KR20230168015A - 연합 학습 방법을 활용한 컬러 캘리브레이션 방법 및 그 시스템 - Google Patents
연합 학습 방법을 활용한 컬러 캘리브레이션 방법 및 그 시스템 Download PDFInfo
- Publication number
- KR20230168015A KR20230168015A KR1020220068411A KR20220068411A KR20230168015A KR 20230168015 A KR20230168015 A KR 20230168015A KR 1020220068411 A KR1020220068411 A KR 1020220068411A KR 20220068411 A KR20220068411 A KR 20220068411A KR 20230168015 A KR20230168015 A KR 20230168015A
- Authority
- KR
- South Korea
- Prior art keywords
- user terminal
- color
- calibration
- information
- photo
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims description 60
- 230000008569 process Effects 0.000 claims description 19
- 230000008685 targeting Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 239000003086 colorant Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/02—Diagnosis, testing or measuring for television systems or their details for colour television signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G5/00—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators
- G09G5/02—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators characterised by the way in which colour is displayed
- G09G5/06—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators characterised by the way in which colour is displayed using colour palettes, e.g. look-up tables
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N9/00—Details of colour television systems
- H04N9/64—Circuits for processing colour signals
- H04N9/68—Circuits for processing colour signals for controlling the amplitude of colour signals, e.g. automatic chroma control circuits
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G2320/00—Control of display operating conditions
- G09G2320/06—Adjustment of display parameters
- G09G2320/0666—Adjustment of display parameters for control of colour parameters, e.g. colour temperature
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G2320/00—Control of display operating conditions
- G09G2320/06—Adjustment of display parameters
- G09G2320/0673—Adjustment of display parameters for control of gamma adjustment, e.g. selecting another gamma curve
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Image Processing (AREA)
Abstract
연합 학습 방법을 활용한 컬러 캘리브레이션 방법 및 그 시스템이 개시된다. 컬러 캘리브레이션을 위한 방법은, 사용자 단말에서 페이퍼를 촬영한 사진과 상기 사용자 단말의 디바이스 정보를 수신하는 단계; 및 상기 사진과 상기 디바이스 정보를 기반으로 컬러 캘리브레이션 모델(color calibration model)을 생성하는 단계를 포함할 수 있다.
Description
아래의 설명은 컬러 캘리브레이션(color calibration) 기술에 관한 것이다.
이 특허는 과학기술정보통신부의 재원으로 과학기술일자리진흥원의 지원을 받아 수행된 연구이다(2022, '지역산업연계 대학 Open-Lab육성지원사업').
LCD(liquid crystal display)나 플라즈마 스크린 등과 같은 컬러 디스플레이 패널은 텔레비전, 컴퓨터 모니터, 디지털 카메라, 이동 전화, 개인 휴대용 정보 단말기(personal digital assistant device) 등의 다양한 분야에 활용되고 있다.
구동 신호(drive signals)에 의해 제어되는 개별 표시 화소를 갖는 디스플레이 패널은 입력 영상 신호에 기초하여 패널용 구동 신호를 발생시키는 영상 프로세서에 의해 제어되는 것이 통상적이다.
영상 프로세서는 인터폴레이션(interpolation), 감마 보정, 컬러 보정 및 다른 조 정과 같은 다양한 제어 기능을 수행하게 된다.
다양한 보정을 수행하기 위해 영상 프로세서에서 사용되는 캘리브레이션 정보가 영상 프로세서 자체에 저장되어 있다. 구체적으로, 캘리브레이션의 한 가지 예로서 입 력 R, G, B 값을 영상 소스(image source)로부터 디스플레이 화소를 구동하기 위해 사용되는 출력 R, G, B 값으로 맵핑하는 룩업 테이블을 들 수 있다.
컬러 캘리브레이션 기술의 일례로, 한국등록특허 제10-0953113호(등록일 2010년 04월 08일)에는 타겟 디스플레이 디바이스의 컬러 특성을 캘리브레이션하기 위한 필요한 측정 데이터 및 시간을 효과적으로 감소시키기 위하여 레퍼런스 디스플레이 디바이스의 컬러 특성에 따라 컬러 스페이스 변환과 색도 좌표값을 비교함으로써 타깃 디스플레이 디바이스의 타깃 감마 곡선을 정하는 컬러 분석 방법이 개시되어 있다.
연합 학습(federated learning)을 활용하여 개별 단말 특성 및 조도에 따른 사용자별 컬러 인식 및 추천 시 보다 효과적이고 정교한 캘리브레이션 기능을 제공할 수 있다.
컴퓨터 장치에서 실행되는 방법에 있어서, 상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 방법은, 상기 적어도 하나의 프로세서에 의해, 사용자 단말에서 페이퍼를 촬영한 사진과 상기 사용자 단말의 디바이스 정보를 수신하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 사진과 상기 디바이스 정보를 기반으로 컬러 캘리브레이션 모델(color calibration model)을 생성하는 단계를 포함하는 방법을 제공한다.
일 측면에 따르면, 상기 페이퍼는 컬러 캘리브레이션 용도로 사전 제작된 페이퍼로 고유 코드를 포함할 수 있다.
다른 측면에 따르면, 상기 고유 코드는 캘리브레이션 용도의 그레이 스케일(grey scale) 또는 컬러 스케일(color scale)의 문양을 기초로 추출될 수 있다.
또 다른 측면에 따르면, 상기 사진은 상기 페이퍼의 그레이 스케일을 이용하여 광량과 조도 중심으로 촬영된 사진과 상기 페이퍼의 컬러 스케일을 이용하여 컬러 온도 중심으로 촬영된 사진을 포함할 수 있다.
또 다른 측면에 따르면, 상기 디바이스 정보는 디바이스 모델 정보, 카메라 모듈 정보, 운영 체제(OS) 정보, 및 어플리케이션 버전 정보를 포함할 수 있다.
또 다른 측면에 따르면, 상기 생성하는 단계는, 사전 학습된 캘리브레이션 모델 중 상기 사진과 상기 디바이스 정보에 따른 사용자 환경에 대응되는 캘리브레이션 모델을 선택하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 생성하는 단계는, 연합 학습(federated learning)을 통해 상기 사용자 단말로부터 수집된 정보를 이용하여 캘리브레이션 모델을 생성하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 컬러 캘리브레이션 모델은 상기 사용자 단말을 대상으로 한 컬러 캘리브레이션을 위한 컬러 코드(color code)를 포함할 수 있다.
또 다른 측면에 따르면, 상기 방법은, 상기 적어도 하나의 프로세서에 의해, 상기 사용자 단말로 상기 컬러 캘리브레이션 모델을 제공하는 단계를 더 포함하고, 상기 사용자 단말에서는 상기 컬러 캘리브레이션 모델을 이용하여 상기 사용자 단말에서 촬영된 사진에 대해 컬러 분석을 수행할 수 있다.
컴퓨터 장치에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 사용자 단말에서 페이퍼를 촬영한 사진과 상기 사용자 단말의 디바이스 정보를 수신하는 과정; 상기 사진과 상기 디바이스 정보를 기반으로 컬러 캘리브레이션 모델을 생성하는 과정; 및 상기 사용자 단말을 대상으로 한 컬러 분석 서비스를 위해 상기 사용자 단말로 상기 컬러 캘리브레이션 모델을 제공하는 과정을 처리하는 컴퓨터 장치를 제공한다.
본 발명의 실시예들에 따르면, 연합 학습을 활용하여 개별 단말 특성 및 조도에 따른 사용자별 컬러 인식 및 추천 시 보다 효과적이고 정교한 캘리브레이션 기능을 제공할 수 있다.
본 발명의 실시예들에 따르면, 탈중앙화된 형태의 학습 방법을 통해 개별 환경에서 캡처 이미지(capture image)의 특성을 보다 정밀하게 분석함으로써 사용자의 실제 컬러 이용 환경을 효과적으로 이해할 수 있다.
도 1은 본 발명의 일실시예에 있어서 컴퓨터 장치의 내부 구성의 일례를 설명하기 위한 블록도이다.
도 2는 본 발명의 일실시예에 있어서 컬러 분석 서버의 내부 구성을 도시한 것이다.
도 3 내지 도 4는 본 발명의 일실시예에 있어서 연합 학습 기술의 예를 도시한 것이다.
도 5는 본 발명의 일실시예에 따른 컴퓨터 장치가 수행할 수 있는 컬러 분석 방법의 일례를 도시한 순서도이다.
도 6은 본 발명의 일실시예에 있어서 컬러 분석 과정의 일례를 도시한 순서도이다.
도 7은 본 발명의 일실시예에 있어서 캘리브레이션 컬러 코드 예시를 도시한 것이다.
도 2는 본 발명의 일실시예에 있어서 컬러 분석 서버의 내부 구성을 도시한 것이다.
도 3 내지 도 4는 본 발명의 일실시예에 있어서 연합 학습 기술의 예를 도시한 것이다.
도 5는 본 발명의 일실시예에 따른 컴퓨터 장치가 수행할 수 있는 컬러 분석 방법의 일례를 도시한 순서도이다.
도 6은 본 발명의 일실시예에 있어서 컬러 분석 과정의 일례를 도시한 순서도이다.
도 7은 본 발명의 일실시예에 있어서 캘리브레이션 컬러 코드 예시를 도시한 것이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명의 실시예들은 컬러 캘리브레이션 기술에 관한 것이다.
본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 연합 학습을 활용한 컬러 캘리브레이션을 통해 효과적이고 정교한 컬러 분석 서비스를 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다. 예를 들어, 본 발명의 실시예들에 따른 컬러 분석 시스템은 도 1을 통해 도시된 컴퓨터 장치(100)에 의해 구현될 수 있다.
도 1에 도시된 바와 같이 컴퓨터 장치(100)는 본 발명의 실시예들에 따른 컬러 분석 방법을 실행하기 위한 구성요소로서, 메모리(110), 프로세서(120), 통신 인터페이스(130) 그리고 입출력 인터페이스(140)를 포함할 수 있다.
메모리(110)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(110)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 장치(100)에 포함될 수도 있다. 또한, 메모리(110)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(110)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(110)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(130)를 통해 메모리(110)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(160)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 장치(100)의 메모리(110)에 로딩될 수 있다.
프로세서(120)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(110) 또는 통신 인터페이스(130)에 의해 프로세서(120)로 제공될 수 있다. 예를 들어, 프로세서(120)는 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 인터페이스(130)는 네트워크(160)를 통해 컴퓨터 장치(100)가 다른 장치와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 장치(100)의 프로세서(120)가 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(130)의 제어에 따라 네트워크(160)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(160)를 거쳐 컴퓨터 장치(100)의 통신 인터페이스(130)를 통해 컴퓨터 장치(100)로 수신될 수 있다. 통신 인터페이스(130)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(120)나 메모리(110)로 전달될 수 있고, 파일 등은 컴퓨터 장치(100)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.
통신 방식은 제한되지 않으며, 네트워크(160)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들 간의 근거리 유선/무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(160)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(160)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
입출력 인터페이스(140)는 입출력 장치(150)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드, 카메라 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(140)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(150)는 컴퓨터 장치(100)와 하나의 장치로 구성될 수도 있다.
또한, 다른 실시예들에서 컴퓨터 장치(100)는 도 1의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 장치(100)는 상술한 입출력 장치(150) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.
도 2는 본 발명의 일실시예에 있어서 컬러 분석 서버의 내부 구성을 도시한 것이다. 컬러 분석 서버(200)는 도 1의 컴퓨터 장치(100)에 의해 구현될 수 있다.
도 2를 참조하면, 본 실시예에 따른 컬러 분석 서버(200)는 캘리브레이션 AI(artificial intelligence) 서버(210), 및 WAS(web application server)(220)를 포함할 수 있다.
컬러 분석 서버(200)는 사용자 단말(201)을 대상으로 컬러 분석 서비스를 제공할 수 있다.
사용자 단말(201)은 모델 특성 및 사용자 촬영 환경의 특성에 맞춘 캘리브레이션을 위한 연합 학습 기반 모델이 탑재될 수 있다.
컬러 분석 서비스를 위해 사용자 단말(201)에 탑재된 전용 어플리케이션은 사용자 단말(201)에서 캘리브레이션 글로벌 모델(calibration global model)의 개선을 위한 데이터 수집(일례로, 사진 촬영) 및 학습 모델의 관리 등의 전반적인 기능을 제공할 수 있으며, 캘리브레이션 컬러 코드(calibration color code)를 생성하는 기능을 제공할 수 있다.
캘리브레이션 AI 서버(210)는 캘리브레이션 글로벌 모델(211), 모델 수집부(model aggregator)(212), 및 모델 저장소(model repository)(213)를 포함할 수 있다.
캘리브레이션 AI 서버(210)는 사용자 단말(201)을 대상으로 사전에 공급자 측에서 학습된 모델로서 캘리브레이션 글로벌 모델(211)을 제공할 수 있다.
모델 수집부(212)는 연합 학습을 통해 개별 사용자의 사용자 단말(201)로부터 캘리브레이션 글로벌 모델(211)에 대한 업데이트 정보를 수집할 수 있다.
모델 저장소(213)는 사용자 단말(201) 및 사용자 맞춤 모델을 관리하기 위한 저장소 역할을 한다.
WAS(220)는 서비스 포털(service portal)(221), API(application program interface) 서버(222), 및 컨텐츠 관리 서버(content management server)(223)를 포함할 수 있다.
WAS(220)는 컬러 분석 서비스를 제공하기 위한 웹 기반의 서비스 포털(221)을 제공할 수 있다.
API 서버(222)는 컬러 분석 서비스와 관련된 기능을 API 형태로 제공할 수 있다.
컨텐츠 관리 서버(223)는 컬러 분석 서비스와 관련된 컨텐츠 관리 기능을 제공할 수 있으며, 생성 기반 응용 서비스와 연계될 수 있다.
WAS(220)는 사용자 단말(201)을 대상으로 한 컬러 분석 서비스를 위해 필요한 정보를 저장 장치(storage)(230)에 저장 및 유지할 수 있다.
먼저, 일반적인 연합 학습 기술을 설명하면 다음과 같다.
도 3 내지 도 4는 본 발명의 일실시예에 있어서 연합 학습 기술의 예를 도시한 것이다.
연합 학습을 적용하는 경우 개별 기기에서 데이터를 직접 관리하면서 모델을 공동으로 학습할 수 있어 컬러 분석 서버(200)에 데이터를 저장하지 않기 때문에 개인 프라이버시 보호를 보장할 수 있다.
도 3을 참조하면, 연합 학습을 위해 선택된 모든 사용자 단말(201)들은 초기 모델에 해당되는 캘리브레이션 모델을 다운로드한다(S310). 각 사용자 단말(201)은 사용자의 사용에 따른 단말 내 데이터를 바탕으로 캘리브레이션 모델의 학습을 개선한다(S320). 사용자 단말(201)은 캘리브레이션 모델의 학습을 개선한 다음 개선에 따른 변경사항을 업데이트 데이터로 생성할 수 있다(S330). 모든 사용자 단말(201)의 캘리브레이션 모델들은 단말마다 다른 사용 환경과 사용자 특성이 반영되어 학습될 수 있다(S340). 각 사용자 단말(201)의 업데이트 데이터는 WAS(220)를 통해 캘리브레이션 AI 서버(210)로 전송되며, 이는 캘리브레이션 모델을 개선하는 데에 사용될 수 있다(S350). 개선된 캘리브레이션 모델은 다시 각 사용자 단말(201)에 배포될 수 있다(S360). 각 사용자 단말(201)은 재배포된 캘리브레이션 모델을 재학습하고 개선하는 과정을 반복하면서 캘리브레이션 모델을 발전시키고 이를 공유할 수 있다.
이러한 연합 학습을 바탕으로 하는 컬러 분석 서비스는 다음과 같은 차별점을 가지고 있다. 캘리브레이션 AI 서버(210)에서 모델 학습을 위한 사용자 데이터를 수집하지 않기 때문에 개인 정보 유출의 문제가 발행하지 않는다. 임의의 환경에서 수집된 데이터가 아닌, 사용자 단말(201)에서 사용자에 의한 실사용 데이터를 모델 학습에 사용한다. 또한, 모델 학습이 각 사용자의 사용자 단말(201)에서 개별적으로 일어나기 때문에 별도의 학습을 위한 서버가 필요하지 않다. 더불어, 개인의 로우 데이터(raw data)를 캘리브레이션 AI 서버(210)로 전송하지 않고 업데이트 데이터인 가중치들(weights)만 수집하기 때문에 개인정보 유출 문제를 해결할 수 있다.
도 4는 연합 학습 과정에서의 업데이트 데이터를 나타내는 가중치에 대한 예시를 나타내고 있다. 가중치란 딥러닝의 신경망을 이용하여 학습 가능한 변수의 집합을 의미한다. 캘리브레이션 모델을 개선하기 위한 각 사용자 단말(201)에서의 업데이트 데이터는 가중치의 형태로 생성될 수 있다. 각 사용자 단말(201)의 캘리브레이션 모델을 통해 생성되는 가중치는, 예를 들어 W = [w1, w2, ??, wn]과 같이 표현될 수 있다. 이는 캘리브레이션 AI 서버(210)로 업로드되어 캘리브레이션 모델을 개선하는 데 이용될 수 있다.
캘리브레이션 AI 서버(210)는 상기한 연합 학습을 통해 최적화된 AI 모델에 맞춰 사용자의 캘리브레이션용 컬러 코드를 생성할 수 있다.
캘리브레이션을 위한 컬러 코드는 인쇄된 페이퍼(paper) 또는 단말이나 테이블 등을 이용할 수 있다.
동일 단말을 이용하는 사용자의 경우 각각의 이용 환경(조도 등)에 따라 각기 다른 캘리브레이션 모델을 활용할 수 있다.
도 5는 본 발명의 일실시예에 따른 컴퓨터 장치가 수행할 수 있는 컬러 분석 방법의 일례를 도시한 순서도이다.
본 실시예에 따른 컴퓨터 장치(100)는 클라이언트(client)를 대상으로 클라이언트 상에 설치된 전용 어플리케이션이나 컴퓨터 장치(100)와 관련된 웹/모바일 사이트 접속을 통해 컬러 분석 서비스를 제공할 수 있다. 컴퓨터 장치(100)에는 컴퓨터로 구현된 컬러 분석 시스템이 구성될 수 있다. 일례로, 컬러 분석 시스템은 독립적으로 동작하는 프로그램 형태로 구현되거나, 혹은 특정 어플리케이션의 인-앱(in-app) 형태로 구성되어 상기 특정 어플리케이션 상에서 동작이 가능하도록 구현될 수 있다.
컴퓨터 장치(100)의 프로세서(120)는 이하의 컬러 분석 방법을 수행하기 위한 구성요소로 구현될 수 있다. 실시예에 따라 프로세서(120)의 구성요소들은 선택적으로 프로세서(120)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(120)의 구성요소들은 프로세서(120)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.
이러한 프로세서(120) 및 프로세서(120)의 구성요소들은 이하의 컬러 분석 방법이 포함하는 단계들을 수행하도록 컴퓨터 장치(100)를 제어할 수 있다. 예를 들어, 프로세서(120) 및 프로세서(120)의 구성요소들은 메모리(110)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
여기서, 프로세서(120)의 구성요소들은 컴퓨터 장치(100)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(120)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다.
프로세서(120)는 컴퓨터 장치(100)의 제어와 관련된 명령이 로딩된 메모리(110)로부터 필요한 명령을 읽어들일 수 있다. 이 경우, 상기 읽어들인 명령은 프로세서(120)가 이후 설명될 단계들을 실행하도록 제어하기 위한 명령을 포함할 수 있다.
이후 설명될 컬러 분석 방법이 포함하는 단계들은 도시된 순서와 다른 순서로 수행될 수 있으며, 단계들 중 일부가 생략되거나 추가의 과정이 더 포함될 수 있다.
도 5를 참조하면, 단계(S501)에서는 사용자 단말(201)을 대상으로 캘리브레이션을 위한 페이퍼를 준비할 수 있다. 캘리브레이션 페이퍼는 일상 실내 환경에서 사용자 단말(201)의 카메라 특성에 맞춰 사전에 제작될 수 있으며, 개별 캘리브레이션 페이퍼는 고유의 코드를 가짐으로써 향후 사용자 추적 및 활용 여부 등을 판단하는데 이용할 수 있다. 고유의 코드는 컬러 QR 코드(quick response code)의 형태 또는 캘리브레이션용 그레이 스케일(grey scale)이나 컬러 스케일(color scale)의 문양 등을 기반으로 추출 가능하다.
단계(S502)에서 사용자 단말(201)은 디바이스 정보를 확인할 수 있다. 사용자 단말(201)의 디바이스 정보는 (1) 디바이스 모델 정보, (2) 촬영 카메라(전면 카메라, 후면 카메라 등)의 모듈 정보, (3) 디바이스 운영 체제(OS) 정보, (4) 어플리케이션 버전 정보 등으로 구성될 수 있다.
단계(S503)에서 사용자 단말(201)은 카메라를 통해 캘리브레이션용 페이퍼를 촬영할 수 있다. 초기 캘리브레이션용 페이퍼 촬영은 광량 및 조도 확인 중심의 촬영 및 컬러 온도 중심의 촬영으로 구분되어 진행될 수 있다. 광량 및 조도 확인의 경우 캘리브레이션 페이퍼의 그레이 스케일(gray scale) 부분을 이용하고, 컬러 온도 확인의 경우 캘리브레이션 페이퍼의 컬러 스케일 부분을 이용할 수 있다.
단계(S504)에서 사용자 단말(201)은 컬러 분석 서버(200)로 사용자 단말(201)의 디바이스 정보 및 캘리브레이션용 페이퍼의 촬영 사진을 업로드할 수 있다. 사용자 단말(201)은 사용자 촬영 사진 업로드 시 사진의 메타데이터 정보 또한 함께 컬러 분석 서버(200) 측으로 업데이트 할 수 있다. 향후 캘리브레이션 진행 시 초기 촬영 시점 대비 시간의 경과가 임계치를 지나거나 해당 사진의 위치 정보가 바뀐 경우 등은 사용자에게 캘리브레이션용 촬영을 재요청할 수 있다. 캘리브레이션용 사진을 효과적으로 처리하기 위해 사용자 단말(201)에서 사전에 캘리브레이션에 필요한 영역을 선택하여 사진을 잘라(crop) 및 압축할 수 있다.
단계(S505)에서 컬러 분석 서버(200)는 사용자 단말(201)에서 업로드한 촬영 사진을 기반으로 컬러 캘리브레이션을 진행하여 사용자 상황에 맞는 캘리브레이션 모델을 생성할 수 있다. 컬러 분석 서버(200)는 사용자 단말(201)에서 업로드한 사진을 기반으로 캘리브레이션을 위한 모델을 생성 또는 선택할 수 있다. 이때, 컬러 분석 서버(200)는 기존에 생성한 모델 중 사용자 환경(조도 및 채도 기반 등)과 가장 유사한 값을 가진 모델을 사전 학습된 모델에서 선택하여 제공할 수 있다. 또한, 컬러 분석 서버(200)는 효과적인 모델 학습을 위하여 캘리브레이션 모델의 생성 시 연합 학습 방식을 이용할 수 있다. 이 경우 사전에 학습된 모델 및 사용자 단말(201)에 의해 학습된 모델을 기반으로 글로벌 모델을 컬러 분석 서버(200) 측에서 관리할 수 있다. 캘리브레이션 모델의 선택은 사용자 단말(201)의 컴퓨팅 성능을 포함한 디바이스 정보에 따라 결정될 수 있다. 고성능 AP(application processor)(or CPU/GPU) 또는 TPU(Tensor Processing Unit) 등을 탑재한 단말의 경우 연합 학습을 이용하여 보다 정교한 캘리브레이션을 진행할 수 있다.
단계(S506)에서 컬러 분석 서버(200)는 연합 학습을 활용하여 생성된 캘리브레이션 모델을 사용자 단말(201)로 전송할 수 있다.
단계(S507)에서 사용자 단말(201)은 컬러 분석 서버(200) 측으로부터 캘리브레이션을 위한 모델을 다운받아 전용 앱 상에 캘리브레이션 모델을 탑재할 수 있다.
사용자 단말(201)은 캘리브레이션 모델을 탑재한 후 이를 이후 사용자 사진에 대한 컬러 분석 서비스에 이용할 수 있다. 컬러 분석 서버(200)는 모델에 최적화된 캘리브레이션 컬러 코드를 생성하여 사용자 단말(201) 측으로 전달할 수 있는 URL 또는 서비스 기능을 제공할 수 있다.
단계(S508)에서 사용자 단말(201)은 사용자의 컬러 확인을 위해 카메라를 통해 캘리브레이션용 페이퍼와 함께 촬영할 수 있다. 사용자는 자신의 촬영하고자 하는 대상의 컬러 확인을 위해 사진을 촬영하게 되고 해당 사진은 이하 과정의 절차를 거쳐 분석이 이루어진다.
단계(S509)에서 사용자 단말(201)은 컬러 분석 서버(200)로부터 다운로드받아 탑재한 캘리브레이션 모델을 이용하여 사용자가 촬영된 사진에 대한 컬러 분석을 수행할 수 있다. 컬러 분석 과정이 사용자 단말(201)에서 수행되는 것으로 설명하고 있으나, 사용자 단말(201)의 성능이 부족하거나 사용자 요청이나 사용자 단말(201)의 요금제 등에 따라 컬러 분석 과정이 컬러 분석 서버(200)에서 수행되는 것 또한 가능하다. 또한, 사용자 단말(201)에서의 컬러 분석 결과의 정확도가 낮은 경우 사용자에게 이를 공지한 후 컬러 분석 서버(200)에서 컬러 분석 과정을 수행할 수도 있다.
단계(S510)에서 사용자 단말(201)은 사용자에 대한 컬러 분석 결과를 도출할 수 있다. 사용자 단말(201)은 사용자 컬러 결과값을 도출한 후 해당 정보를 컬러 분석 서버(200) 상에 저장할 수 있다. 사용자의 선택 및 서비스의 과금 형태 등에 따라서 해당 정보를 캘리브레이션 모델의 연합 학습에 적용할지 여부를 결정할 수 있다.
도 6은 본 발명의 일실시예에 있어서 컬러 분석 과정의 일례를 도시한 순서도이다.
도 6을 참조하면, 사용자 단말(201)은 컬러 분석 대상에 대한 사진 촬영을 진행한 후(S601) 촬영된 사진을 대상으로 객체 검출(Object Detection) 및 경계 선택(Boundary Selection)을 진행할 수 있다(S602).
사용자 단말(201)은 객체 검출 및 경계 선택 결과를 기초로 불필요한 부분을 자르는 등의 전처리를 통해 이미지 주변 정보를 정리한 후(S603), 전처리된 이미지의 배경 영역(background area)과 얼굴 영역(face area)에 대한 컬러 분석을 진행할 수 있다(S604).
사용자 단말(201)은 추가 촬영이 필요한 경우 사용자 상황에 맞춘 캘리브레이션 컬러 코드를 컬러 분석 서버(200)로 요청하여 제공받을 수 있다(S605).
상기한 컬러 분석 과정(S602 내지 S605)은 단말 환경에서 기본 AI 모델로 진행하되 해당 정보가 없거나 부족한 경우 컬러 분석 서버(200) 측과 연계해서 서비스를 제공할 수 있다.
사용자 단말(201)은 사용자에 의해 컬러 분석 결과에 대한 저장 장소(로컬 저장 또는 서버 저장)를 선택한 후(S606) 선택된 장소에 해당 모델의 캘리브레이션 정보를 기록할 수 있다(S607).
도 7을 참조하면, 컬러 분석 서버(200)는 연합 학습 기반의 모델 분석을 통해 사용자 단말(201)의 촬영 환경에 맞춘 캘리브레이션 컬러 코드(70)를 업데이트하여 제공함으로써 최적의 컬러 인식 환경을 구축할 수 있다.
개별 단말 특성 및 조도에 따른 사용자 별 캘리브레이션 컬러 코드(70)는 환자 피부색이나 환부 색상 등을 확인하는 서비스, 옷이나 화장품 등의 추천 플랫폼에서 사용자의 퍼스널 컬러(personal color)를 진단하는 서비스 등에서 활용될 수 있다.
이처럼 본 발명의 실시예들에 따르면, 연합 학습을 활용하여 개별 단말 특성 및 조도에 따른 사용자별 컬러 인식 및 추천 시 보다 효과적이고 정교한 캘리브레이션 기능을 제공할 수 있다. 또한, 본 발명의 실시예들에 따르면, 탈중앙화된 형태의 학습 방법을 통해 개별 환경에서 캡처 이미지의 특성을 보다 정밀하게 분석함으로써 사용자의 실제 컬러 이용 환경을 효과적으로 이해할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (10)
- 컴퓨터 장치에서 실행되는 방법에 있어서,
상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 방법은,
상기 적어도 하나의 프로세서에 의해, 사용자 단말에서 페이퍼를 촬영한 사진과 상기 사용자 단말의 디바이스 정보를 수신하는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 사진과 상기 디바이스 정보를 기반으로 컬러 캘리브레이션 모델(color calibration model)을 생성하는 단계
를 포함하는 방법. - 제1항에 있어서,
상기 페이퍼는 컬러 캘리브레이션 용도로 사전 제작된 페이퍼로 고유 코드를 포함하는 것
을 포함하는 방법. - 제2항에 있어서,
상기 고유 코드는 캘리브레이션 용도의 그레이 스케일(grey scale) 또는 컬러 스케일(color scale)의 문양을 기초로 추출되는 것
을 특징으로 하는 방법. - 제1항에 있어서,
상기 사진은 상기 페이퍼의 그레이 스케일을 이용하여 광량과 조도 중심으로 촬영된 사진과 상기 페이퍼의 컬러 스케일을 이용하여 컬러 온도 중심으로 촬영된 사진을 포함하는 것
을 특징으로 하는 방법. - 제1항에 있어서,
상기 디바이스 정보는 디바이스 모델 정보, 카메라 모듈 정보, 운영 체제(OS) 정보, 및 어플리케이션 버전 정보를 포함하는 것
을 특징으로 하는 방법. - 제1항에 있어서,
상기 생성하는 단계는,
사전 학습된 캘리브레이션 모델 중 상기 사진과 상기 디바이스 정보에 따른 사용자 환경에 대응되는 캘리브레이션 모델을 선택하는 단계
를 포함하는 방법. - 제1항에 있어서,
상기 생성하는 단계는,
연합 학습(federated learning)을 통해 상기 사용자 단말로부터 수집된 정보를 이용하여 캘리브레이션 모델을 생성하는 단계
를 포함하는 방법. - 제1항에 있어서,
상기 컬러 캘리브레이션 모델은 상기 사용자 단말을 대상으로 한 컬러 캘리브레이션을 위한 컬러 코드(color code)를 포함하는 것
을 특징으로 하는 방법. - 제1항에 있어서,
상기 방법은,
상기 적어도 하나의 프로세서에 의해, 상기 사용자 단말로 상기 컬러 캘리브레이션 모델을 제공하는 단계
를 더 포함하고,
상기 사용자 단말에서는 상기 컬러 캘리브레이션 모델을 이용하여 상기 사용자 단말에서 촬영된 사진에 대해 컬러 분석을 수행하는 것
을 특징으로 하는 방법. - 컴퓨터 장치에 있어서,
메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서는,
사용자 단말에서 페이퍼를 촬영한 사진과 상기 사용자 단말의 디바이스 정보를 수신하는 과정;
상기 사진과 상기 디바이스 정보를 기반으로 컬러 캘리브레이션 모델을 생성하는 과정; 및
상기 사용자 단말을 대상으로 한 컬러 분석 서비스를 위해 상기 사용자 단말로 상기 컬러 캘리브레이션 모델을 제공하는 과정
을 처리하는 컴퓨터 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220068411A KR102622395B1 (ko) | 2022-06-03 | 2022-06-03 | 연합 학습 방법을 활용한 컬러 캘리브레이션 방법 및 그 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220068411A KR102622395B1 (ko) | 2022-06-03 | 2022-06-03 | 연합 학습 방법을 활용한 컬러 캘리브레이션 방법 및 그 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230168015A true KR20230168015A (ko) | 2023-12-12 |
| KR102622395B1 KR102622395B1 (ko) | 2024-01-08 |
Family
ID=89159828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220068411A KR102622395B1 (ko) | 2022-06-03 | 2022-06-03 | 연합 학습 방법을 활용한 컬러 캘리브레이션 방법 및 그 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102622395B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070056550A (ko) * | 2005-11-30 | 2007-06-04 | 주식회사 메디슨 | 영상 확대를 제어하는 영상 처리 시스템 및 방법 |
| KR20110011356A (ko) * | 2009-07-28 | 2011-02-08 | 삼성전자주식회사 | 영상 처리 방법 및 장치 |
| KR20150105190A (ko) * | 2014-03-06 | 2015-09-16 | 톰슨 라이센싱 | 컬러-코드화된 구조를 사용하는 카메라 캘리브레이션 방법 및 장치 |
| CN111562010A (zh) * | 2020-05-14 | 2020-08-21 | 北京大学 | 一种用于自动化图像色彩校准的方法和装置 |
-
2022
- 2022-06-03 KR KR1020220068411A patent/KR102622395B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070056550A (ko) * | 2005-11-30 | 2007-06-04 | 주식회사 메디슨 | 영상 확대를 제어하는 영상 처리 시스템 및 방법 |
| KR20110011356A (ko) * | 2009-07-28 | 2011-02-08 | 삼성전자주식회사 | 영상 처리 방법 및 장치 |
| KR20150105190A (ko) * | 2014-03-06 | 2015-09-16 | 톰슨 라이센싱 | 컬러-코드화된 구조를 사용하는 카메라 캘리브레이션 방법 및 장치 |
| CN111562010A (zh) * | 2020-05-14 | 2020-08-21 | 北京大学 | 一种用于自动化图像色彩校准的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102622395B1 (ko) | 2024-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190244367A1 (en) | Systems and methods for determining optical flow | |
| US10702745B2 (en) | Facilitating dynamic monitoring of body dimensions over periods of time based on three-dimensional depth and disparity | |
| US9589209B2 (en) | Training image adjustment preferences | |
| CN103875277B (zh) | 一种用于自动上传多媒体对象的方法及计算机可读存储介质 | |
| US9338311B2 (en) | Image-related handling support system, information processing apparatus, and image-related handling support method | |
| US20190311287A1 (en) | Assessing accuracy of a machine learning model | |
| KR102328098B1 (ko) | 전자장치의 초점 검출 장치 및 방법 | |
| KR20170078516A (ko) | 신경망 기반 영상 신호 처리를 수행하는 방법 및 장치 | |
| US11563885B2 (en) | Adaptive system for autonomous machine learning and control in wearable augmented reality and virtual reality visual aids | |
| US8301659B2 (en) | Method, apparatus, and computer program product for determining media item privacy settings | |
| US20170236253A1 (en) | Systems and methods for transforming an image | |
| KR20170097860A (ko) | 디스플레이를 이용하여 이미지를 촬영하는 전자 장치 및 이미지 촬영 방법 | |
| US11799964B2 (en) | Systems, apparatus, and methods for configuring device data streams | |
| CN103165098A (zh) | 自动调整电子显示器设置的系统和方法 | |
| KR20140094564A (ko) | 특징-추출-기반 이미지 점수화 | |
| US11514263B2 (en) | Method and apparatus for processing image | |
| KR20180108041A (ko) | 전자 장치 및 이를 이용한 카메라 촬영 환경 및 장면에 따른 영상 처리 방법 | |
| US20140244784A1 (en) | Website Impersonation System and Method | |
| CN115698947A (zh) | 用于网页视图的双向桥 | |
| CN113544682A (zh) | 使用Podium机制的数据隐私 | |
| KR102622395B1 (ko) | 연합 학습 방법을 활용한 컬러 캘리브레이션 방법 및 그 시스템 | |
| KR20230031914A (ko) | 증강 현실 콘텐츠의 사용 추적 | |
| US20190347799A1 (en) | Detecting and monitoring a user's photographs for health issues | |
| US9456148B1 (en) | Multi-setting preview for image capture | |
| KR101434234B1 (ko) | 피드백 정보를 제공하는 전자 액자 서비스를 위한 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |