KR20240009824A - 도메인 적응을 위한 방법 및 컴퓨터 프로그램 - Google Patents

Abstract

본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 도메인 변환을 위한 이하의 방법을 수행하도록 하며, 상기 방법은, 테스크 네트워크에서 제 1 이미지를 연산하고, 상기 제 1 이미지의 픽셀 별 클래스에 대한 피처 공간 상의 제 1 클래스 별 클러스터를 정의하는 단계; 상기 테스크 네트워크에서 제 2 이미지를 연산하고, 상기 제 2 이미지의 픽셀 별 클래스에 대한 피처 공간 상의 제 2 클래스 별 클러스터를 정의하는 단계; 상기 제 1 이미지의 각각의 픽셀에 대한 연산 결과와 상기 제 2 클래스 별 클러스터를 제 1 비교하는 단계; 상기 제 2 이미지의 각각의 픽셀에 대한 연산 결과와 상기 제 1 클래스 별 클러스터를 제 2 비교하는 단계; 상기 제 1 비교 결과에 기초하여 상기 제 1 이미지의 레이블의 적어도 일부를 비활성화하여 제 1 선택된 레이블을 생성하는 단계; 상기 제 2 비교 결과에 기초하여 상기 제 2 이미지의 레이블의 적어도 일부를 비활성화하여 제 2 선택된 레이블을 생성하는 단계; 및상기 제 1 선택된 레이블 및 상기 제 2 선택된 레이블에 기초하여 상기 테스크 네트워크를 학습시키는 단계를 포함할 수 있다.

Description

도메인 적응을 위한 방법 및 컴퓨터 프로그램{METHOD AND COMPUTER PROGRAM FOR DOMAIN ADAPTATION}

본 개시는 인공지능 기술 분야에 관한 것으로서, 보다 구체적으로 인공지능을 이용한 도메인 적응에 관한 것이다.

데이터의 증가와 인공 신경망 네트워크의 발전 및 컴퓨터의 연산 능력의 발전에 따라 인공지능 기술에 대한 적용이 다양한 산업 분야에서 진행되게 되었다.

인공 신경망 네트워크를 활용한 딥러닝(deep learning)모델은 복잡한 비선형 또는 동적 패턴을 효과적으로 학습하여 처리할 수 있는 방법을 제공하지만, 하지만 인공 신경망 네트워크를 학습시키기 위한 정제된 학습 데이터는 인공지능 기술의 증가된 니즈를 대응하기에 항상 부족한 실정이다. 따라서, 레이블이 있는 데이터를 다른 도메인의 데이터로 전환하여 사용하고자 하는 연구가 진행되고 있다.

대한민국 특허 공개 문헌 KR10-2018-00055708은 인공지능을 활용한 이미지 처리 방법을 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 인공지능을 활용한 데이터의 처리 방법을 제공하기 위한 것이다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 도메인 변환을 위한 이하의 방법을 수행하도록 하며, 상기 방법은, 테스크 네트워크에서 제 1 이미지를 연산하고, 상기 제 1 이미지의 픽셀 별 클래스에 대한 피처 공간 상의 제 1 클래스 별 클러스터를 정의하는 단계; 상기 테스크 네트워크에서 제 2 이미지를 연산하고, 상기 제 2 이미지의 픽셀 별 클래스에 대한 피처 공간 상의 제 2 클래스 별 클러스터를 정의하는 단계; 상기 제 1 이미지의 각각의 픽셀에 대한 연산 결과와 상기 제 2 클래스 별 클러스터를 제 1 비교하는 단계; 상기 제 2 이미지의 각각의 픽셀에 대한 연산 결과와 상기 제 1 클래스 별 클러스터를 제 2 비교하는 단계; 상기 제 1 비교 결과에 기초하여 상기 제 1 이미지의 레이블의 적어도 일부를 비활성화하여 제 1 선택된 레이블을 생성하는 단계; 상기 제 2 비교 결과에 기초하여 상기 제 2 이미지의 레이블의 적어도 일부를 비활성화하여 제 2 선택된 레이블을 생성하는 단계; 및상기 제 1 선택된 레이블 및 상기 제 2 선택된 레이블에 기초하여 상기 테스크 네트워크를 학습시키는 단계를 포함할 수 있다.

대안적으로, 상기 제 1 클래스 별 클러스터는, 상기 제 1 이미지의 각각의 픽셀의 피처 공간에서의 위치와 상기 제 1 이미지의 레이블에 기초한 각각의 픽셀의 클래스 정보에 기초하여 결정 될 수 있다.

대안적으로, 상기 제 1 클래스 별 클러스터는, 상기 제 1 이미지의 레이블에 기초하여 특정 클래스에 포함된 전체 픽셀을 피처 공간상에서 포함할 수 있는 영역으로 정의 될 수 있다.

대안적으로, 상기 제 1 클래스 별 클러스터는, 각각의 클러스터의 중심점으로 정의되는 제 1 클래스 별 클러스터 중심점 정보를 포함 할 수 있다.

대안적으로, 상기 제 1 이미지는 상기 제 2 이미지와 상이한 도메인을 가진 이미지를 상기 제 2 이미지와 동일한 도메인으로 변환하여 획득된 도메인 변환된 이미지 일 수 있다.

대안적으로, 상기 제 1 비교는, 상기 제 1 이미지의 각각의 픽셀에 대한 연산 결과 및 상기 제 1 이미지의 레이블에 기초하여 상기 각각의 픽셀에 매칭된 클래스가 상기 제 2 클래스 별 클러스터에 기초한 분류 결과와 일치하는지 여부를 판단하는 것일 수 있다.

대안적으로, 상기 제 1 비교는, 상기 제 1 이미지의 각각의 픽셀의 피처 공간에서의 위치와 상기 제 2 클래스 별 클러스터의 각각의 클러스터의 중심점과의 거리를 비교하는 것 일 수 있다.

대안적으로, 상기 제 1 비교는, 제 1 이미지의 특정 픽셀의 피처 공간에서의 위치와 제2 클래스 별 클러스터의 각각의 클러스터 중심점들 각각의 거리에 기초하여, 상기 특정 픽셀의 레이블에 의하여 매칭된 클래스의 클러스터 중심점과의 거리보다 가까이 위치하는 클래스의 클러스터 중심점이 존재하는지 여부를 판단하는 것일 수 있다.

대안적으로, 상기 제 2 비교는 상기 제 2 이미지의 특정 픽셀의 피처 공간에서의 위치와 특정 픽셀에 대한 분류 결과 결정된 클래스의 클러스터 중심점의 거리보다 가까이 위치하는 클래스의 클러스터 중심점이 존재하는지 여부를 판단하는 것일 수 있다.

대안적으로, 상기 제 1 선택된 레이블을 생성하는 단계는, 상기 제 1 비교 결과 상기 제 1 이미지의 픽셀 중 레이블 상의 클래스가 상기 제 2 클래스 별 클러스터에 기초한 분류 결과와 일치하지 않는 경우, 해당 픽셀을 레이블에서 비활성화하는 단계를 포함 할 수 있다.

대안적으로, 상기 제 1 선택된 레이블을 생성하는 단계는, 상기 제 1 비교 결과 상기 제 1 이미지의 픽셀 중 피처 공간에서의 위치가 해당 픽셀의 레이블에 기초한 클래스에 대한 클러스터 중심점 보다 다른 클래스에 대한 클러스터 중심점에 가깝게 위치하는 픽셀에 대하여 해당 픽셀을 레이블에서 비활성화 하는 단계를 포함 할 수 있다.

대안적으로, 상기 제 1 이미지의 레이블은, 상기 제 1 이미지의 도메인 변환 전 이미지에 대한 실제 진실(ground truth)에 기초한 레이블이며, 상기 제 2 이미지의 레이블은, 상기 테스크 네트워크의 분류 결과에 기초한 수도 레이블(pseudo label) 일 수 있다.

대안적으로, 상기 테스크 네트워크는, 이미지 세그먼테이션을 수행하기 위한 네트워크일 수 있다.

대안적으로, 상기 테스크 네트워크를 학습시키는 단계는, 상기 제 1 이미지에 대한 이미지 세그먼테이션을 상기 제 1 선택된 레이블을 이용하여 교사학습하고, 상기 제 2 이미지에 대한 이미지 세그먼테이션을 상기 제 2 선택된 레이블을 이용하여 교사 학습하는 단계를 포함 할 수 있다.

대안적으로, 컴퓨터 장치의 하나 이상의 프로세서에서 수행되는 도메인 적응을 위한 방법이 개시된다. 상기 방법은, 테스크 네트워크에서 제 1 이미지를 연산하고, 상기 제 1 이미지의 픽셀 별 클래스에 대한 피처 공간 상의 제 1 클래스 별 클러스터를 정의하는 단계; 상기 테스크 네트워크에서 제 2 이미지를 연산하고, 상기 제 2 이미지의 픽셀 별 클래스에 대한 피처 공간 상의 제 2 클래스 별 클러스터를 정의하는 단계; 상기 제 1 이미지의 각각의 픽셀에 대한 연산 결과와 상기 제 2 클래스 별 클러스터를 제 1 비교하는 단계; 상기 제 2 이미지의 각각의 픽셀에 대한 연산 결과와 상기 제 1 클래스 별 클러스터를 제 2 비교하는 단계; 상기 제 1 비교 결과에 기초하여 상기 제 1 이미지의 레이블의 적어도 일부를 비활성화하여 제 1 선택된 레이블을 생성하는 단계; 상기 제 2 비교 결과에 기초하여 상기 제 2 이미지의 레이블의 적어도 일부를 비활성화하여 제 2 선택된 레이블을 생성하는 단계; 및 상기 제 1 선택된 레이블 및 상기 제 2 선택된 레이블에 기초하여 상기 테스크 네트워크를 학습시키는 단계를 포함할 수 있다.

대안적으로, 컴퓨터 장치가 개시된다. 상기 컴퓨터 장치는 메모리 및

하나 이상의 프로세서를 포함하며, 상기 하나 이상의 프로세서는, 테스크 네트워크에서 제 1 이미지를 연산하고, 상기 제 1 이미지의 픽셀 별 클래스에 대한 피처 공간 상의 제 1 클래스 별 클러스터를 정의하고, 상기 테스크 네트워크에서 제 2 이미지를 연산하고, 상기 제 2 이미지의 픽셀 별 클래스에 대한 피처 공간 상의 제 2 클래스 별 클러스터를 정의하고, 상기 제 1 이미지의 각각의 픽셀에 대한 연산 결과와 상기 제 2 클래스 별 클러스터를 제 1 비교하고, 상기 제 2 이미지의 각각의 픽셀에 대한 연산 결과와 상기 제 1 클래스 별 클러스터를 제 2 비교하고, 상기 제 1 비교 결과에 기초하여 상기 제 1 이미지의 레이블의 적어도 일부를 비활성화하여 제 1 선택된 레이블을 생성하고, 상기 제 2 비교 결과에 기초하여 상기 제 2 이미지의 레이블의 적어도 일부를 비활성화하여 제 2 선택된 레이블을 생성하고, 그리고 상기 제 1 선택된 레이블 및 상기 제 2 선택된 레이블에 기초하여 상기 테스크 네트워크를 학습시킬 수 있다.

본 개시는 인공지능을 활용한 데이터의 처리 방법을 제공할 수 있다.

도 1 은 본 개시의 일 실시에의 데이터의 도메인 적응을 위한 방법을 수행하기 위한 컴퓨터 장치의 블록 구성도이다.
도 2 는 본 개시의 일 실시예의 인공 신경 네트워크를 나타낸 개략도이다.
도 3 은 본 개시의 일 실시예의 데이터의 도메인 변환과 도메인 적응을 위한 인공 신경 네트워크를 나타낸 도면이다.
도 4 는 본 개시의 일 실시예의 도메인 적응 방법을 설명하기 위한 이미지와 피처 공간상의 예시를 나타낸 도면이다.
도 5 는 본 개시의 일 실시예의 도메인 적응 방법을 설명하기 위한 이미지와 피처 공간상의 예시를 나타낸 도면이다.
도 6 은 본 개시의 일 실시예의 도메인 변환된 데이터와 도메인 적응된 데이터의 예시를 나타낸 도면이다.
도 7 은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

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, 컴퓨터 장치에서 실행되는 애플리케이션 및 컴퓨터 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 안된다.

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, 인공 신경망 네트워크, 및 뉴럴 네트워크(neural network)는 상호교환가능하게 사용될 수 있다.

본 개시는 CVPR 2022에 발표된 논문 ADAS: A Direct Adaptation Strategy for Multi-Target Domain Adaptive Semantic Segmentation (2022.03.14)를 기초로 우선권을 주장하며, 본 논문의 모든 내용과 본 논문의 모든 참조문헌의 모든 내용은 본 명세서에 참조로서 통합된다.

도 1 은 본 개시의 일 실시에의 데이터의 도메인 적응을 위한 방법을 수행하기 위한 컴퓨터 장치의 블록 구성도이다.

도 1 에 도시된 컴퓨터 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨터 장치(100)는 컴퓨터 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨터 장치(100)를 구성할 수도 있다.

컴퓨터 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨터 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 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 계산을 수행할 수 있다. 프로세서(110)의 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 컴퓨터 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨터 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 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. 컴퓨터 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 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 따른 네트워크부(150)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 명세서에서 제시되는 네트워크부(150)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

본 개시의 네트워크부(150)를 통해 컴퓨터 장치(100)는 다른 컴퓨터 장치 등과 통신할 수 있으며, 예를 들어, 데이터가 저장된 데이터 저장소, 클라우드 데이터 저장소, 컴퓨팅 파워를 사용하기 위한 클라우드 컴퓨터 시스템 등과 통신할 수 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

도 2 는 본 개시의 일 실시예의 인공 신경 네트워크를 나타낸 개략도이다.

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

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) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

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

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 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 레이블링되어있는 학습 데이터를 사용하며(즉, 레이블링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 레이블링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 레이블링 된 데이터 일 수 있다. 레이블링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 레이블을 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. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

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 컴퓨터 장치는 컴퓨터 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨터 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 손실 함수 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 손실 함수 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 컴퓨터 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨터 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨터 장치 또는 다른 컴퓨터 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

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

도 3 은 본 개시의 일 실시예의 데이터의 도메인 변환과 도메인 적응을 위한 인공 신경 네트워크를 나타낸 도면이다.

본 개시에서 처리되는 데이터는 이미지를 포함할 수 있으며, 한장의 이미지 또는 연속된 이미지를 포함할 수 있다. 또한, 본 개시에서 처리되는 데이터는 이미지 외의 다른 데이터를 포함할 수 있으며, 데이터의 종류는 한정되지 않는다.

본 개시의 테스크 네트워크는 이미지 세그먼테이션을 위한 임의의 네트워크 구조를 포함할 수 있다. 이미지 세그먼테이션은 이미지의 각 픽셀에 대한 클래스 분류를 수행하는 작업으로서, 다량의 레이블이 필요할 수 있으며, 이미지 세그먼테이션은 특성 상 레이블에 많은 작업량이 필요할 수 있다. 따라서, 레이블이 있는 도메인의 데이터를 이용하여 도메인 적응하여, 다른 도메인에서 데이터와 그 레이블을 활용할 수 있는 경우에 레이블링을 위한 코스트를 감소시킬 수 있다. 본 개시의 일 실시예의 도메인 적응 방법은 에서는 소스 도메인의 데이터를 타겟 도메인의 데이터로 전환하고, 소스 도메인 데이터의 레이블을 타겟 도메인에 적응적으로 활용하여, 타겟 도메인에서의 이미지 세그먼테이션에 활용할 수 있다. 본 개시의 일 실시예의 도메인 적응 방법은 임의의 방법에 의해 도메인 변환된 데이터에 대해서 활용될 수 있으며, 도메인 변환의 방법에 제한되지 않는다.

도면에 개시된 기호의 아래첨자 s는 소스 도메인에 관련한 데이터임을 의미한다. 또한, 아래첨자 Tk는 k 번째 타겟 도메인에 관련한 데이터임을 의미한다. 본 개시에서 타겟 도메인은 하나 이상일 수 있다. 위첨자 `는 원본이 되는 데이터와 유사하도록 학습되는 데이터를 의미한다. 즉, 소스 도메인 데이터인 I_s와 는 서로 유사하도록 (이 경우에서 는 I_s의 재구성 데이터) 의도되는 데이터일 수 있다. 아래첨자 S→Tk 는 도메인 변환된 데이터임을 의미할 수 있다.

프로세서(110)는 테스크 네트워크(500)를 이용하여 입력 데이터를 연산할 수 있다. 입력 데이터는 타겟 도메인으로 도메인 변환된 이미지()(400)와 타겟 도메인 이미지(I_Tk)(300)를 포함할 수 있다.

프로세서(110)는 테스크 네트워크(500)를 이용하여 제 1 이미지(도메인 변환된 이미지)(400)를 연산하여 도메인 변환된 이미지의 피처(410)를 추출할 수 있다. 제 1 이미지(400)는 제 2 이미지(300)와 상이한 도메인을 가진 이미지를 제 2 이미지(300)와 동일한 도메인으로 변환하여 획득된 도메인 변환된 이미지일 수 있다. 예를 들어, 제 1 이미지의 소스 도메인 이미지는 실사와 유사한 그래픽을 가지고 현실세계를 구현한 게임인 GTA 5에서 획득된 이미지일 수 있으며, 타겟 도메인은 실제 사진일 수 있다. 이 경우, GTA 5에서 획득된 이미지를 실제 사진으로 도메인 변환한 이미지가 제 1 이미지이고, 실제 사진으로 이루어진 이미지가 제 2 이미지일 수 있다. 전술한 이미지와 도메인은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(110)는 도메인 변환된 이미지(400)의 픽셀 별로 피처(410)를 추출할 수 있다. 도메인 변환된 이미지(400)는 픽셀 별로 클래스를 가질 수 있으며, 프로세서(110)는 픽셀 별 클래스에 대한 피처 공간(700) 상의 제 1 클래스 별 클러스터를 정의할 수 있다. 클래스 별 클러스터는 각각의 픽셀의 피처 공간에서의 위치와 이미지의 레이블에 기초한 각각의 픽셀의 클래스 정보에 기초하여 결정될 수 있다. 여기서 제 1 이미지의 레이블은 제 1 이미지의 도메인 변환 전 이미지에 대한 실제 진실(ground truth)에 기초한 레이블 일 수 있다. 제 1 이미지의 소스 도메인 이미지는 이미 레이블을 확보한 이미지일 수 있으며, 도메인 변환된 이미지의 경우 스타일은 상이하지만, 이미지 내의 객체 위치 정보는 동일하므로 도메인 변환 전 후로 동일한 이미지 세그먼테이션 레이블을 활용할 수 있다.

도 4 는 본 개시의 일 실시예의 도메인 적응 방법을 설명하기 위한 이미지와 피처 공간(700)상의 예시를 나타낸 도면이다. 도 4 의 예시에서, 도메인 변환된 이미지(400)는 예를 들어, 도로, 보도, 차의 3가지 클래스를 가질 수 있다(도 4 의 예시에서 하늘, 건물과 같은 다른 클래스도 포함되어 있을 수 있으나, 간략한 설명을 위해 제외한다). 도메인 변환된 이미지(400)는 피처 공간에서 각각의 클래스로 분류되는 클러스터를 가질 수 있다. 각각의 클러스터에 속한 점들은 해당 클래스로 분류되는 픽셀의 피처 공간에서의 위치일 수 있다. 피처 공간(700)은 각각의 클러스터를 구분하는 결정 경계(decision boundary)를 포함할 수 있다. 결정 경계를 기준으로 각각의 픽셀은 상이한 클래스로 분류될 수 있다.

도로 클러스터(6111)는 도메인 변환된 이미지(400)의 레이블(420)에 기초하여 도로로 분류되는 픽셀들을 피처 공간(700)상에서 포함할 수 있는 영역으로 정의될 수 있다. 이와 동일한 방식으로, 피처 공간(700)상에서 보도 클러스터(6131)는 도메인 변환된 이미지(400)의 픽셀들 중 보도로 분류되는 픽셀들의 피처 공간상에서의 위치에 기초하여 정의될 수 있다. 보도 클러스터(6131)는 도메인 변환된 이미지(400)의 레이블(420)에 기초하여 보도로 분류되는 픽셀들을 피처 공간상에서 모두 포함할 수 있는 영역으로 정의될 수 있다. 차 클러스터(6151)는 도메인 변환된 이미지(400)의 레이블(420)에 기초하여 차로 분류되는 픽셀들을 피처 공간상에서 모두 포함할 수 있는 영역으로 정의될 수 있다. 클래스 별 클러스터의 각각의 클러스터들(6111, 6131, 6151)은 중심점(611, 613, 615)를 가질 수 있다. 클러스터의 중심점(611, 613, 615)는 피처 공간의 각각의 클러스터들(6111, 6131, 6151)의 중심이 되는 위치일 수 있다.

프로세서(110)는 중심점 추출 모듈(600)을 이용하여 각각의 클러스터와 중심점들을 추출할 수 있다. 중심점 추출 모듈(600)은 테스크 네트워크(500)의 적어도 하나의 레이어로부터 입력된 이미지에 대한 피처를 입력 받을 수 있다. 중심점 추출 모듈(600)은 RoI pooling, Moving average 등의 예시적인 방법을 활용하여 각각의 클래스 별 클러스터와 클러스터 중심점을 추출할 수 있다. 도 3의 참조번호 630은 전술한 바와 같이 도메인 변환된 이미지(400)에 대한 피처 공간상에서의 클러스터와 중심점들일 수 있다. 도면 참조번호 630에서, 클러스터와 중심점은 로 표현되며, 여기서 C는 중심점임을 나타내며, N은 N번째 클래스에 관한 중심점임을 의미하고, S→Tk는 소스 도메인 S에서 K번쩨 타겟 도메인으로 도메인 변환되었음을 의미할 수 있다.

프로세서(110)는 테스크 네트워크(500)를 이용하여 제 2 이미지(도메인 변환된 이미지의 타겟 도메인 이미지)(300)를 연산하여 타겟 도메인 이미지(300)의 피처(310)를 추출할 수 있다. 타겟 도메인 이미지(300)는 테스크 네트워크를 적용하고자 하는 도메인의 이미지일 수 있다. 타겟 도메인 이미지(300)는 도메인 변환된 이미지의 소스 도메인 데이터 보다 적은 레이블을 가진 이미지일 수 있다.

프로세서(110)는 타겟 도메인 이미지(제 2 이미지)(300)의 픽셀별로 피처(310)를 추출할 수 있다. 타겟 도메인 이미지(300)는 픽셀 별로 클래스를 가질 수 있으며, 프로세서(110)는 픽셀 별 클래스에 대한 피처 공간 상의 제 2 클래스 별 클러스터를 정의할 수 있다. 클래스 별 클러스터는 각각의 픽셀의 피처 공간에서의 위치와 이미지의 레이블에 기초한 각각의 픽셀의 클래스 정보에 기초하여 결정될 수 있다. 여기서 제 2 이미지의 레이블은 제 2 이미지에 대한 테스크 네트워크(500)의 분류 결과에 기초한 수도 레이블(pseudo label)일 수 있다.

도 4 의 예시에서 타겟 도메인 이미지(300)는 예를 들어, 도로, 보도, 차의 3 가지 클래스를 가질 수 있다. 타겟 도메인 이미지(300)는 피처 공간(700)에서 각각의 클래스로 분류되는 클러스터를 가질 수 있다.

타겟 도메인 이미지의 도로 클러스터(6311)는 타겟 도메인 이미지(300)의 레이블(320)에 기초하여 도로로 분류되는 픽셀들을 피처 공간상에서 포함할 수 있는 영역으로 정의될 수 있다. 이와 동일한 방식으로, 피처 공간상에서 보도 클러스터(6331)는 타겟 도메인 이미지(300)의 픽셀들 중 보도로 분류되는 픽셀들의 피처 공간상에서의 위치에 기초하여 정의될 수 있다. 보도 클러스터(6331)는 타겟 도메인 이미지(300)의 레이블(320)에 기초하여 보도로 분류되는 픽셀들을 피처 공간상에서 모두 포함할 수 있는 영역으로 정의될 수 있다. 차 클러스터(6351)는 타겟 도메인 이미지(300)의 레이블(320)에 기초하여 차로 분류되는 픽셀들을 피처 공간상에서 모두 포함할 수 있는 영역으로 정의될 수 있다. 클래스 별 클러스터의 각각의 클러스터들(6311, 6331, 6351)은 중심점(631, 633, 635)를 가질 수 있다 클러스터의 중심점(631, 633, 635)는 피처 공간의 각각의 클러스터들(6311, 6331, 6351)의 중심이 되는 위치일 수 있다. 도메인 변환된 이미지(400) 및 타겟 도메인 이미지(300)는 동일한 피처 공간을 공유할 수 있다.

프로세서(110)는 중심점 추출 모듈(600)을 이용하여 각각의 클러스터와 중심점들을 추출할 수 있다. 중심점 추출 모듈(600)은 테스크 네트워크(500)의 적어도 하나의 레이어로부터 입력된 이미지에 대한 피처를 입력 받을 수 있다. 중심점 추출 모듈은 전술한 예시적인 방법을 활용하여 각각의 클래스 별 클러스터와 클러스터 중심점을 추출할 수 있다. 도 3의 참조번호 610은 전술한 바와 같이 타겟 도메인 이미지(300)에 대한 피처 공간상에서의 클러스터와 중심점들일 수 있다. 도면 참조번호 610에서, 클러스터와 중심점은 로 포현되며, 여기서 C는 중심점임을 나타내며, N은 N번째 클래스에 관한 중심점임을 의미하고, Tk는 K 번째 타겟 도메인에 관한 것임을 의미할 수 있다.

프로세서(110)는 각각의 이미지의 각각의 픽셀에 대한 연산 결과와 클래스 별 클러스터를 비교할 수 있다. 프로세서(110)는 제 1 이미지(400)의 각각의 픽셀에 대한 연산 결과와 제 2 클래스 별 클러스터(610)를 제 1 비교할 수 있다. 프로세서(110)는 제 2 이미지(300)의 각각의 픽셀에 대한 연산 결과와 제 1 클래스 별 클러스터(630)를 제 2 비교할 수 있다.

프로세서(110)는 도메인 변환된 이미지(400)의 각각의 픽셀에 대한 연산 결과 및 제 1 이미지의 레이블(420)에 기초하여 각각의 픽셀에 매칭된 클래스가 제 2 클래스 별 클러스터(610)에 기초한 분류 결과와 일치하는지 여부를 판단할 수 있다. 도 4 의 우측 이미지에서와 같이, 프로세서(110)는 도메인 변환된 이미지(400)의 픽셀(401)에 대한 테스크 네트워크에 의한 연산을 수행할 수 있으며, 연산 결과 해당 픽셀은 피처 공간상에 위치 할 수 있다. 참조번호 411은 도메인 변환된 이미지(400)의 일부분인 참조번호 401의 보도에 대해서, 테스크 네트워크(500)의 연산 결과 피처 공간상에서의 위치를 의미한다. 편의상 참조번호 411은 도메인 변환된 이미지 픽셀의 피처로 정의한다. 프로세서(110)는 도메인 변환된 이미지 픽셀의 피처(411)와 레이블에 의하여 결정된 해당 픽셀의 클래스(보도)가 제 2 클래스 별 클러스터에 기초한 분류 결과와 일치하는지 여부를 판단할 수 있다. 즉 프로세서(110)는 도메인 변환된 이미지에 픽셀 별 분류 결과(즉, 세그먼테이션 결과)가 타겟 도메인 이미지에 의한 분류 클러스터와 일치하는지 여부를 판단할 수 있다. 도 4 의 예시에서 도메인 변환된 이미지 픽셀의 피처(411)는 피처 공간 상에서 제 2 클래스 별 클러스터(6311, 6331, 6351)중 보도 클러스터(6331)에 위치할 수 있다. 이 경우 프로세서(110)는 도메인 변환된 이미지에 대한 분류 결과 및 레이블에 의해 결정된 클래스가 타겟 도메인에 의한 분류 결과와 일치하는 것으로 판단할 수 있다. 도 4의 예시에서는 분류 결과가 타겟 도메인에 의한 분류 결과와 일치하나 일치하지 않는 경우에 대해서는 프로세서(110)는 해당 픽셀의 레이블을 비활성화 할 수 있다. 이러한 경우의 레이블은 도메인 적응에 있어 테스크 네트워크의 혼란을 야기할 수 있으므로, 학습에서 사용되지 않도록 비활성화 될 수 있다. 프로세서(110)는 제 1 비교 결과 도메인 변환된 이미지의 픽셀 중 레이블 상의 클래스가 제 2 클래스 별 클러스터에 기초한 분류 결과와 일치하지 않는 경우, 해당 픽셀을 레이블에서 비활성화하여 제 1 선택된 레이블(450)을 생성할 수 있다. 도메인 변환된 이미지의 레이블(420)에서 이와 같이 도메인 적응에 있어 테스크 네트워크(500)의 학습에 부적절한 영역은 비활성화되어 선택된 레이블(450)을 구성할 수 있다. 선택된 레이블(450)은 테스크 네트워크(500)의 학습에 부적절한 영역(451)이 비활성화된 레이블 일 수 있으며, 비활성화된 영역은 테스크 네트워크의 학습 시 사용되지 않을 수 있다.

프로세서(110)는 도메인 변환된 이미지(400)의 각각의 픽셀의 피처 공간에서의 위치(411)와 제 2 클래스 별 클러스터(6311, 6331, 6351)의 각각의 클러스터 중심점(631, 633, 635)과의 거리를 비교할 수 있다. 프로세서(110)는 도메인 변환된 이미지의 특정 픽셀의 피처 공간에서의 위치와 제 2 클래스 별 클러스터(6311, 6331, 6351)의 각각의 클러스터와의 중심점(631, 633, 635)들 각각의 거리에 기초하여, 특정 픽셀의 레이블에 의하여 매칭된 클래스의 클러스터 중심점 거리보다 가까이 위치하는 클래스의 클러스터 중심점이 존재하는지 여부를 판단할 수 있다. 프로세서(110)는 도메인 변환된 이미지 픽셀(401)의 피처(411)의 피처 공간상에서의 위치가 각각의 클러스터 중심점 중 보도 클러스터(6331)의 중심점(633)과 가장 가까운지 여부를 판단할 수 있다. 도 4 의 예시에서, 프로세서(110)는 도메인 변환된 이미지 픽셀(401)의 피처(411)의 피처 공간상에서의 위치가 보도 클러스터(6331)의 중심점(633)보다, 도로 클러스터(6311)의 중심점(631)에 가까이 위치함을 판단할 수 있다. 즉, 해당 픽셀은 도메인 변환된 이미지의 레이블(420)상 보도로 분류되는 곳이나, 실제 피처 공간상에서는 보도 클러스터의 중심점(633)보다 도로 클러스터의 중심점(631)에 가까이 위치하는 것일 수 있다. 이러한 픽셀의 레이블을 그대로 사용하는 경우에는 테스크 네트워크의 학습 시 분류의 정확도가 낮아질 수 있으며, 학습에 소요되는 코스트가 증가할 수 있다. 이 경우에 해당 픽셀에 대한 레이블은 테스크 네트워크(500)의 학습에 있어서 배제될 수 있다. 프로세서(110)는 이와 같은 경우 해당 픽셀의 레이블을 비활성화 하여, 제 1 선택된 레이블(450)을 생성할 수 있다. 도시되지 않았지만 도메인 변환된 이미지 픽셀의 피처의 피처 공간상에서의 위치가 해당 픽셀에 대한 레이블로 결정된 클러스터 중심점과 가장 가까운 경우에는 테스크 네트워크의 학습에 사용될 수 있다. 예를 들어, 도메인 변환된 이미지의 보도 픽셀의 피처의 피처 공간상에서의 위치가 보도 클러스터(6331)의 중심점(633)에 가장 가까우며, 그보다 가까운 다른 클러스터 중심점은 없는 경우에, 해당 픽셀에 대한 레이블은 테스크 네트워크의 도메인 적응에 좋은 학습 데이터이므로, 테스크 네트워크의 학습에 사용될 수 있다.

프로세서(110)는 제 1 비교 결과 도메인 변환된 이미지의 픽셀 중 피처 공간에서의 위치가 해당 픽셀의 레이블에 기초한 클래스에 대한 클러스터 중심점 보다 다른 클래스에 대한 클러스터 중심점에 가깝게 위치하는 픽셀에 대하여 해당 픽셀을 레이블에서 비활성화 할 수 있다. 전술한 예시에서와 같이, 도메인 변환된 이미지(400)의 보도 픽셀(401)에 대한 피처 공간에서의 위치(411)는 타겟 도메인 이미지에 대한 분류 결과로 정의되는 제 2 클래스 별 클러스터와의 비교에서, 해당 픽셀의 클래스인 보도 클러스터의 중심점(633)보다 도로 클러스터의 중심점(631)에 가까이 위치하므로, 해당 픽셀은 레이블에서 비활성화될 수 있다. 도 4 의 예시에서 이러한 픽셀에 대한 레이블은 참조번호 451과 같이 비활성화 되었음을 확인할 수 있다. 제 1 선택된 레이블(450)은 프로세서(110)의 비교 결과 테스크 네트워크의 학습에 성능을 하락시킬 요소가 있는 픽셀들을 제외한 레이블 일 수 있다.

프로세서(110)는 타겟 도메인 이미지(300)의 각각의 픽셀에 대한 연산 결과 및 제 2 이미지의 레이블(320)에 기초하여 각각의 픽셀에 매칭된 클래스가 제 1 클래스 별 클러스터(630)에 기초한 분류 결과와 일치하는지 여부를 판단할 수 있다. 도 4 의 좌측 이미지에서와 같이, 프로세서(110)는 타겟 도메인 이미지(300)의 픽셀(301)에 대한 테스크 네트워크에 의한 연산을 수행할 수 있으며, 연산 결과 해당 픽셀은 피처 공간상에 위치할 수 있다. 참조번호 311은 타겟 도메인 이미지(300)의 일부분인 참조번호 301의 도로에 대해서, 테스크 네트워크(500)의 연산 결과 피처 공간상에서의 위치를 의미한다. 편의상 참조번호 311은 타겟 도메인 이미지의 픽셀(301)의 피처로 정의한다. 프로세서(110)는 타겟 도메인 이미지 픽셀의 피처(311)와 레이블(320)에 의하여 결정된 해당 픽셀의 클래스(도로)가 제 1 클래스 별 클러스터에 기초한 분류 결과와 일치하는지 여부를 판단할 수 있다. 즉 프로세서(110)는 타겟 도메인 이미지에 픽셀 별 분류 결과(즉, 세그먼테이션 결과)가 도메인 변환된 이미지에 의한 분류 클러스터와 일치하는지 여부를 판단할 수 있다. 도 4 좌측 이미지의 예시에서, 타겟 도메인 이미지 픽셀의 피처(311)는 피처 공간 상에서 제 1 클래스 별 클러스터들(6111, 6131, 6151)중 도로 클러스터(6111)에 가까이 위치할 수 있다. 그러나, 도 4 의 최측 이미지의 예시에서, 피처(311)는 피처 공간 상에서 결정 경계 상 차로 분류될 수 있다. 이 경우, 프로세서(110)는 타겟 도메인 이미지에 대한 분류 결과 및 레이블에 의해 결정된 클래스가 타겟 도메인에 의한 분류 결과와 일치하지 않는 것으로 판단할 수 있다. 도 4 의 좌측 이미지의 예시에서와 같이 타겟 도메인 이미지의 픽셀에 대한 레이블과 제 1 클래스 별 클러스터에 의한 실제 분류 결과와 일치하지 않는 경우에 대해서는 프로세서(110)는 해당 픽셀의 레이블을 비활성화 할 수 있다. 이러한 경우의 레이블은 도메인 적응에 있어 테스크 네트워크의 혼란을 야기할 수 있으므로, 학습에서 사용되지 않도록 비활성화될 수 있다. 참조번호 320은 타겟 도메인 데이터의 수도 레이블이며, 참조번호 321은 그 중 전술한 예시에서와 같이 도로로 분류 되어야 하나, 결정 경계상 차로 분류된 부분일 수 있다. 참조번호 350은 제 2 선택된 레이블이며, 그 중 참조번호 351은 비활성화된 부분일 수 있다. 선택된 레이블(350)은 테스크 네트워크(500)의 학습에 부적절한 영역(351)이 비활성화된 레이블 일 수 있으며, 비활성화된 영역은 테스크 네트워크의 학습시 사용되지 않을 수 있다.

프로세서(110)는 타겟 도메인 이미지(300)의 각각의 픽셀의 피처 공간에서의 위치(311)와 제 1 클래스 별 클러스터(6111, 6131, 6151)의 각각의 클러스터 중심점(611, 613, 615)과의 거리를 비교할 수 있다. 프로세서(110)는 타겟 도메인 이미지(300)의 특정 픽셀(301)의 피처 공간에서의 위치(311)와 제 1 클래스 별 클러스터(6111, 6131, 6151)의 각각의 클러스터 중심점(611, 613, 615)들 각각의 거리에 기초하여 특정 픽셀의 레이블에 의하여 매칭된 클래스의 클러스터 중심점 거리보다 가까이 위치하는 클래스의 클러스터 중심점이 존재하는지 여부를 판단할 수 있다. 프로세서(110)는 타겟 도메인 이미지 픽셀(301)의 피처(311)의 피처 공간상에서의 위치가 각각의 클러스터 중심점 중 도로 클러스터(6111)의 중심점(611)과 가장 가까운지 여부를 판단할 수 있다 도 4 의 예시에서, 프로세서(110)는 타겟 도메인 이미지 픽셀(301)의 피처(311)의 피처 공간상에서의 위치가 차 결정 경계에 속하도록 위치하지만, 도로 클러스터(6111)의 중심점(611)과 가장 가까운 것으로 판단할 수 있다. 즉, 해당 픽셀은 타겟 도메인 이미지에 대한 수도 레이블(320)상 차로 분류되나, 실제 피처 공간 상에서는 도로 클러스터의 중심점(611)에 더 가까이 위치하는 것일 수 있다. 도 4 의 예시를 참조하면 도 4 의 해당 픽셀(301)은 도로 이므로, 타겟 도메인 이미지에 대한 분류 결과는 잘못된 것일 수 있다. 즉, 타겟 도메인 이미지의 픽셀(301)에 대한 분류 결과가 차이고, 실제 해당 픽셀의 피처 공간상에서의 위치(311) 또한, 차 클러스터의 중심점(615)과 가장 가까운 경우는 제대로 된 분류 일 수 있으나, 타겟 도메인 이미지의 픽셀(301)에 대한 분류 결과는 차 이지만, 실제 해당 픽셀의 피처 공간상에서의 위치(311)는 차 클러스터의 중심점(615)보다 도로 클러스터의 중심점(611)에 가까운 경우에는 프로세서(110)는 해당 분류가 오분류 인 것으로 판단할 수 있다. 즉, 프로세서(110)는 픽셀의 피처 공간에서의 위치가 해당 픽셀의 분류 결과의 클래스의 클러스터의 중심점과 가장 가까운지 여부에 기초하여 해당 픽셀의 분류 결과가 오분류인지 판단할 수 있다. 그리고, 이러한 오뷴류 픽셀의 레이블을 그대로 사용하는 경우에는 테스크 네트워크의 학습 시 분류의 정확도가 낮아질 수 있으며, 학습에 소요되는 코스트가 증가할 수 있다. 이 경우에 해당 픽셀에 대한 레이블은 테스크 네트워크의 학습에 있어서 배제될 수 있다. 프로세서(110)는 이와 같은 경우 해당 픽셀의 레이블을 비활성화하여, 제 2 선택된 레이블(350)을 생성할 수 있다.

프로세서(110)는 제 2 비교 결과 타겟 도메인 이미지의 픽셀 중 피처 공간에서의 위치가 해당 픽셀의 분류 결과에 기초한 클래스에 대한 클러스터 중심점 보다 다른 클래스의 클러스터 중심점에 가깝게 위치하는 픽셀에 대하여 해당 픽셀을 레이블에서 비활성화할 수 있다. 전술한 예시에서와 같이, 타겟 도메인 이미지(300)의 도로 픽셀(301)에 대한 피처 공간에서의 위치(311)는 결정 경계상 차로 분류되어, 분류 결과로 정의되는 제 1 클래스 별 클러스터와의 비교에서, 해당 픽셀의 클래스인 차 클러스터의 중심점(615)보다 도로 클러스터의 중심점(611)에 가까이 위치하므로 해당 픽셀은 레이블에서 비활성화 될 수 있다. 도 4 의 예시에서 이러한 픽셀에 대한 레이블은 참조 번호 351과 같이 비활성화 되었음을 확인할 수 있다. 제 2 선택된 레이블(350)은 프로세서(110)의 비교 결과 테스크 네트워크의 학습에 성능을 하락시킬 요소가 있는 픽셀들을 제외한 레이블 일 수 있다.

프로세서(110)는 도메인 변환된 이미지의 레이블(420) 및 타겟 도메인 이미지의 수도 레이블(320)에서 테스크 네트워크(500)의 학습에 부정적인 영향을 줄 수 있는 일부 영역들을 전술한 바와 같은 기준에 의하여 제거하여, 일부 영역만을 선택(330, 430)하여 선택된 레이블들(350, 450)을 생성할 수 있다.

프로세서(110)는 제 1 선택된 레이블(450), 제 2 선택된 레이블(350)에 기초하여 테스크 네트워크(500)를 학습시킬 수 있다. 테스크 네트워크(500)는 전술한 바와 같이 이미지 세그먼테이션을 위한 임의의 네트워크 구조를 가질 수 있다. 프로세서(110)는 제 1 이미지(400)에 대한 이미지 세그먼테이션을 제 1 선택된 레이블(450)을 이용하여 교사학습하고, 제 2 이미지(300)에 대한 이미지 세그먼테이션을 제 2 선택된 레이블(350)을 이용하여 교사학습 할 수 있다. 도 3 의 네트워크에서, 스위치 510, 530는 이러한 교사학습을 개념적으로 나타낸 것이다. 즉, 연결된 스위치 510에 의하여 제 2 선택된 레이블(350)을 레이블로 하여 타겟 도메인 이미지(300)의 이미지 세그먼테이션을 위한 교사학습이 수행될 수 있다. 연결된 스위치 530에 의하여 제 1 선택된 레이블(450)을 레이블로 하여 소스 도메인 이미지(400)의 이미지 세그먼테이션을 위한 교사학습이 수행될 수 있다. 이미지 세그먼테이션을 위한 학습 방법은 제한되지 않는다.

프로세서(110)는 도 5 의 우측 예시에서와 같이 픽셀의 피처 공간 상에서의 위치(411)가 실제 레이블 분류 보다, 다른 클래스의 클러스터 중심점에 가까운 경우의 오 분류를 방지하기 위하여 결정 경계를 조정할 수 있다. 도 5 의 우측 예시는 실제 보도인 참조번호 401의 피처 공간상에서의 위치 411이 보도 클러스터의 중심점(633)보다 도로 클러스터의 중심점(631)에 가까운 경우이다. 다만 이 경우는 보도의 피처 공간 상에서의 위치(411)와 최소 거리인 중심점이 도로 클러스터의 중심점(633)이지만, 실제 분류는 보도가 맞는 경우이다. 이러한 경우 결정 경계를 보다 보도 쪽으로 옮겨 도로이지만 보도로 오판될 수 있는 경우를 줄이는 방향으로 테스크 네트워크(500)가 학습될 수 있다.

본 개시의 도메인 적응은 도메인 변환된 이미지에서 타겟 도메인 이미지로 타겟 도메인 이미지에서 도메인 변환된 이미지 양방향으로 수행될 수 있다. 도메인 변환된 이미지와 그 레이블을 이용하여 이미지 세그먼테이션 네트워크를 학습 시키고, 타겟 도메인 이미지를 학습된 이미지 세그먼테이션 네트워크를 이용하여 세그먼테이션 하거나, 타겟 도메인 이미지에 대한 수도 레이블을 생성하여, 타겟 도메인 이미지에 대하여 이미지 세그먼테이션 네트워크를 재학습 시킬 수 있다. 양방향으로 도메인 적응을 수행함으로써, 이미지 세그먼테이션 네트워크는 타겟 도메인에 대하여 보다 일관된 성능을 가질 수 있다.

도 6 은 본 개시의 일 실시예의 도메인 변환된 데이터와 도메인 적응된 데이터의 예시를 나타낸 도면이다.

도 6 의 예시에서, (a)는 도메인 변환된 이미지 일 수 있다. 전술한 예시에서와 같이 도메인 변환된 이미지는 픽셀 별 레이블이 있는 GTA 5의 이미지를 현실의 이미지로 도메인 변환한 이미지일 수 있으나, 본 개시는 이에 제한되지 않는다. (b)는 타겟 도메인 이미지인 현실의 이미지일 수 있다. (c)는 도메인 변환된 이미지의 실제 진실에 기초한 레이블일 수 있다. 전술한 바와 같이, 도메인 변환된 이미지는 스타일이 변경되었지만, 각 오브젝트의 위치정보는 유지되므로, 도메인 변환된 이미지의 도메인 변환 전 레이블은 도메인 변환된 이미지에서 활용될 수 있다. GTA5는 게임이므로 각 픽셀 별 오브젝트에 대한 정보가 있고, 이는 레이블로 기능할 수 있다. (d)는 타겟 도메인 이미지에 대한 테스크 네트워크의 이미지 세그먼테이션 결과인 수도 레이블 일 수 있다. (e)는 전술한 바와 같이, 도메인 변환된 이미지의 레이블 중 일부 영역을 제외하고 나머지 영역들로만 구성된 선택된 레이블일 수 있다. 전술한 바와 같이, 레이블에서 제외되는 일부 영역은 테스크 네트워크의 학습에 부정적인 영향을 줄 수 있는 영역들 일 수 있다. (f)는 전술한 바와 같이 타겟 도메인 이미지의 수도 레이블 중 일부 영역을 제외하고 나머지 영역들로만 구성된 선택된 레이블 일 수 있다. 전술한 바와 같이, 레이블에서 제외되는 일부 영역은 테스크 네트워크의 학습에 부정적인 영향을 줄 수 있는 영역들 일 수 있다.

도 7 은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨터 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) 컴퓨터 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(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

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

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

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

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

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

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

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

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

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

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 (16)

1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 시행되는 경우 도메인 적응을 위한 이하의 방법들을 수행하도록 하며, 상기 방법은,
   테스크 네트워크에서 제 1 이미지를 연산하고, 상기 제 1 이미지의 픽셀 별 클래스에 대한 피처 공간 상의 제 1 클래스 별 클러스터를 정의하는 단계;
   상기 테스크 네트워크에서 제 2 이미지를 연산하고, 상기 제 2 이미지의 픽셀 별 클래스에 대한 피처 공간 상의 제 2 클래스 별 클러스터를 정의하는 단계;
   상기 제 1 이미지의 각각의 픽셀에 대한 연산 결과와 상기 제 2 클래스 별 클러스터를 제 1 비교하는 단계;
   상기 제 2 이미지의 각각의 픽셀에 대한 연산 결과와 상기 제 1 클래스 별 클러스터를 제 2 비교하는 단계;
   상기 제 1 비교 결과에 기초하여 상기 제 1 이미지의 레이블의 적어도 일부를 비활성화하여 제 1 선택된 레이블을 생성하는 단계;
   상기 제 2 비교 결과에 기초하여 상기 제 2 이미지의 레이블의 적어도 일부를 비활성화하여 제 2 선택된 레이블을 생성하는 단계; 및
   상기 제 1 선택된 레이블 및 상기 제 2 선택된 레이블에 기초하여 상기 테스크 네트워크를 학습시키는 단계;
   를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
2. 제 1 항에 있어서,
   상기 제 1 클래스 별 클러스터는,
   상기 제 1 이미지의 각각의 픽셀의 피처 공간에서의 위치와 상기 제 1 이미지의 레이블에 기초한 각각의 픽셀의 클래스 정보에 기초하여 결정되는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
3. 제 2 항에 있어서,
   상기 제 1 클래스 별 클러스터는,
   상기 제 1 이미지의 레이블에 기초하여 특정 클래스에 포함된 전체 픽셀을 피처 공간상에서 포함할 수 있는 영역으로 정의되는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
4. 제 1 항에 있어서,
   상기 제 1 클래스 별 클러스터는,
   각각의 클러스터의 중심점으로 정의되는 제 1 클래스 별 클러스터 중심점 정보를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
5. 제 1 항에 있어서,
   상기 제 1 이미지는 상기 제 2 이미지와 상이한 도메인을 가진 이미지를 상기 제 2 이미지와 동일한 도메인으로 변환하여 획득된 도메인 변환된 이미지인,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
6. 제 1 항에 있어서,
   상기 제 1 비교는,
   상기 제 1 이미지의 각각의 픽셀에 대한 연산 결과 및 상기 제 1 이미지의 레이블에 기초하여 상기 각각의 픽셀에 매칭된 클래스가 상기 제 2 클래스 별 클러스터에 기초한 분류 결과와 일치하는지 여부를 판단하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
7. 제 1 항에 있어서,
   상기 제 1 비교는,
   상기 제 1 이미지의 각각의 픽셀의 피처 공간에서의 위치와 상기 제 2 클래스 별 클러스터의 각각의 클러스터의 중심점과의 거리를 비교하는 것인,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
8. 제 1 항에 있어서,
   상기 제 1 비교는,
   제 1 이미지의 특정 픽셀의 피처 공간에서의 위치와 제2 클래스 별 클러스터의 각각의 클러스터 중심점들 각각의 거리에 기초하여, 상기 특정 픽셀의 레이블에 의하여 매칭된 클래스의 클러스터 중심점과의 거리보다 가까이 위치하는 클래스의 클러스터 중심점이 존재하는지 여부를 판단하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
9. 제 1 항에 있어서,
   상기 제 2 비교는,
   상기 제 2 이미지의 특정 픽셀의 피처 공간에서의 위치와 특정 픽셀에 대한 분류 결과 결정된 클래스의 클러스터 중심점의 거리보다 가까이 위치하는 클래스의 클러스터 중심점이 존재하는지 여부를 판단하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
10. 제 1 항에 있어서,
    상기 제 1 선택된 레이블을 생성하는 단계는,
    상기 제 1 비교 결과 상기 제 1 이미지의 픽셀 중 레이블 상의 클래스가 상기 제 2 클래스 별 클러스터에 기초한 분류 결과와 일치하지 않는 경우, 해당 픽셀을 레이블에서 비활성화하는 단계;
    를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
11. 제 1 항에 있어서,
    상기 제 1 선택된 레이블을 생성하는 단계는,
    상기 제 1 비교 결과 상기 제 1 이미지의 픽셀 중 피처 공간에서의 위치가 해당 픽셀의 레이블에 기초한 클래스에 대한 클러스터 중심점 보다 다른 클래스에 대한 클러스터 중심점에 가깝게 위치하는 픽셀에 대하여 해당 픽셀을 레이블에서 비활성화 하는 단계;
    를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
12. 제 1 항에 있어서,
    상기 제 1 이미지의 레이블은,
    상기 제 1 이미지의 도메인 변환 전 이미지에 대한 실제 진실(ground truth)에 기초한 레이블이며,
    상기 제 2 이미지의 레이블은,
    상기 테스크 네트워크의 분류 결과에 기초한 수도 레이블인(pseudo label),
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
13. 제 1 항에 있어서,
    상기 테스크 네트워크는,
    이미지 세그먼테이션을 수행하기 위한 네트워크인,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
14. 제 1 항에 있어서,
    상기 테스크 네트워크를 학습시키는 단계는,
    상기 제 1 이미지에 대한 이미지 세그먼테이션을 상기 제 1 선택된 레이블을 이용하여 교사 학습하고, 상기 제 2 이미지에 대한 이미지 세그먼테이션을 상기 제 2 선택된 레이블을 이용하여 교사 학습하는 단계;
    를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
15. 컴퓨터 장치의 하나 이상의 프로세서에서 수행되는 도메인 적응을 위한 방법으로서,
    테스크 네트워크에서 제 1 이미지를 연산하고, 상기 제 1 이미지의 픽셀 별 클래스에 대한 피처 공간 상의 제 1 클래스 별 클러스터를 정의하는 단계;
    상기 테스크 네트워크에서 제 2 이미지를 연산하고, 상기 제 2 이미지의 픽셀 별 클래스에 대한 피처 공간 상의 제 2 클래스 별 클러스터를 정의하는 단계;
    상기 제 1 이미지의 각각의 픽셀에 대한 연산 결과와 상기 제 2 클래스 별 클러스터를 제 1 비교하는 단계;
    상기 제 2 이미지의 각각의 픽셀에 대한 연산 결과와 상기 제 1 클래스 별 클러스터를 제 2 비교하는 단계;
    상기 제 1 비교 결과에 기초하여 상기 제 1 이미지의 레이블의 적어도 일부를 비활성화하여 제 1 선택된 레이블을 생성하는 단계;
    상기 제 2 비교 결과에 기초하여 상기 제 2 이미지의 레이블의 적어도 일부를 비활성화하여 제 2 선택된 레이블을 생성하는 단계; 및
    상기 제 1 선택된 레이블 및 상기 제 2 선택된 레이블에 기초하여 상기 테스크 네트워크를 학습시키는 단계;
    를 포함하는,
    도메인 적응을 위한 방법.
    
    
16. 컴퓨터 장치로서,
    메모리 및
    하나 이상의 프로세서;
    를 포함하며,
    상기 하나 이상의 프로세서는,
    테스크 네트워크에서 제 1 이미지를 연산하고, 상기 제 1 이미지의 픽셀 별 클래스에 대한 피처 공간 상의 제 1 클래스 별 클러스터를 정의하고,
    상기 테스크 네트워크에서 제 2 이미지를 연산하고, 상기 제 2 이미지의 픽셀 별 클래스에 대한 피처 공간 상의 제 2 클래스 별 클러스터를 정의하고,
    상기 제 1 이미지의 각각의 픽셀에 대한 연산 결과와 상기 제 2 클래스 별 클러스터를 제 1 비교하고,
    상기 제 2 이미지의 각각의 픽셀에 대한 연산 결과와 상기 제 1 클래스 별 클러스터를 제 2 비교하고,
    상기 제 1 비교 결과에 기초하여 상기 제 1 이미지의 레이블의 적어도 일부를 비활성화하여 제 1 선택된 레이블을 생성하고,
    상기 제 2 비교 결과에 기초하여 상기 제 2 이미지의 레이블의 적어도 일부를 비활성화하여 제 2 선택된 레이블을 생성하고, 그리고
    상기 제 1 선택된 레이블 및 상기 제 2 선택된 레이블에 기초하여 상기 테스크 네트워크를 학습시키는
    컴퓨터 장치.