WO2021054572A1 - 디스플레이 장치 및 이의 영상 처리 방법 - Google Patents

디스플레이 장치 및 이의 영상 처리 방법 Download PDF

Info

Publication number
WO2021054572A1
WO2021054572A1 PCT/KR2020/007441 KR2020007441W WO2021054572A1 WO 2021054572 A1 WO2021054572 A1 WO 2021054572A1 KR 2020007441 W KR2020007441 W KR 2020007441W WO 2021054572 A1 WO2021054572 A1 WO 2021054572A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
image processing
image
variable term
learning model
Prior art date
Application number
PCT/KR2020/007441
Other languages
English (en)
French (fr)
Inventor
박용섭
박재연
백상욱
천민수
최광표
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Publication of WO2021054572A1 publication Critical patent/WO2021054572A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/28—Indexing scheme for image data processing or generation, in general involving image processing hardware
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Definitions

  • the present disclosure relates to a display device and an image processing method thereof, and more particularly, to a display device that performs image processing using an artificial intelligence learning model, and an image processing method thereof.
  • Artificial intelligence technology consists of machine learning (for example, deep learning) and component technologies using machine learning.
  • Machine learning is an algorithm technology that classifies/learns the features of input data by itself
  • element technology is a technology that simulates functions such as cognition and judgment of the human brain using machine learning algorithms such as deep learning. It consists of technical fields such as understanding, reasoning/prediction, knowledge expression, and motion control.
  • Linguistic understanding is a technology that recognizes and applies/processes human language/text, and includes natural language processing, machine translation, dialogue system, question and answer, and speech recognition/synthesis.
  • Visual understanding is a technology that recognizes and processes objects like human vision, and includes object recognition, object tracking, image search, human recognition, scene understanding, spatial understanding, and image improvement.
  • Inference prediction is a technique that logically infers and predicts information by judging, and includes knowledge/probability-based reasoning, optimization prediction, preference-based planning, and recommendation.
  • Knowledge expression is a technology that automatically processes human experience information into knowledge data, and includes knowledge construction (data generation/classification), knowledge management (data utilization), and the like.
  • Motion control is a technology that controls autonomous driving of a vehicle and movement of a robot, and includes movement control (navigation, collision, travel), operation control (behavior control), and the like.
  • the present disclosure is directed to providing a display device capable of controlling an image output result without additional post-processing and an image processing method thereof.
  • a display apparatus includes a plurality of nodes, and at least one of the plurality of nodes includes an image processor that performs image processing on an input image using a learning model having a variable term; A display displaying the image-processed image; And a control processor for controlling the image processor to change the value of the variable term to correspond to the changed option value when the option value related to the image processing is changed, and to perform image processing with a learning model having the changed variable term value.
  • an image processing method of a display device includes the steps of: displaying an image; Performing image processing on the input image using a learning model composed of a plurality of nodes and at least one of the plurality of nodes has a variable term; Displaying the image-processed image; and the performing of the image processing includes: if an option value related to the image processing is changed, changing a value of the variable term to correspond to the changed option value; and Includes.
  • FIG. 1 is a block diagram illustrating a display device according to an embodiment of the present disclosure
  • FIG. 2 is a diagram illustrating an image processing method of a display device according to an embodiment of the present disclosure
  • 3 to 5 are diagrams for explaining a learning model according to an embodiment of the present disclosure.
  • 6A and 6B are diagrams for explaining an image processing result using a learning model according to an embodiment of the present disclosure.
  • FIG. 7 is a block diagram illustrating in detail a display device according to an exemplary embodiment of the present disclosure.
  • expressions such as “A or B,” “at least one of A or/and B,” or “one or more of A or/and B” may include all possible combinations of items listed together.
  • “A or B,” “at least one of A and B,” or “at least one of A or B” includes (1) at least one A, (2) at least one B, Or (3) it may refer to all cases including both at least one A and at least one B.
  • Some component eg, the first component
  • another component eg, the second component
  • the certain component may be directly connected to the other component or may be connected through another component (eg, a third component).
  • a component eg, a first component
  • the component and the It may be understood that no other component (eg, a third component) exists between the different components.
  • the expression “configured to (configured to)” used in the present disclosure is, for example, “suitable for,” “having the capacity to” depending on the situation. ,” “designed to,” “adapted to,” “made to,” or “capable of.”
  • the term “configured to (or set)” may not necessarily mean only “specifically designed to” in hardware. Instead, in some situations, the expression “a device configured to” may mean that the device “can” along with other devices or parts.
  • the phrase “a subprocessor configured (or configured) to perform A, B, and C” means a dedicated processor (eg, an embedded processor) for performing the operation, or executing one or more software programs stored in a memory device. By doing so, it may mean a generic-purpose processor (eg, a CPU or an application processor) capable of performing corresponding operations.
  • the display device 100 in the present disclosure may be a TV, but is not limited thereto, and may be implemented as an electronic device including a display.
  • the display device 100 may be implemented as various electronic devices such as a mobile phone, a tablet PC, a digital camera, a camcorder, a notebook, a desktop, a monitor, an e-book terminal, a navigation device, and a wearable device.
  • the display device may be a fixed type or a mobile type, and may be a digital broadcasting receiver capable of receiving digital broadcasting.
  • FIG. 1 is a diagram for describing a display device according to an exemplary embodiment of the present disclosure.
  • a display device 100 includes an image processor 110, a display 120, and a processor 130.
  • the image processor 110 may process an image input to the display device 100. Specifically, the image processor 110 may perform image processing on an input image using an artificial intelligence learning model.
  • image processing includes white balance adjustment of the input image, color adjustment, color filter array interpolation, noise reduction processing, sharpening, and image processing. It may include various processing such as image enhancement and brightness adjustment.
  • the learning model used by the image processor 110 may be a model learned based on an artificial intelligence algorithm.
  • the artificial intelligence algorithm may be a deep neural network (DNN), a deep convolution neural network, a residual network, or the like.
  • This learning model may be composed of a plurality of layers, that is, hierarchically, and the layer may include a plurality of nodes.
  • at least one node among the plurality of nodes included in the learning model may include a variable term including a control parameter. The value of the variable term included in the learning model can be changed according to the value of the control parameter included in the variable term.
  • the output value of the learning model may vary according to the value of the variable term.
  • the learning model of the present disclosure will be described in detail with reference to FIGS. 3 to 5.
  • the image processor 110 may perform image processing on the input image using a learning model in which at least one node among the plurality of nodes has a variable term.
  • the image processor 110 may generate a feature map corresponding to an image input to the display device, and generate a value of a variable term included in the learning model based on the generated feature map.
  • the feature map may include features that can be extracted from the image, such as edge information, brightness information, color information, and white balance information of the input image.
  • the feature map includes one feature (eg, edge information) among features included in the image, but is not limited thereto.
  • the image processor 110 may be manufactured in the form of a dedicated hardware chip for a learning model including at least one node having a variable term.
  • a dedicated hardware chip for a learning model may include a Graphic Precessing Unit (GPU).
  • the image processor 110 is a GPU (Graphic Precessing Unit), and may be implemented as a component that is distinct from the processor 130, but is not limited thereto.
  • Various embodiments of the present disclosure may be performed by the processor 130.
  • the processor 130 may perform image processing on an input image using a learning model.
  • the display 120 may display various images and images provided by the display device 100.
  • the display 120 may display an image processed by the image processor 110.
  • the display 120 is a display of various types such as a liquid crystal display (LCD), an organic light emitting diode (OLED), a liquid crystal on silicon (LCoS), or digital light processing (DLP). Can be implemented. However, the present invention is not limited thereto, and of course, it may be implemented as various types of displays capable of displaying images.
  • LCD liquid crystal display
  • OLED organic light emitting diode
  • LCDoS liquid crystal on silicon
  • DLP digital light processing
  • the processor 130 is a component for controlling the overall operation of the display device 100.
  • the processor 130 may control a plurality of hardware or software components connected to the processor 130 by driving an operating system or an application program, and may perform various data processing and operations.
  • the processor 130 may be a central processing unit (CPU) or a graphics-processing unit (GPU), or both.
  • the processor 130 may be implemented with at least one general processor, a digital signal processor, an application specific integrated circuit (ASIC), a system on chip (SoC), a microcomputer (MICOM), or the like.
  • the processor 130 may control the display 120 to display an image.
  • the image displayed on the display 120 may be an image received from an external device (not shown) or may be an image previously stored in the display device 100.
  • the processor 130 changes the value of the variable term to correspond to the changed option value, and controls the image processor 110 to perform image processing with a learning model having the changed variable term value. can do.
  • the processor 130 may receive a user command for changing an option value related to image processing.
  • the options related to image processing represent various factors used to process the image, such as white balance, color, color filter arrangement, sharpening, and brightness of the image, and the option values related to image processing are white balance, color, color filter. Represents the values of various factors such as array, sharpening, and brightness.
  • the processor 130 may select one of a plurality of image processing options and receive a user's command to change a value of the selected image processing option. Specifically, the processor 130 receives a user command for changing an image processing option value through a user input interface (not shown) or processes an image from another electronic device (eg, a remote controller) through a communication interface (not shown). You can receive user commands to change the value of an option.
  • the processor 130 may change the value of the variable term of the node including the variable term included in the learning model to correspond to the changed option value. Specifically, the processor 130 may change the value of the control parameter included in the variable term to correspond to the changed option value. For example, when receiving a user's command for increasing the sharpness of an image by 10%, the processor 130 may change the value of the variable term by changing the value of the control parameter so as to correspond to the value of increasing the sharpness by 10%.
  • the processor 130 may control the image processor 110 to perform image processing with a learning model having a variable term value.
  • FIG. 2 an image processing method of a display device according to an exemplary embodiment will be described.
  • an image is displayed on the display (S210).
  • the displayed image may be an image received from an external device or may be an image previously stored in the display device.
  • a value of at least one node having a variable term among a plurality of nodes included in the learning model may be changed to correspond to the changed option value (S220).
  • the learning model may be a model learned based on an artificial intelligence algorithm.
  • the artificial intelligence algorithm may be a deep neural network (DNN), a deep convolution neural network, a residual network, or the like.
  • the learning model may be composed of a plurality of layers, that is, hierarchically, and the layer may include a plurality of nodes.
  • the layer may include a plurality of nodes.
  • at least one node among the plurality of nodes included in the learning model may include a variable term including a control parameter, and a value of the variable term may be changed according to the value of the control parameter.
  • image processing may be performed on the displayed image by using a learning model having a variable term that has been changed to correspond to an option value related to image processing (S230).
  • the options related to image processing represent various factors used to process the image, such as white balance, color, color filter arrangement, sharpening, and brightness of the image, and the option values related to image processing are white balance, color, and color. Represents the values of various factors such as filter arrangement, sharpening, and brightness.
  • the value of the control parameter included in the variable term is increased to increase the value of the variable term, and image processing may be performed with a learning model having the increased value of the variable term.
  • image processing may be performed with a learning model having a value of the reduced variable term.
  • the image-processed image may be displayed (S240).
  • 3 to 5 are diagrams for explaining a learning model according to an embodiment of the present disclosure.
  • the learning model of the present disclosure is a neural network model and may include a plurality of layers.
  • the learning model includes an input layer, a hidden layer, and an output layer.
  • the input layer may transmit an input signal to the hidden layer, and the output layer may generate an output of the learning model based on a signal received from the hidden layer.
  • the hidden layer is located between the input layer and the output layer, and through learning, a signal transmitted through the input layer can be changed to a predictable value.
  • the plurality of layers of the learning model may include a plurality of nodes disposed in each of the plurality of layers.
  • each of the input layer, the hidden layer, and the output layer includes a plurality of nodes, and nodes included in the input layer and nodes included in the hidden layer may be connected to each other using a connection weight.
  • Hidden nodes included in the hidden layer and output nodes included in the output layer may be connected to each other using a connection weight.
  • the learning model of the present disclosure may include a plurality of hidden layers.
  • the plurality of hidden layers may be generated by deep learning or convolution deep learning.
  • the plurality of hidden layers may include various layers such as a convolution layer, a ReLU layer, and a pooling layer.
  • the learning model of the present disclosure is characterized in that a variable term is included in at least one node among a plurality of nodes included in the learning model.
  • At least one node having a variable term may be disposed in at least one hidden layer among a plurality of hidden layers of the learning node.
  • at least one node having a variable term may be disposed in an arbitrary layer among a plurality of layers.
  • at least one node having a variable term may be disposed in a lower middle layer close to an output layer among a plurality of layers.
  • the learning model includes n hidden layers, at least one node having a variable term will be placed in at least one layer from the n/2-th layer among the n hidden layers to the hidden layer before the output layer. I can.
  • the node including the variable term included in the learning model is a node generated based on the feature map and control parameter of the input image, and a bias operation or convolution on the convolution layer It may be a node included in the learning model through an operation.
  • FIG. 3 is a diagram for describing a learning model including a node including a variable term generated through a bias operation.
  • the learning model includes a feature map 310 for an input image and a node 320 having a variable term generated based on the control parameter p.
  • the variable term may be generated by combining the feature map and the control parameter, and multiplying the combined value by the weight of the layer to which the variable term is added.
  • the feature map may include features that can be extracted from the image, such as edge information, brightness information, color information, white balance information, and black artifact information of the input image.
  • the feature map includes one feature (eg, edge information) among features included in the image, but is not limited thereto.
  • L-1 layer When the node 320 having the variable term is included in the L-1th layer (hereinafter, L-1 layer), it is connected to the node having the variable term included in the L-1 layer, and at least one included in the L layer
  • the activation function of the node 330 of can be expressed by the following equation.
  • C(L, ch out ) is connected to a node having a variable term included in the L-1 layer, and represents the value of at least one node included in the L layer
  • W(L-1, Ch in , Ch out ) denotes a connection weight between a node included in the L-1 layer and a node included in the L layer
  • C(L-1, Ch out) denotes a value of a node included in the L-1 layer.
  • p denotes a value of a control parameter
  • E(L-1, ch max ) denotes a value of a feature map extracted from an input image.
  • W(L-1, Ch in , Ch out ) *(p* E(L-1, ch max )) is obtained by multiplying the value of the feature map and the control parameter by the weight of the L-1 layer. It's a value.
  • the value of the node included in the L layer can be obtained by biasing the value obtained by multiplying the value of the value of the feature map and the value of the control parameter by the weight of the L-1 layer to the weighted sum of the L-1 layer.
  • Nodes included in are affected by nodes with variable terms.
  • the node having the variable term is in the L-1th layer (hereinafter, referred to as the L-1 layer).
  • the L layer and subsequent layers may be affected by a node having a variable term. For example, if a node having a variable term is created in the L-1 layer and the value of the variable term is increased, nodes that are directly or indirectly connected to the node having the variable term among the nodes included in the L layer and subsequent layers are nodes. The value of is increased. Therefore, the output value of the learning model may be different.
  • the number of nodes included in the layer after the L-1 layer may increase than the number of nodes included in the L-2 layer. For example, if the L-2 layer includes 64 nodes, and the L-1 layer includes 64 nodes and a node having one variable term, the L layer and subsequent layers may include 65 nodes. have. Meanwhile, this is only an example, and the number of nodes increased in the L layer is not necessarily limited to one.
  • the value of p when the learning model is trained, the value of p may be set to 1, and when the learning model is used, the output value of the learning model may be controlled while changing the value of p. That is, the output value of the learning model may be changed according to the value of the control parameter p.
  • the feature map is a feature map related to sharpness
  • FIG. 4 is a diagram for explaining a learning model including a variable term generated through a convolution operation.
  • a node having a variable term generated based on a feature map 430 for an input image and a control parameter p may be included.
  • the activation function of at least one node 450 included in the L layer may be obtained through the following equation.
  • (p*E) represents a value obtained by combining the value of the control parameter (p) and the value of the feature map as described above in FIG. 3. That is, the value C'(ch out ) of the node 410 may be generated by multiplying a value obtained by combining the value of the control parameter (p) and the value of the feature map by a weight. Likewise, the value C'(ch out ) of the node 420 may be generated by multiplying a value obtained by combining the value of the control parameter (p) and the value of the feature map by a weight. In this case, the value of the weight (W(ch out )) used to generate the node 410 may be different from the value of the weight (W'(ch out)) used to generate the node 420.
  • the value of the node of the L layer may be determined.
  • the value of the node 450 of the L layer is the value of the node 440 of the L-1 layer (C(L-1, ch)) and the value of the node 410 (C'(ch out )). It may be generated by adding the value of the node 420 (C''(ch out )).
  • the value of the node 410 and the value of the node 420 are generated based on the control parameter p and information E of the feature map.
  • the value of layer L is influenced by the control parameter p.
  • FIG. 5 is a diagram illustrating a controllable learning model by changing a value of a parameter included in a ReLu layer.
  • the learning model of the present disclosure may include a ReLu (Rectified Linear Unit).
  • a general ReLu function is as shown in the following equation, which is shown in the graph 510 of FIG. 5.
  • the learning model of the present disclosure may control the output value by adjusting the scale or shift of the ReLu function.
  • At least one node included in the ReLu layer may include a value of the ReLu function reset as follows.
  • X out may be an output value of the ReLu layer
  • X in may be an input value of the ReLu layer
  • P scale may be a scale value of the ReLu function
  • P shift may be a shift value of the ReLu function. That is, the value of the ReLu function applied to the ReLu layer may vary according to the P scale and P shift.
  • P scale and P shift may be set to 1 in the learning step of the learning model, and the output values of the function including the ReLu layer may be controlled while the values of the P scale and P shift are adjusted in the testing step of the learning model.
  • FIG. 6 is a diagram for explaining the progress of image processing according to an embodiment of the present disclosure.
  • FIG. 6B is a diagram illustrating a result image of the image processor 110 performing image processing using a learning model in which a feature map of an input image is used as a sharpness map and a control parameter p is increased.
  • lines included in the image are clearly expressed, that is, the sharpness is increased, such as a leaf of a tree located on the left side of the image and a line of a building image located in the middle of the image.
  • FIG. 7 is a block diagram illustrating in detail a configuration of a display device according to an exemplary embodiment of the present disclosure.
  • the display device 100 may include an image processor 110, a display 120, a processor 130, a memory 140, a communication interface 150, and an input interface 160.
  • an image processor 110 may include an image processor 110, a display 120, a processor 130, a memory 140, a communication interface 150, and an input interface 160.
  • descriptions overlapping with the image processor 110, the display 120, and the processor 130 of FIG. 1 will be omitted.
  • the memory 140 is a component for storing various programs and data necessary for the operation of the display device 100.
  • the memory 140 may be implemented as a nonvolatile memory, a volatile memory, a flash memory, a hard disk drive (HDD), a solid state drive (SSD), or the like.
  • the memory 140 is accessed by the processor 130, and data read/write/edit/delete/update by the processor 130 may be performed.
  • the term memory refers to a memory 140, a ROM (not shown) in the processor 130, a RAM (not shown), or a memory card (not shown) mounted in the display device 100 (for example, micro SD Card, memory stick).
  • the memory 140 may include an image previously stored in the display device 100 or an image received from an external device (not shown).
  • the memory 140 may store an artificial intelligence learning model trained to perform image processing on an image displayed on the display 120 of the display device 100.
  • the learning model at least one node among the plurality of nodes may change an output value according to a value of a variable term that is changed including a variable term.
  • the communication interface 150 is a component for the display device 100 to communicate with an external device (not shown). Through the communication interface 150, the display apparatus 100 may receive an image from an external device (not shown) or may receive a user command for selecting an option and an option value related to image processing.
  • the communication interface 150 may include various communication modules such as a wired communication module (not shown), a short-range wireless communication module (not shown), and a wireless communication module (not shown).
  • the wired communication module is a module for performing communication with an external device (not shown) according to a wired communication method such as wired Ethernet.
  • the short-range wireless communication module is a module for performing communication with an external device (not shown) located in a short distance according to a short-range wireless communication method such as Bluetooth (BT), Bluetooth Low Energy (BLE), and ZigBee method.
  • the wireless communication module is a module that is connected to an external network according to a wireless communication protocol such as WiFi and IEEE, and communicates with an external device (not shown) and a voice recognition server (not shown).
  • the wireless communication module is based on various mobile communication standards such as 3rd Generation (3G), 3rd Generation Partnership Project (3GPP), Long Term Evolution (LTE), LTE Advanced (LTE-A), and 5G Networks. It may further include a mobile communication module for performing communication by accessing the mobile communication network.
  • 3G 3rd Generation
  • 3GPP 3rd Generation Partnership Project
  • LTE Long Term Evolution
  • LTE-A LTE Advanced
  • 5G Networks 5G Networks.
  • It may further include a mobile communication module for performing communication by accessing the mobile communication network.
  • the input interface 160 may receive a user input for controlling the display device 100.
  • the input interface 160 may select one of a plurality of options related to image processing and receive a user input for changing an option value for the selected option.
  • the input interface 160 may include a touch panel for receiving a user's voice by using a microphone, a user's hand, or a stylus pen, and a button for receiving a user manipulation.
  • the example of the input interface 160 illustrated in FIG. 7 is only an embodiment, and may be implemented with other input devices (eg, a keyboard, a mouse, a motion input unit, etc.).
  • computer instructions for performing a processing operation in the display apparatus 100 according to various embodiments of the present disclosure described above may be stored in a non-transitory computer-readable medium. I can.
  • the above-described specific device performs the processing operation of the display apparatus 100 according to the various embodiments described above.
  • the non-transitory readable medium refers to a medium that stores data semi-permanently and can be read by a device, rather than a medium that stores data for a short moment, such as a register, a cache, and a memory.
  • a non-transitory readable medium such as a CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM, or the like.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

인공지능 학습 모델을 이용하여 이미지 처리를 수행하는 디스플레이 장치가 개시된다. 본 개시에 따른 디스플레이 장치는, 복수의 노드로 구성되고 복수의 노드 중 적어도 하나의 노드는 변수항을 갖는 학습 모델을 이용하여 입력된 영상에 대한 이미지 처리를 수행하는 이미지 프로세서, 이미지 처리된 영상을 표시하는 디스플레이 및 이미지 처리와 관련된 옵션 값이 변경되면 변경된 옵션 값에 대응되도록 변수항의 값을 가변하고, 가변된 변수항 값을 갖는 학습 모델로 이미지 처리가 수행되도록 이미지 프로세서를 제어하는 프로세서를 포함한다.

Description

디스플레이 장치 및 이의 영상 처리 방법
본 개시는 디스플레이 장치 및 이의 영상 처리 방법에 관한 발명으로, 구체적으로 인공지능 학습 모델을 이용하여 영상 처리를 수행하는 디스플레이 장치 및 이의 영상 처리 방법에 관한 것이다.
최근 인공지능 기술이 발달함에 따라 다양한 기술분야에서 인공지능 기술이 활용되고 있다. 인공 지능 기술은 기계학습(예로, 딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공 지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 오브젝트 인식, 오브젝트 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
한편, 상술한 다양한 분야 중 영상 개선과 관련하여 딥러닝 알고리즘을 이용하여 입력된 이미지를 영상 처리하는 기술이 등장하고 있다. 그러나, 종래의 딥러닝 알고리즘을 사용할 경우, 데이터, 레이블(label) 또는 트레이닝 로스(training loss)에 따라 단일한 가중치 및 바이어스(bias)가 학습된다는 점에서, 뉴럴 네트워크의 출력 결과를 조절할 수 없다는 문제가 있었다. 이에 따라, 출력 결과의 조정을 위하여 뉴럴 네트워크와 별도로 후처리 모듈이 요구되었다. 그러나, 뉴럴 네트워크에 추가로 후처리 모듈을 구현할 경우 구현이 복잡하고 비용이 증가되는 문제가 있었다.
본 개시는 별도의 후처리 없이 영상 출력 결과를 제어할 수 있는 디스플레이 장치 및 이의 영상 처리 방법을 제공하는데 있다.
본 개시의 일 실시 예에 따른 디스플레이 장치는 복수의 노드로 구성되고 상기 복수의 노드 중 적어도 하나의 노드는 변수항을 갖는 학습 모델을 이용하여 입력된 영상에 대한 이미지 처리를 수행하는 이미지 프로세서; 상기 이미지 처리된 영상을 표시하는 디스플레이; 및 상기 이미지 처리와 관련된 옵션 값이 변경되면 상기 변경된 옵션 값에 대응되게 상기 변수항의 값을 가변하고, 상기 가변된 변수항 값을 갖는 학습 모델로 이미지 처리가 수행되도록 상기 이미지 프로세서를 제어하는 제어 프로세서;를 포함한다.
한편, 본 개시의 일 실시 예에 따른 디스플레이 장치의 영상 처리 방법은, 영상을 표시하는 단계; 복수의 노드로 구성되고 상기 복수의 노드 중 적어도 하나의 노드는 변수항을 갖는 학습 모델을 이용하여 입력된 영상에 대한 이미지 처리를 수행하는 단계; 상기 이미지 처리된 영상을 표시하는 단계;를 포함하고, 상기 이미지 처리를 수행하는 단계는, 상기 이미지 처리와 관련된 옵션 값이 변경되면 상기 변경된 옵션 값에 대응되게 상기 변수항의 값을 가변하는 단계;를 포함한다.
도 1은 본 개시의 일 실시 예에 따른 디스플레이 장치를 설명하기 위한 블록도,
도 2는 본 개시의 일 실시 예에 따른 디스플레이 장치의 영상 처리 방법을 설명하기 위한 도면,
도 3 내지 도 5는 본 개시의 일 실시 예에 따른 학습 모델을 설명하기 위한 도면,
도 6a 및 도 6b은 본 개시의 일 실시 예에 따른 학습 모델을 이용한 영상 처리 결과를 설명하기 위한 도면, 및
도 7은 본 개시의 일 실시 예에 따른 디스플레이 장치를 상세하게 설명하기 위한 블록도이다.
이하, 본 개시의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 개시에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 부프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 개시에서의 디스플레이 장치(100)는 TV일 수 있으나, 이에 한정되지 않으며, 디스플레이를 포함하는 전자 장치로 구현될 수 있다. 예를 들어, 디스플레이 장치(100)는 휴대폰, 태블릿 PC, 디지털 카메라, 캠코더, 노트북, 데스크탑, 모니터, 전자책 단말기, 네비게이션, 웨어러블 디바이스 등과 같은 다양한 전자 장치로 구현될 수 있다. 또한, 디스플레이 장치는 고정형 또는 이동형일 수 있으며, 디지털 방송 수신이 가능한 디지털 방송 수신기일 수 있다.
이하에서는 도면을 참조하여 본 개시에 대해 상세히 설명하기로 한다.
도 1은 본 개시의 일 실시 예에 따른 디스플레이 장치를 설명하기 위한 도면이다.
도 1을 참조하면, 본 개시의 일 실시 예에 따른 디스플레이 장치(100)는 이미지 프로세서(110), 디스플레이(120) 및 프로세서(130)를 포함한다.
이미지 프로세서(110)는 디스플레이 장치(100)에 입력된 이미지를 처리할 수 있다. 구체적으로, 이미지 프로세서(110)는 인공지능 학습 모델을 이용하여 입력된 영상에 대한 이미지 처리를 수행할 수 있다.
여기에서, 이미지 처리는 입력된 이미지의 화이트 밸런스(white balance) 조절, 컬러 조정(color adjustment), 색 필터 배열 보간(color filter array interpolation), 노이즈 감소(noise reduction) 처리, 샤프닝(sharpening), 이미지 개선(image enhancement), 밝기 조절(brightness adjustment) 등의 다양한 처리를 포함할 수 있다.
이미지 프로세서(110)가 이용하는 학습 모델은 인공지능 알고리즘을 기초로 학습된 모델일 수 있다. 여기에서, 인공지능 알고리즘은 심층 신경 네트워크(Deep Neural Network, DNN), 심층 합성곱 신경망(Deep Convolution Neural Network), 레지듀얼 네트워크(Residual Network) 등일 수 있다. 이러한 학습 모델은 복수의 레이어, 즉 계층적으로 구성될 수 있으며, 레이어는 복수의 노드를 포함할 수 있다. 그리고, 학습 모델에 포함된 복수의 노드 중 적어도 하나의 노드는 제어 파라미터를 포함하는 변수항을 포함할 수 있다. 학습 모델에 포함된 변수항의 값은 변수항에 포함된 제어 파라미터의 값에 따라 변경될 수 있다. 즉, 변수항을 갖는 노드의 정보는 변수항에 포함된 제어 파라미터의 값에 따라 변경될 수 있다는 점에서, 학습 모델의 출력 값은 변수항의 값에 따라 달라질 수 있다. 본 개시의 학습 모델에 대하여는 도 3 내지 도 5에서 구체적으로 설명하도록 한다.
결국, 이미지 프로세서(110)는 복수의 노드 중 적어도 하나의 노드는 변수항을 가지는 학습 모델을 이용하여 입력된 영상에 대한 이미지 처리를 수행할 수 있다.
이미지 프로세서(110)는 디스플레이 장치에 입력된 영상에 대응되는 특징 맵(feature map)을 생성하고, 생성된 특징 맵에 기초하여 학습 모델에 포함된 변수항의 값을 생성할 수 있다.
여기에서, 특징 맵은 입력 영상의 엣지(edge) 정보, 밝기 정보, 컬러 정보, 화이트 밸런스 정보와 같이 이미지에서 추출될 수 있는 특징을 포함할 수 있다. 특징 맵은 이미지에 포함된 특징 중 하나의 특징(가령, 엣지 정보)을 포함하나, 반드시 이에 한정되는 것은 아니다.
한편, 이미지 프로세서(110)는 변수항을 가지는 적어도 하나의 노드를 포함하는 학습 모델을 위한 전용 하드웨어 칩 형태로 제작될 수 있다. 본 개시의 다양한 실시 예에 따른 학습 모델을 위한 전용 하드웨어 칩은 GPU(Graphic Precessing Unit)를 포함할 수 있다.
한편, 이미지 프로세서(110)는 GPU(Graphic Precessing Unit)로서, 프로세서(130)와 구별되는 구성 요소로 구현될 수 있으나, 반드시 이에 한정되는 것은 아니다. 본 개시의 다양한 실시 예는 프로세서(130)에 의해 수행될 수도 있다. 일 예로, 프로세서(130)가 학습 모델을 이용하여 입력된 영상에 대한 이미지 처리를 수행할 수도 있다.
디스플레이(120)는 디스플레이 장치(100)에서 제공하는 각종 이미지 및 영상을 표시할 수 있다. 특히, 디스플레이(120)는 이미지 프로세서(110)에 의해 이미지 처리된 영상을 표시할 수 있다.
디스플레이(120)는 액정 표시 장치(Liquid Crystal Display, LCD), 유기 전기 발광 다이오드(Organic Light Emitting Diode, OLED), LCoS(Liquid Crystal on Silicon) 또는 DLP(Digital Light Processing)등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 이미지를 디스플레이할 수 있는 다양한 유형의 디스플레이로 구현될 수 있음은 물론이다.
프로세서(130)는 디스플레이 장치(100)의 전반적인 동작을 제어하기 위한 구성이다. 예를 들면, 프로세서(130)는 운영 체제 또는 응용 프로그램을 구동하여 프로세서(130)에 연결된 다수의 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 프로세서(130)는 CPU(central processing unit) 또는 GPU(graphics-processing unit)이거나 둘 다일 수 있다. 프로세서(130)는 적어도 하나의 범용 프로세서(general processor), 디지털 신호 프로세서(digital signal processor), ASIC(Application specific integrated circuit), SoC(system on chip), MICOM(Microcomputer) 등으로 구현될 수 있다.
프로세서(130)는 영상을 표시하도록 디스플레이(120)를 제어할 수 있다. 이때, 디스플레이(120)에 표시되는 영상은 외부 장치(미도시)로부터 수신된 영상이거나, 디스플레이 장치(100)에 기 저장된 영상일 수 있다.
프로세서(130)는 이미지 처리와 관련된 옵션 값이 변경되면, 변경된 옵션 값에 대응되도록 변수항의 값을 가변하고, 가변된 변수항 값을 갖는 학습 모델로 이미지 처리가 수행되도록 이미지 프로세서(110)를 제어할 수 있다.
프로세서(130)는 이미지 처리와 관련된 옵션 값을 변경하기 위한 사용자 명령을 수신할 수 있다. 여기에서 이미지 처리와 관련된 옵션은 이미지의 화이트 밸런스, 컬러, 색 필터 배열, 샤프닝, 밝기와 같이 이미지를 처리하기 위해 사용되는 다양한 요소를 나타내며, 이미지 처리와 관련된 옵션 값은 화이트 밸런스, 컬러, 색 필터 배열, 샤프닝(sharpening), 밝기와 같은 다양한 요소의 값을 나타낸다.
가령, 프로세서(130)는 복수의 이미지 처리 옵션 중 하나를 선택하고 선택된 이미지 처리 옵션의 값을 변경하려는 사용자의 명령을 수신할 수 있다. 구체적으로, 프로세서(130)는 사용자 입력 인터페이스(미도시)를 통하여 이미지 처리 옵션 값을 변경하려는 사용자 명령을 수신하거나 또는 통신 인터페이스(미도시)를 통하여 다른 전자 장치(가령, 리모트 컨트롤러)로부터 이미지 처리 옵션의 값을 변경하려는 사용자 명령을 수신할 수 있다.
프로세서(130)는 이미지 처리 옵션 값을 변경하는 사용자 명령을 수신하면, 변경된 옵션 값에 대응되도록 학습 모델에 포함된 변수항을 포함하는 노드의 변수항의 값을 가변할 수 있다. 구체적으로, 프로세서(130)는 변수항에 포함된 제어 파라미터의 값을 변경된 옵션 값에 대응되도록 변경할 수 있다. 가령, 프로세서(130)는 이미지의 샤프니스(sharpness)를 10% 증가하는 사용자의 명령을 수신하면 샤프니스를 10% 증가하는 값에 대응되도록 제어 파라미터의 값을 변경하여 변수항의 값을 가변할 수 있다.
그리고, 프로세서(130)는 가변된 변수항의 값을 갖는 학습 모델로 이미지 처리가 수행되도록 이미지 프로세서(110)를 제어할 수 있다.
이하, 도 2에서는 본 개시의 일 실시 예에 따른 디스플레이 장치의 영상 처리 방법을 설명한다.
먼저, 영상을 디스플레이에 표시한다(S210). 이때, 표시되는 영상은 외부 장치로부터 수신된 영상이거나, 디스플레이 장치에 기 저장된 영상일 수 있다.
이때, 표시된 영상의 이미지 처리와 관련된 옵션 값이 변경되면, 변경된 옵션 값에 대응되도록 학습 모델에 포함된 복수의 노드 중 변수항을 갖는 적어도 하나의 노드의 값을 가변할 수 있다(S220).
이때, 학습 모델은 인공지능 알고리즘을 기초로 학습된 모델일 수 있다. 여기에서, 인공지능 알고리즘은 심층 신경 네트워크(Deep Neural Network, DNN), 심층 합성곱 신경망(Deep Convolution Neural Network), 레지듀얼 네트워크(Residual Network) 등일 수 있다.
학습 모델은 복수의 레이어, 즉 계층적으로 구성될 수 있으며, 레이어는 복수의 노드를 포함할 수 있다. 그리고, 학습 모델에 포함된 복수의 노드 중 적어도 하나의 노드는 제어 파라미터를 포함하는 변수항을 포함할 수 있으며, 변수항의 값은 제어 파라미터의 값에 따라 변경될 수 있다.
그리고, 이미지 처리와 관련된 옵션 값에 대응되도록 가변된 변수항을 갖는 학습 모델을 이용하여 표시된 영상에 대한 이미지 처리를 수행할 수 있다(S230). 여기에서, 이미지 처리와 관련된 옵션은 이미지의 화이트 밸런스, 컬러, 색 필터 배열, 샤프닝, 밝기와 같이 이미지를 처리하기 위해 사용되는 다양한 요소를 나타내며, 이미지 처리와 관련된 옵션 값은 화이트 밸런스, 컬러, 색 필터 배열, 샤프닝(sharpening), 밝기와 같은 다양한 요소의 값을 나타낸다.
가령, 이미지 처리와 관련된 옵션 값이 증가하면, 변수항에 포함된 제어 파라미터의 값을 증가시켜 변수항의 값을 증가시키고, 증가된 변수항의 값을 갖는 학습 모델로 이미지 처리가 수행되도록 할 수 있다. 반대로, 이미지 처리와 관련된 옵션 값이 감소되면, 변수항에 포함된 제어 파라미터의 값을 감소시키고, 감소된 변수항의 값을 갖는 학습 모델로 이미지 처리가 수행되도록 할 수 있다.
그리고, 이미지 처리된 영상을 표시할 수 있다(S240).
도 3 내지 도 5는 본 개시의 일 실시 예에 따른 학습 모델을 설명하기 위한 도면이다.
본 개시의 학습 모델은 뉴럴 네트워크 모델로, 복수의 레이어를 포함할 수 있다. 예를 들어, 학습 모델은 입력 레이어(layer), 히든 레이어, 출력 레이어를 포함한다. 입력 레이어는 입력 신호를 히든 레이어에 전달할 수 있고, 출력 레이어는 히든 레이어로부터 수신한 신호에 기초하여 학습 모델의 출력을 생성할 수 있다. 히든 레이어는 입력 레이어와 출력 레이어 사이에 위치하고, 학습을 통하여 입력 레이어를 통해 전달된 신호를 예측 가능한 값으로 변경할 수 있다.
학습 모델의 복수의 레이어는 복수의 레이어 각각에 배치되는 복수의 노드를 포함할 수 있다. 구체적으로, 입력 레이어, 히든 레이어 및 출력 레이어 각각은 복수의 노드를 포함하고, 입력 레이어에 포함된 노드들과 히든 레이어에 포함된 노드들은 연결 가중치를 이용하여 서로 연결될 수 있다. 히든 레이어에 포함된 히든 노드들과 출력 레이어에 포함된 출력 노드들은 연결 가중치를 이용하여 서로 연결될 수 있다.
한편, 본 개시의 학습 모델은 복수의 히든 레이어를 포함할 수 있다. 복수의 히든 레이어는 딥러닝(Deep learning) 또는 컨볼루션 딥러닝(Convolution Deep learning)으로 생성될 수 있다. 이때, 복수의 히든 레이어는 컨볼루션 레이어(Convolution layer), ReLU 레이어, 풀링 레이어(Pooling layer)와 같은 다양한 레이어를 포함할 수 있다.
본 개시의 학습 모델은 학습 모델에 포함된 복수의 노드 중 적어도 하나의 노드에 변수항을 포함하는 것을 특징으로 한다. 변수항을 갖는 적어도 하나의 노드는 학습 노드의 복수의 히든 레이어 중 적어도 하나의 히든 레이어에 배치될 수 있다. 구체적으로, 변수항을 갖는 적어도 하나의 노드는 복수의 레이어 중 임의의 레이어에 배치될 수 있다. 가령, 변수항을 갖는 적어도 하나의 노드는 복수의 레이어 중 출력 레이어에 가까운 중하위 레이어에 배치될 수 있다. 구체적으로, 학습 모델이 n 개의 히든 레이어를 포함하는 경우, 변수항을 갖는 적어도 하나의 노드는 n개의 히든 레이어 중 n/2번째 레이어부터 출력 레이어 이전의 히든 레이어까지의 적어도 하나의 레이어에 배치될 수 있다.
한편, 학습 모델에 포함된 변수항을 포함하는 노드는 입력 영상의 특징 맵(feature map) 및 제어 파라미터를 기초로 생성된 노드로, 컨볼루션 레이어에 바이어스(Bias) 연산, 또는 컨볼루션(Convolution) 연산을 통하여 학습 모델에 포함된 노드일 수 있다.
도 3은 바이어스 연산을 통하여 생성된 변수항을 포함하는 노드를 포함하는 학습 모델을 설명하기 위한 도면이다.
상술한 바와 같이, 학습 모델은 입력 영상에 대한 특징 맵(310) 및 제어 파라미터p를 기초로 생성된 변수항을 갖는 노드(320)를 포함한다. 구체적으로, 변수항은 특징 맵 및 제어 파라미터를 결합하고, 결합된 값에 변수항이 추가되는 레이어의 가중치를 곱하여 생성될 수 있다. 여기에서, 특징 맵은 입력 영상의 엣지(edge) 정보, 밝기 정보, 컬러 정보, 화이트 밸런스 정보 및 black artifact 정보와 같이 이미지에서 추출될 수 있는 특징을 포함할 수 있다. 특징 맵은 이미지에 포함된 특징 중 하나의 특징(가령, 엣지 정보)을 포함하나, 반드시 이에 한정되는 것은 아니다.
변수항을 갖는 노드(320)가 L-1번째 레이어(이하, L-1 레이어)에 포함된 경우, L-1 레이어에 포함된 변수항을 갖는 노드와 연결되고, L 레이어에 포함되는 적어도 하나의 노드(330)의 활성화 함수는 아래와 같은 식으로 나타낼 수 있다.
Figure PCTKR2020007441-appb-img-000001
여기에서, C(L, ch out)은 L-1 레이어에 포함된 변수항을 갖는 노드와 연결되고, L 레이어에 포함되는 적어도 하나의 노드의 값을 나타내고, W(L-1, Ch in, Ch out)는 L-1 레이어에 포함된 노드와 L 레이어에 포함된 노드와의 연결 가중치, C(L-1, Ch out)는 L-1 레이어에 포함된 노드의 값을 나타낸다. 즉,
Figure PCTKR2020007441-appb-img-000002
은 L-1 레이어에 존재하는 복수의 노드 중 변수항을 갖는 노드를 제외한 복수의 노드의 가중합을 나타낸다. 그리고, p는 제어 파라미터의 값, E(L-1, ch max)는 입력 영상에서 추출된 특징 맵의 값을 나타낸다. 결국, W(L-1, Ch in, Ch out) *(p* E(L-1, ch max))은 특징 맵의 값과 제어 파라미터의 값을 결합한 값에 L-1레이어의 가중치를 곱한 값이다. 즉, 특징 맵의 값과 제어 파라미터의 값을 결합한 값에 L-1레이어의 가중치를 곱한 값을 L-1 레이어의 가중합에 바이어스 하여 L 레이어에 포함된 노드의 값을 구할 수 있으며, L 레이어에 포함된 노드는 변수항을 갖는 노드의 영향을 받게 된다.
구체적으로, 학습 모델의 레이어에 포함된 복수의 노드는 다음 레이어에 포함된 복수의 노드와 연결되어 있다는 점에서, 변수항을 갖는 노드가 L-1번째의 레이어(이하, L-1 레이어)에 포함되는 경우, L 레이어를 비롯한 그 이후의 레이어는 변수항을 갖는 노드의 영향을 받을 수 있다. 가령, L-1 레이어에 변수항을 갖는 노드가 생성되고, 변수항의 값이 증가되면, L 레이어를 비롯한 그 이후의 레이어에 포함된 노드 중 변수항을 갖는 노드와 직접 또는 간접적으로 연결된 노드들은 노드의 값이 증가하게 된다. 따라서, 학습 모델의 출력 값이 달라질 수 있다.
한편, 학습 모델에서 변수항을 갖는 노드가 L-1 레이어에 포함됨에 따라 L-1 레이어 이후의 레이어에 포함된 노드의 개수는 L-2 레이어에 포함된 노드의 개수보다 증가할 수 있다. 가령, L-2 레이어에 64개의 노드가 포함되고, L-1 레이어는 64개의 노드 및 한 개의 변수항을 갖는 노드를 포함하는 경우, L 레이어 및 그 이후의 레이어는 65개의 노드를 포함할 수 있다. 한편, 이는 일 실시 예일 뿐이며, L 레이어에서 증가되는 노드의 수는 반드시 한 개에 한하는 것은 아니다.
한편, 학습 모델이 학습될 때 p의 값은 1로 설정될 수 있으며, 학습 모델을 이용할 때 p의 값을 변경하면서 학습 모델의 출력 값을 제어할 수 있다. 즉, 제어 파라미터 p의 값에 따라 학습 모델의 출력 값이 변경될 수 있다. 가령, 특징 맵이 샤프니스와 관련된 특징 맵인 경우, p의 값이 증가하면 이미지의 샤프니스 출력 값이 증가되고, p의 값이 감소하면 이미지의 샤프니스 출력 값이 감소한다.
한편, 도 4는 컨볼루션 연산을 통하여 생성된 변수항을 포함하는 학습 모델을 설명하기 위한 도면이다.
컨볼루션 연산을 이용한 경우도, 도 3의 바이어스 연산을 이용한 경우와 마찬가지로 입력 영상에 대한 특징 맵(430) 및 제어 파라미터 p를 기초로 생성된 변수항을 갖는 노드를 포함할 수 있다.
구체적으로, 아래의 식을 통하여 L 레이어에 포함되는 적어도 하나의 노드(450)의 활성화 함수를 구할 수 있다.
C'(ch out)=(W(ch out)*(p*E))
C''(ch out)=(W'(ch out)*(p*E))
C(L, ch)= C'(ch out)*C(L-1, ch)+C''(ch out)
여기에서 (p*E)는 도 3에서 상술한 바와 같이 제어 파라미터의 값 (p) 및 특징 맵의 값을 결합한 값을 나타낸다. 즉, 노드(410)의 값 C'(ch out)는 제어 파라미터의 값 (p) 및 특징 맵의 값을 결합한 값에 가중치를 곱하여 생성될 수 있다. 마찬가지로, 노드(420)의 값 C'(ch out)는 제어 파라미터의 값 (p) 및 특징 맵의 값을 결합한 값에 가중치를 곱하여 생성될 수 있다. 이때, 노드(410)를 생성하기 위하여 이용되는 가중치의 값(W(ch out))은 노드(420)를 생성하기 위하여 이용되는 가중치의 값(W'(ch out))과 상이할 수 있다.
그리고, 생성된 노드(410)의 값 및 노드(420)의 값을 기초로, L레이어의 노드의 값을 결정할 수 있다. 구체적으로, L레이어의 노드(450)의 값은 L-1 레이어의 노드(440)의 값(C(L-1, ch))과 노드(410)의 값(C'(ch out))에 노드(420)의 값(C''(ch out))을 더하여 생성될 수 있다.
이와 같이 노드(410)의 값 및 노드 (420)의 값은 제어 파라미터 p 및 특징 맵의 정보 E를 기초로 생성된 값이라는 점에서 노드(410) 및 노드(420)의 값을 이용하여 생성된 레이어 L의 값은 제어 파라미터 p에 따라 영향을 받게 된다.
한편, 도 5는 ReLu 레이어에 포함된 파라미터의 값을 변경하여 제어가능한 학습 모델을 설명하기 위한 도면이다.
도 5에 도시된 바와 같이, 본 개시의 학습 모델은 ReLu(Rectified Linear Unit)을 포함할 수 있다.
일반적인 ReLu 함수는 아래의 식과 같으며, 이는 도 5의 그래프(510)에 나타나 있다.
Figure PCTKR2020007441-appb-img-000003
그러나, 본 개시의 학습 모델은 ReLu 함수의 스케일(scale) 또는 시프트(shift)를 조절하여 출력 값을 제어할 수 있다.
구체적으로, ReLu 함수를 아래의 식과 같이 재설정하여, ReLu 레이어에 포함된 적어도 하나의 노드가 아래와 같이 재설정된 ReLu함수의 값을 포함하도록 할 수 있다.
X out = X in * P scale + P shift
여기에서, X out은 ReLu 레이어의 출력 값, X in은 ReLu 레이어의 입력 값, P scale은 ReLu 함수의 스케일 값, P shift은 ReLu 함수의 시프트 값을 나타낼 수 있다. 즉, P scale 및 P shift에 따라 ReLu 레이어에 적용되는 ReLu 함수의 값이 달라질 수 있다.
이때, 학습 모델의 학습 단계에서 P scale 및 P shift은 1로 설정될 수 있으며, 학습 모델의 테스트 단계에서 P scale 및 P shift의 값이 조절되면서 ReLu 레이어를 포함하는 함수의 출력 값이 제어될 수 있다.
도 6은 본 개시의 일 실시 예에 따른 영상 처리 경과를 설명하기 위한 도면이다.
구체적으로 도 6a는 p=1인 상태, 즉 학습 모델이 제어되지 않은 상태에서 디스플레이 장치에 표시된 영상을 나타내는 도면이다. 도 6a를 참조하면, 영상의 좌측에 위치한 나무의 잎, 영상의 가운데에 위치한 건물 이미지의 선 등이 선명하지 않게 표현되어 있는 것을 볼 수 있다.
한편, 도 6b는 이미지 프로세서(110)가 입력 영상의 특징 맵을 샤프니스 맵으로 하고, 제어 파라미터 p를 증가한 학습 모델을 이용하여 이미지 처리를 수행한 결과 영상을 나타내는 도면이다. 도 6b를 참조하면, 영상의 좌측에 위치한 나무의 잎, 영상의 가운데에 위치한 건물 이미지의 선과 같이 영상에 포함된 선들이 선명하게, 즉 샤프니스가 증가되어 표현된 것을 볼 수 있다.
도 7은 본 개시의 일 실시 예에 따른 디스플레이 장치의 구성을 상세하게 설명하기 위한 블록도이다.
도 7을 참조하면, 디스플레이 장치(100)는 이미지 프로세서(110), 디스플레이(120), 프로세서(130), 메모리(140), 통신 인터페이스(150) 및 입력 인터페이스(160)를 포함할 수 있다. 이 중 도 1의 이미지 프로세서(110), 디스플레이(120) 및 프로세서(130)와 중복되는 설명은 생략하도록 한다.
메모리(140)는 디스플레이 장치(100)의 동작에 필요한 각종 프로그램 및 데이터 등을 저장하기 위한 구성요소이다. 메모리(140)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(140)는 프로세서(130)에 의해 액세스되며, 프로세서(130)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(140), 프로세서(130) 내 롬(미도시), 램(미도시) 또는 디스플레이 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다.
메모리(140)는 디스플레이 장치(100)에 기 저장된 영상 또는 외부 장치(미도시)로부터 수신된 영상을 포함할 수 있다.
또한, 메모리(140)에는 디스플레이 장치(100)의 디스플레이(120)에 표시되는 영상에 대한 이미지 처리를 수행하도록 학습된 인공 지능 학습 모델이 저장되어 있을 수 있다. 여기에서, 학습 모델은 복수의 노드 중 적어도 하나의 노드가 변수항을 포함하여 가변되는 변수항의 값에 따라 출력 값이 달라질 수 있다.
통신 인터페이스(150)는 디스플레이 장치(100)가 외부 장치(미도시)와 통신을 수행하기 위한 구성요소이다. 통신 인터페이스(150)를 통하여 디스플레이 장치(100)는 외부 장치(미도시)로부터 영상을 수신하거나, 이미지 처리와 관련된 옵션 및 옵션 값을 선택하는 사용자 명령을 수신할 수 있다.
통신 인터페이스(150)는 유선 통신 모듈(미도시), 근거리 무선 통신 모듈(미도시), 무선 통신 모듈(미도시) 등과 같은 다양한 통신 모듈을 포함할 수 있다.
여기에서, 유선 통신 모듈은 유선 이더넷(Ethernet)과 같이 유선 통신 방식에 따라 외부 장치(미도시)와 통신을 수행하기 위한 모듈이다. 그리고, 근거리 무선 통신 모듈이란 블루투스(Bluetooth, BT), BLE(Bluetooth Low Energy), ZigBee 방식 등과 같은 근거리 무선 통신 방식에 따라 근거리에 위치한 외부 장치(미도시)와 통신을 수행하기 위한 모듈이다. 또한, 무선 통신 모듈이란 WiFi, IEEE 등과 같은 무선 통신 프로토콜에 따라 외부 네트워크에 연결되어 외부 장치(미도시) 및 음성 인식 서버(미도시)와 통신을 수행하는 모듈이다. 이 밖에 무선 통신 모듈은 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), LTE-A(LTE Advanced), 5세대 네트워크(5G Networks) 등과 같은 다양한 이동 통신 규격에 따라 이동 통신망에 접속하여 통신을 수행하는 이동 통신 모듈을 더 포함할 수도 있다.
입력 인터페이스(160)는 디스플레이 장치(100)를 제어하기 위한 사용자 입력을 수신할 수 있다. 입력 인터페이스(160)는 이미지 처리와 관련된 복수의 옵션 중 하나를 선택하고, 선택된 옵션에 대한 옵션 값을 변경하는 사용자 입력을 입력 받을 수 있다. 입력 인터페이스(160)는 도 7에 도시된 바와 같이, 사용자 음성을 마이크, 사용자의 손 또는 스타일러스 펜 등을 이용한 사용자 터치를 입력받기 위한 터치 패널, 사용자 조작을 입력받기 위한 버튼 등이 포함될 수 있다. 그러나, 도 7에 도시된 입력 인터페이스(160)의 예는 일 실시예에 불과할 뿐, 다른 입력 장치(예로, 키보드, 마우스, 모션 입력부 등)로 구현될 수 있다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 디스플레이 장치(100)에서의 처리동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium)에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 특정 기기의 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 디스플레이 장치(100)의 처리 동작을 상술한 특정 기기가 수행하도록 한다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
또한, 이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해돼서는 안 될 것이다.

Claims (15)

  1. 디스플레이 장치에 있어서,
    복수의 노드로 구성되고 상기 복수의 노드 중 적어도 하나의 노드는 변수항을 갖는 학습 모델을 이용하여 입력된 영상에 대한 이미지 처리를 수행하는 이미지 프로세서;
    상기 이미지 처리된 영상을 표시하는 디스플레이; 및
    상기 이미지 처리와 관련된 옵션 값이 변경되면 상기 변경된 옵션 값에 대응되도록 상기 변수항의 값을 가변하고, 상기 가변된 변수항 값을 갖는 학습 모델로 이미지 처리가 수행되도록 상기 이미지 프로세서를 제어하는 프로세서;를 포함하는 디스플레이 장치.
  2. 제1항에 있어서,
    상기 학습 모델은,
    복수의 레이어 및 상기 복수의 레이어 각각에 배치되는 복수의 노드로 포함하고,
    상기 변수항을 갖는 상기 적어도 하나의 노드는, 상기 복수의 레이어 중 임의의 레이어에 배치되는 디스플레이 장치.
  3. 제1항에 있어서,
    상기 프로세서는,
    상기 이미지 처리와 관련된 옵션 값이 증가하면, 상기 변수항에 포함된 제어 파라미터의 값을 증가시켜 상기 변수항의 값을 증가시키고 상기 증가된 변수항의 값을 갖는 학습 모델로 이미지 처리가 수행되도록 이미지 프로세서를 제어하는, 디스플레이 장치.
  4. 제1항에 있어서,
    상기 프로세서는,
    상기 이미지 처리와 관련된 옵션 값이 감소하면, 상기 변수항에 포함된 제어 파라미터의 값을 감소시켜 상기 변수항의 값을 감소시키고 상기 감소된 변수항의 값을 갖는 학습 모델로 이미지 처리가 수행되도록 이미지 프로세서를 제어하는,디스플레이 장치
  5. 제1항에 있어서,
    상기 이미지 프로세서는,
    상기 입력된 영상에 대응되는 특징 맵(feature map)을 생성하고, 상기 생성된 특징 맵(feature map)에 기초하여 상기 변수항의 값을 생성하는 디스플레이 장치.
  6. 제1항에 있어서,
    상기 학습 모델은, 복수의 이미지 처리 옵션 각각에 대응되는 복수의 변수항을 포함하고,
    상기 프로세서는,
    복수의 이미지 처리 옵션 중 적어도 하나의 이미지 처리 옵션에 대한 옵션 값이 변경되면, 상기 복수의 변수항 중 상기 이미지 처리 옵션에 대응되는 변수항에 대한 값을 가변하는 디스플레이 장치.
  7. 제1항에 있어서,
    상기 이미지 처리는,
    상기 입력된 영상의 화이트 밸런스(white balance) 조절, 컬러 조정(color adjustment), 색 필터 배열 보간(color filter array interpolation), 노이즈 감소(noise reduction) 처리, 샤프닝(sharpening), 이미지 개선(image enhancement), 밝기 조절(brightness adjustment) 등의 다양한 처리를 포함하는 디스플레이 장치.
  8. 영상 처리 방법에 있어서,
    영상을 표시하는 단계;
    복수의 노드로 구성되고 상기 복수의 노드 중 적어도 하나의 노드는 변수항을 갖는 학습 모델을 이용하여 상기 표시된 영상에 대한 이미지 처리를 수행하는 단계; 및
    상기 이미지 처리된 영상을 표시하는 단계;를 포함하고,
    상기 이미지 처리를 수행하는 단계는,
    상기 이미지 처리와 관련된 옵션 값이 변경되면, 상기 변경된 옵션 값에 대응되도록 상기 변수항의 값을 가변하는 단계;를 포함하는 영상 처리 방법.
  9. 제8항에 있어서,
    상기 학습 모델은,
    복수의 레이어 및 상기 복수의 레이어 각각에 배치되는 복수의 노드로 구성되고,
    상기 변수항을 갖는 상기 적어도 하나의 노드는, 상기 복수의 레이어 중 임의의 레이어에 배치되는, 영상 처리 방법.
  10. 제8항에 있어서,
    상기 변수항의 값을 가변하는 단계는,
    상기 이미지 처리와 관련된 옵션 값이 증가하면, 상기 변수항에 포함된 제어 파라미터의 값을 증가시켜 상기 변수항의 값을 증가시키고 상기 증가된 변수항의 값을 갖는 학습 모델로 이미지 처리를 수행하는 단계;를 포함하는 영상 처리 방법.
  11. 제8항에 있어서,
    상기 변수항의 값을 가변하는 단계는,
    상기 이미지 처리와 관련된 옵션 값이 감소하면, 상기 변수항에 포함된 제어 파라미터의 값을 감소시켜 상기 변수항의 값을 감소시키고 상기 감소된 변수항의 값을 갖는 학습 모델로 이미지 처리를 수행하는 단계;를 포함하는 영상 처리 방법.
  12. 제8항에 있어서,
    표시된 영상에 대응되는 특징 맵(feature map)을 생성하는 단계; 및
    상기 생성된 특징 맵(feature map)에 기초하여 상기 변수항의 값을 생성하는 단계;를 더 포함하는 영상 처리 방법.
  13. 제8항에 있어서,
    상기 학습 모델은, 복수의 이미지 처리 옵션 각각에 대응되는 복수의 변수항을 포함하고,
    상기 변수항의 값을 가변하는 단계는,
    상기 복수의 이미지 처리 옵션 중 적어도 하나의 이미지 처리 옵션에 대한 옵션 값이 변경되면, 상기 복수의 변수항 중 상기 이미지 처리 옵션에 대응되는 변수항에 대한 값을 가변하는 단계;를 포함하는, 영상 처리 방법.
  14. 제8항에 있어서,
    상기 이미지 처리는,
    상기 표시된 영상의 화이트 밸런스(white balance) 조절, 컬러 조정(color adjustment), 색 필터 배열 보간(color filter array interpolation), 노이즈 감소(noise reduction) 처리, 샤프닝(sharpening), 이미지 개선(image enhancement), 밝기 조절(brightness adjustment) 등의 다양한 처리를 포함하는, 영상 처리 방법.
  15. 디스플레이 장치에서의 영상 처리 방법을 실행하기 위한 프로그램을 포함하는 컴퓨터 판독가능 기록 매체에 있어서,
    복수의 노드로 구성되고 상기 복수의 노드 중 적어도 하나의 노드는 변수항을 갖는 학습 모델을 이용하여 입력된 영상에 대한 이미지 처리를 수행하는 단계; 및
    상기 이미지 처리된 영상을 제공하는 단계;를 포함하고,
    상기 이미지 처리를 수행하는 단계는,
    상기 이미지 처리와 관련된 옵션 값이 변경되면, 상기 변경된 옵션 값에 대응되도록 상기 변수항의 값을 가변하는 단계;를 포함하는 컴퓨터 판독가능 기록매체.
PCT/KR2020/007441 2019-09-16 2020-06-09 디스플레이 장치 및 이의 영상 처리 방법 WO2021054572A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0113778 2019-09-16
KR1020190113778A KR20210032247A (ko) 2019-09-16 2019-09-16 디스플레이 장치 및 이의 영상 처리 방법

Publications (1)

Publication Number Publication Date
WO2021054572A1 true WO2021054572A1 (ko) 2021-03-25

Family

ID=74884647

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/007441 WO2021054572A1 (ko) 2019-09-16 2020-06-09 디스플레이 장치 및 이의 영상 처리 방법

Country Status (2)

Country Link
KR (1) KR20210032247A (ko)
WO (1) WO2021054572A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190042429A (ko) * 2017-10-15 2019-04-24 알레시오 주식회사 이미지 처리 방법
KR20190057854A (ko) * 2017-11-21 2019-05-29 연세대학교 산학협력단 데이터 입출력 포화 검출 장치 및 방법
US20190220746A1 (en) * 2017-08-29 2019-07-18 Boe Technology Group Co., Ltd. Image processing method, image processing device, and training method of neural network
KR20190094042A (ko) * 2018-02-02 2019-08-12 엘지전자 주식회사 인공지능을 이용한 파라미터 학습에 기반한 공기조화기, 클라우드 서버, 공기조화기의 구동 및 제어 방법
KR20190099914A (ko) * 2018-02-20 2019-08-28 삼성전자주식회사 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190220746A1 (en) * 2017-08-29 2019-07-18 Boe Technology Group Co., Ltd. Image processing method, image processing device, and training method of neural network
KR20190042429A (ko) * 2017-10-15 2019-04-24 알레시오 주식회사 이미지 처리 방법
KR20190057854A (ko) * 2017-11-21 2019-05-29 연세대학교 산학협력단 데이터 입출력 포화 검출 장치 및 방법
KR20190094042A (ko) * 2018-02-02 2019-08-12 엘지전자 주식회사 인공지능을 이용한 파라미터 학습에 기반한 공기조화기, 클라우드 서버, 공기조화기의 구동 및 제어 방법
KR20190099914A (ko) * 2018-02-20 2019-08-28 삼성전자주식회사 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체

Also Published As

Publication number Publication date
KR20210032247A (ko) 2021-03-24

Similar Documents

Publication Publication Date Title
WO2020111574A1 (en) System and method for incremental learning
WO2020111647A1 (en) Multi-task based lifelong learning
WO2021261696A1 (en) Visual object instance segmentation using foreground-specialized model imitation
WO2019156283A1 (en) Dynamic memory mapping for neural networks
WO2019135523A1 (ko) 전자장치, 그 제어방법 및 컴퓨터프로그램제품
WO2020027454A1 (en) Multi-layered machine learning system to support ensemble learning
WO2020060223A1 (ko) 애플리케이션의 번역 정보를 제공하는 디바이스 및 방법
WO2019245186A1 (ko) 전자 장치 및 그의 제어 방법
WO2019098418A1 (ko) 뉴럴 네트워크 학습 방법 및 디바이스
EP3698259A1 (en) Method and system for classifying time-series data
WO2019050297A1 (ko) 뉴럴 네트워크 학습 방법 및 장치
WO2020222378A1 (en) Convolution streaming engine for deep neural networks
WO2022097927A1 (en) Method of live video event detection based on natural language queries, and an apparatus for the same
US11145088B2 (en) Electronic apparatus and method for controlling thereof
WO2023229305A1 (en) System and method for context insertion for contrastive siamese network training
WO2021054572A1 (ko) 디스플레이 장치 및 이의 영상 처리 방법
WO2021085785A1 (en) Electronic apparatus and method for controlling thereof
WO2023058969A1 (en) Machine learning model compression using weighted low-rank factorization
WO2020101121A1 (ko) 딥러닝 기반의 영상분석 방법, 시스템 및 휴대 단말
WO2022139327A1 (en) Method and apparatus for detecting unsupported utterances in natural language understanding
WO2022108008A1 (en) Electronic apparatus and controlling method thereof
WO2022108019A1 (en) Electronic device and method for optimizing user interface of application
WO2020171574A1 (en) System and method for ai enhanced shutter button user interface
WO2021107592A1 (en) System and method for precise image inpainting to remove unwanted content from digital images
WO2021045434A1 (ko) 전자 장치 및 이의 제어 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20865836

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20865836

Country of ref document: EP

Kind code of ref document: A1