 대상 사용자의 피부에 관한 이미지에 대한 전문가 점수 그룹을 결정하는 단계; 및
상기 전문가 점수 그룹에 추가적으로 기초하여, 상기 피부 유형 또는 상기 하나 이상의 지표 각각에 대한 점수를 결정하는 단계를 더 포함하는, 방법.
- 제17항에 있어서,
상기 전문가 점수 그룹은,
상기 대상 사용자의 피부에 관한 이미지에 기초하여 판단되는 홍조, 색소, 모공, 주름, 및 여드름 중 적어도 하나의 판단 대상에 대한 점수를 포함하는, 방법.
- 제17항에 있어서,
상기 하나 이상의 프로세서가,
상기 제1 설문조사 점수 그룹 및 상기 제2 설문조사 점수 그룹에 기초하여 최종 설문조사 점수 그룹을 결정하는 단계를 더 포함하고,
상기 피부 유형 또는 상기 하나 이상의 지표 각각에 대한 점수를 결정하는 단계는, 상기 최종 설문조사 점수 그룹과 상기 전문가 점수 그룹을 가중합하여 상기 피부 유형 또는 상기 하나 이상의 지표 각각에 대한 점수를 결정하는 단계인, 방법.
- 컴퓨터 상에서 수행되기 위한 명령들을 기록한 비일시적 컴퓨터 판독 가능 기록 매체에 있어서,
하나 이상의 메모리는, 하나 이상의 프로세서가 연산을 수행하도록 하는 명령과, 복수의 사용자의 피부에 관한 복수의 이미지 및 상기 복수의 사용자에게 제공되는 피부에 관한 설문지에 포함된 복수의 설문 문항 각각에 대한 점수 사이의 상관 관계를 모델링하여 구축된 인공 신경망을 저장하고,
상기 명령들은, 상기 하나 이상의 프로세서에 의한 실행시, 상기 하나 이상의 프로세서가,
대상 사용자의 피부에 관한 설문지에 대한 제1 설문조사 점수 그룹을 결정하고,
상기 대상 사용자의 피부에 관한 이미지를 상기 인공 신경망에 입력하고,
상기 인공 신경망의 출력에 기초하여, 상기 설문지에 대한 제2 설문조사 점수 그룹을 결정하고,
상기 제1 설문조사 점수 그룹 및 상기 제2 설문조사 점수 그룹에 기초하여, 상기 대상 사용자의 피부 유형 또는 상기 대상 사용자의 피부 상태를 나타내는 하나 이상의 지표 각각에 대한 점수를 결정하도록 하는, 컴퓨터 판독 가능 기록 매체.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220031218A KR20230134202A (ko) | 2022-03-14 | 2022-03-14 | 인공 신경망을 이용하여 피부 상태 또는 피부 유형을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체 |
| JP2022143804A JP7231783B1 (ja) | 2022-03-14 | 2022-09-09 | 人工神経網を用いて皮膚状態または皮膚類型を決定するための装置、方法及び命令を記録した記録媒体 |
| PCT/KR2023/003366 WO2023177172A1 (ko) | 2022-03-14 | 2023-03-13 | 인공 신경망을 이용하여 피부 상태 또는 피부 유형을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220031218A KR20230134202A (ko) | 2022-03-14 | 2022-03-14 | 인공 신경망을 이용하여 피부 상태 또는 피부 유형을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230134202A true KR20230134202A (ko) | 2023-09-21 |
Family
ID=85380635
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220031218A KR20230134202A (ko) | 2022-03-14 | 2022-03-14 | 인공 신경망을 이용하여 피부 상태 또는 피부 유형을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체 |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP7231783B1 (ko) |
| KR (1) | KR20230134202A (ko) |
| WO (1) | WO2023177172A1 (ko) |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019148116A1 (en) * | 2018-01-29 | 2019-08-01 | Atolla Skin Health, Inc. | Systems and methods for formulating personalized skincare products |
| KR20200028571A (ko) * | 2018-09-06 | 2020-03-17 | (주)레파토리 | 인공지능 기반의 피부상태 분석에 의한 피부 분석정보 생성 방법 |
| KR20200030138A (ko) * | 2018-09-06 | 2020-03-20 | 주식회사 비즈모델라인 | 안면사진 기반의 피부 상태 분석정보 제공 방법 |
| JP7442503B2 (ja) * | 2019-03-22 | 2024-03-04 | 株式会社 資生堂 | 顧客に合わせてカスタマイズされた化粧品を提供する方法 |
| KR20210059214A (ko) * | 2019-11-15 | 2021-05-25 | 주식회사 위즈켐 | 인공 지능에 기반한 피부 진단을 통한 고객 맞춤형 피부 외용제의 제공 방법 |
| KR102556981B1 (ko) * | 2019-12-19 | 2023-07-19 | 재단법인 제주테크노파크 | 소비자 만족도를 향상시키기 위한 개인 맞춤형 화장품 제공 시스템 |
| KR20210122560A (ko) * | 2020-04-01 | 2021-10-12 | 주식회사 에이아이투유 | 피부 병변의 원인 분석 방법 및 장치 |
| KR102402684B1 (ko) * | 2020-07-27 | 2022-05-27 | 엔사이크(주) | 비대면 환경에서 빅데이터 기반의 자가 피부 수분 상태 정보 제공 방법 |
-
2022
- 2022-03-14 KR KR1020220031218A patent/KR20230134202A/ko not_active Application Discontinuation
- 2022-09-09 JP JP2022143804A patent/JP7231783B1/ja active Active
-
2023
- 2023-03-13 WO PCT/KR2023/003366 patent/WO2023177172A1/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023177172A1 (ko) | 2023-09-21 |
| JP2023134335A (ja) | 2023-09-27 |
| JP7231783B1 (ja) | 2023-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shamsi et al. | An uncertainty-aware transfer learning-based framework for COVID-19 diagnosis | |
| WO2021036695A1 (zh) | 一种待标注图像确定的方法、模型训练的方法及装置 | |
| WO2019176993A1 (ja) | 検査システム、画像識別システム、識別システム、識別器生成システム、及び学習データ生成装置 | |
| CN113673244B (zh) | 医疗文本处理方法、装置、计算机设备和存储介质 | |
| CN113570497A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN113469470A (zh) | 基于电力大脑中枢的用能数据与碳排放量关联分析方法 | |
| Hossin et al. | Breast cancer detection: an effective comparison of different machine learning algorithms on the Wisconsin dataset | |
| CN112308746A (zh) | 一种教学状态评估方法、装置及电子设备 | |
| CN112488178B (zh) | 网络模型的训练方法及装置、图像处理方法及装置、设备 | |
| CN112819152B (zh) | 一种神经网络训练方法及装置 | |
| Tabarisaadi et al. | An optimized uncertainty-aware training framework for neural networks | |
| KR20230134202A (ko) | 인공 신경망을 이용하여 피부 상태 또는 피부 유형을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체 | |
| CN112101438A (zh) | 一种左右眼分类方法、装置、服务器和存储介质 | |
| Tsai et al. | Improving measurement invariance assessments in survey research with missing data by novel artificial neural networks | |
| EP4086811A1 (en) | Problematic behavior classification system and method based on deep neural network algorithm | |
| CN113516182B (zh) | 视觉问答模型训练、视觉问答方法和装置 | |
| KR20230135838A (ko) | 동적 모델 조합에 기반한 선택적 앙상블 예측 방법 및 장치 | |
| CN115153549A (zh) | 一种基于bp神经网络的人机交互界面认知负荷预测方法 | |
| KR102184395B1 (ko) | 결정트리 및 심층신경망을 이용한 대량의 데이터를 분류하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 | |
| Sabri et al. | HeartInspect: Heart Disease Prediction of an Individual Using Naïve Bayes Algorithm | |
| CN113033757A (zh) | 用于测试神经网络中算子精度的方法、装置和计算机可读存储介质 | |
| KR102688711B1 (ko) | 복수의 역량에 대한 역량평가를 수행하는 기계학습모델을 학습시키는 방법, 장치, 및 컴퓨터-판독가능매체 | |
| Lantang et al. | Investigation of the efficiency of an interconnected convolutional neural network by classifying medical images | |
| Briscoe et al. | Adversarial creation of a smart home testbed for novelty detection | |
| CN116542819A (zh) | 知识点的掌握度分析方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |