WO2021060721A1 - 전자 장치 및 그의 이미지 처리 방법 - Google Patents

전자 장치 및 그의 이미지 처리 방법 Download PDF

Info

Publication number
WO2021060721A1
WO2021060721A1 PCT/KR2020/011419 KR2020011419W WO2021060721A1 WO 2021060721 A1 WO2021060721 A1 WO 2021060721A1 KR 2020011419 W KR2020011419 W KR 2020011419W WO 2021060721 A1 WO2021060721 A1 WO 2021060721A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
processor
region
perturbation data
electronic device
Prior art date
Application number
PCT/KR2020/011419
Other languages
English (en)
French (fr)
Inventor
정문환
김윤상
배수정
최인호
허선
Original Assignee
삼성전자 주식회사
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 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Publication of WO2021060721A1 publication Critical patent/WO2021060721A1/ko
Priority to US17/571,664 priority Critical patent/US20220130019A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/70—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer
    • G06F21/82—Protecting input, output or interconnection devices
    • G06F21/83—Protecting input, output or interconnection devices input devices, e.g. keyboards, mice or controllers thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Definitions

  • the wireless communication module 192 uses subscriber information stored in the subscriber identification module 196 (eg, International Mobile Subscriber Identifier (IMSI)) in a communication network such as the first network 198 or the second network 199.
  • IMSI International Mobile Subscriber Identifier
  • the electronic device 101 can be checked and authenticated.
  • the processor 210 may generate perturbation data on a region including at least a part of a face recognized from an image based on at least one machine learning model.
  • the processor 210 may generate perturbation data on a region including at least a part of a face, the processing speed of a machine learning model may be improved compared to a case of generating perturbation data on an entire image.
  • the synthesis module 215 may have an encoder-decoder structure based on a convolutional neural network. According to various embodiments, the synthesis module 215 may be trained in a direction that minimizes the loss L M.
  • L f may mean a loss regarding the degree of change of the extracted face area.
  • the synthesis module 215 may be trained in a direction that minimizes the L f value.
  • L f can be measured through Equation 5 below.
  • the processor 210 may extract a face region recognized from the original image 511.
  • the processor 210 may generate perturbation data 520 about the face region extracted from the original image 511 and apply it to the face region extracted from the original image 511.
  • the processor 210 may synthesize the face region to which the perturbation data 520 is applied with the original image 511.
  • the modified image 513 may be an image to which the perturbation data 520 is applied to the face area of the original image 511.
  • the transformed image 513 is input to a machine learning model for image recognition, it may cause a malfunction of the machine learning model.
  • the machine learning model recognizes that the object included in the deformed image 513 is not a person, recognizes the object included in the image as another person, or A person's gender can be misrecognized.
  • the image recognition rate in the machine learning model may be relatively decreased as the intensity of the perturbation data is relatively high.
  • the first image 610 is a deformed image generated by applying perturbation data with an applied strength of "0.5" to the original image.
  • the machine learning model may determine the gender of a person included in the original image with an accuracy of 76.14%.
  • the processor of the electronic device 101 includes at least a part of a face in an image to be transmitted to an external device in operation 710. You can recognize the area you are doing.
  • the processor 210 may analyze an image based on a machine learning model for image recognition or a computer vision-based algorithm to recognize at least a part of a face or a region including the entire face.
  • the processor 210 may apply the perturbation data to a region including at least a part of a user recognized in the image.

Abstract

본 문서에 개시된 다양한 실시예에 따른 전자 장치는 통신 회로, 프로세서; 및 상기 프로세서에 작동적으로 연결된 메모리를 포함할 수 있다. 다양한 실시예에 따른 상기 메모리는, 실행 시에, 상기 프로세서가 외부 장치로 전송하고자 하는 이미지에서 얼굴의 적어도 일부를 포함하는 영역을 인식하고, 상기 메모리에 저장된 머신 러닝 모델에 기초하여, 상기 인식한 영역에 관한 섭동 데이터를 생성하고, 상기 섭동 데이터를 상기 인식한 영역에 적용하고, 상기 섭동 데이터가 적용된 이미지를 상기 외부 장치로 전송하도록 제어하는 인스트럭션들을 저장할 수 있다. 이 밖의 다양한 실시예가 가능하다.

Description

전자 장치 및 그의 이미지 처리 방법
본 문서에 개시된 다양한 실시예들은, 전자 장치 및 그의 이미지 처리에 관한 것이다. 예를 들어, 전자 장치에서 머신 러닝 알고리즘을 이용하여 이미지를 처리하는 장치 및 방법에 관한 것이다.
인공지능(artificial intelligence, AI) 기술은 인간 수준의 지능을 컴퓨터 시스템을 통해 구현하는 기술로써, 머신 러닝 알고리즘을 통해 스스로 학습할 수 있다. 머신 러닝 알고리즘은 입력된 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘이다.
전자 장치(또는 기계)는 인공지능 기술이 발달함에 따라, 스스로 인공지능 기술을 이용하여 이미지를 분석하고, 이미지에 포함된 객체를 분류 또는 판단할 수 있게 되었다.
인공지능 기술을 사용하는 전자 장치는 이미지 인식에 관한 인공지능 기술의 발달로, 인터넷 상의 많은 양의 이미지들을 머신 러닝을 위한 데이터베이스로 수집할 수 있다. 이 경우, 인터넷 상에 유포된 생체 정보가 포함된 이미지(예를 들어, 셀프 카메라 이미지(selfie))들은 이미지에 포함된 사람(또는 동물)의 의사와 무관하게 분석될 수 있다. 또한, 생체 정보가 포함된 이미지들은 2차 가공되어 악용(예를 들어, 가짜 뉴스)될 수도 있다.
전자 장치는 이미지에 포함된 개인 정보들을 보호하기 위하여, 이미지를 저장할 때 암호화할 수 있다. 하지만, 전자 장치는 이미지를 외부(예: 인터넷 상의 오픈된 공간)로 공유하는 경우(예: SNS 업로드, 메신저를 통한 이미지 전송), 암호화된 이미지를 복호화하여 외부로 전송하므로, 외부로 공유되는 이미지에 포함된 개인 정보를 보호하지 못할 수 있다.
전자 장치는 이미지에 포함된 개인 정보들을 보호하기 위하여, 이미지를 변형(예: 이미지에 블러(blur) 처리, 이모티콘 삽입)할 수 있다. 하지만, 전자 장치는 이미지를 변형하는 경우, 이미지 열화 현상이 발생하거나, 이미지에 포함된 객체가 사람이 식별할 수 없는 정도로 변형될 수 있다. 전자 장치는 이미지에 포함된 개인 정보들을 보호하기 위하여 이미지에 워터마크(watermark)를 삽입하는 경우에도 이미지의 오용 또는 악용 자체를 막지 못할 수 있다.
본 문서에 개시된 다양한 실시예는 전자 장치에서 이미지의 오용 또는 악용을 방지하기 위해 이미지를 처리하기 위한 장치 및 방법에 대해 개시한다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치는 통신 회로, 프로세서, 및 상기 프로세서에 작동적으로 연결된 메모리를 포함할 수 있다. 다양한 실시예에 따른 상기 메모리는, 실행 시에, 상기 프로세서가 외부 장치로 전송하고자 하는 이미지에서 얼굴의 적어도 일부를 포함하는 영역을 인식하고, 상기 메모리에 저장된 머신 러닝 모델에 기초하여, 상기 인식한 영역에 관한 섭동 데이터를 생성하고, 상기 섭동 데이터를 상기 인식한 영역에 적용하고, 상기 섭동 데이터가 적용된 이미지를 상기 외부 장치로 전송하도록 제어하는 인스트럭션들을 저장할 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치의 이미지 처리 방법은, 외부 장치로 전송하고자 하는 이미지에서 얼굴의 적어도 일부를 포함하는 영역을 인식하는 동작, 머신 러닝 모델에 기초하여, 상기 인식한 영역에 관한 섭동 데이터를 생성하는 동작, 상기 섭동 데이터를 상기 인식한 영역에 적용하는 동작 및 상기 섭동 데이터가 적용된 이미지를 상기 외부 장치로 전송하는 동작을 포함할 수 있다.
본 개시의 다양한 실시예에 따른 전자 장치는 이미지에 섭동 데이터(perturbation, adversarial perturbation)를 더함으로써(적용함으로써), 이미지 인식을 위한 머신 러닝 알고리즘의 오동작을 유발하여, 이미지에 포함된 사람의 의도와 무관하게 이미지가 오용 또는 악용되는 것을 방지할 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치는, 외부 장치로 이미지를 전송할 때 이미지에 섭동 데이터를 더한 수정된 이미지를 외부 장치로 전송함으로써 외부로 공유되는 이미지의 오용 또는 악용을 방지할 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치는, 머신 러닝 알고리즘에 기초하여 섭동 데이터를 생성하고, 생성한 섭동 데이터를 이미지에 적용함으로써, 사람이 시각적으로 인지하지 못하는 정도의 변형만으로도 머신 러닝 알고리즘의 오작동을 유발할 수 있다.
도 1은 본 개시의 다양한 실시예에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 본 개시의 다양한 실시예에 따른 전자 장치의 블록도이다.
도 3은 본 개시의 다양한 실시예에 따른 이미지를 처리하는 방법을 도시한 도면이다.
도 4는 본 개시의 다양한 실시예에 따른 외부 장치로 전송된 이미지가 사용되는 환경을 도시한 도면이다.
도 5a 및 도 5b는 본 개시의 다양한 실시예에 따른 이미지에 섭동 데이터를 적용한 이미지를 생성하는 방법을 도시한 도면이다.
도 6은 본 개시의 다양한 실시예에 따른 이미지에 섭동 데이터를 적용하는 강도를 다르게 설정하여 생성한 이미지들을 도시한 도면이다.
도 7은 본 개시의 다양한 실시예에 따른 전자 장치의 동작 흐름도이다.
도 8은 본 개시의 다양한 실시예에 따른 전자 장치의 동작 흐름도이다.
도 9는 본 개시의 다양한 실시예에 따른 전자 장치의 동작 흐름도이다.
도 10은 본 개시의 다양한 실시예에 따른 전자 장치의 동작 흐름도이다.
도 1 은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108)와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 장치(150), 음향 출력 장치(155), 표시 장치(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 표시 장치(160) 또는 카메라 모듈(180))가 생략되거나, 하나 이상의 다른 구성 요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들은 하나의 통합된 회로로 구현될 수 있다. 예를 들면, 센서 모듈(176)(예: 지문 센서, 홍채 센서, 또는 조도 센서)은 표시 장치(160)(예: 디스플레이)에 임베디드된 채 구현될 수 있다
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)을 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 로드하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 및 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 추가적으로 또는 대체적으로, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 또는 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 표시 장치(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성 요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 장치(150)는, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 장치(150)는, 예를 들면, 마이크, 마우스, 키보드, 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 장치(155)는 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 장치(155)는, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있고, 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
표시 장치(160)는 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 표시 장치(160)는, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 표시 장치(160)는 터치를 감지하도록 설정된 터치 회로(touch circuitry), 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 센서 회로(예: 압력 센서)를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 장치(150)를 통해 소리를 획득하거나, 음향 출력 장치(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성 요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108))간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi direct 또는 IrDA(infrared data association) 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부 장치와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성 요소(예: 단일 칩)으로 통합되거나, 또는 서로 별도의 복수의 구성 요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 및 인증할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 하나의 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC)이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부 장치(102, 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부 장치들(102, 104, 또는 108) 중 하나 이상의 외부 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다.
도 2는 본 개시의 다양한 실시예에 따른 전자 장치의 블록도이다.
도 2를 참조하면, 다양한 실시예에 따른 전자 장치(101)는 프로세서(210)(예: 도 1의 프로세서(120)), 메모리(220)(예: 도 1의 메모리(130)), 통신 회로(230)(예: 도 1의 통신 모듈(190)), 디스플레이(240)(예: 도 1의 표시 장치(160)) 및/또는 카메라(250)(예: 도 1의 카메라 모듈(180))를 포함할 수 있다. 도 2에 도시된 구성 중 일부가 생략 또는 치환되더라도 본 문서에 개시된 다양한 실시예를 구현함에는 지장이 없을 것이다.
다양한 실시예에 따르면, 프로세서(210)는 전자 장치(101)의 각 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 수행할 수 있는 구성일 수 있다. 예를 들어, 프로세서(210)는 전자 장치(101)의 구성 요소들(예: 메모리(220), 통신 회로(230), 디스플레이(240) 및/또는 카메라(250))과 작동적으로 연결될 수 있다. 프로세서(210)는 전자 장치(101)의 다른 구성 요소로부터 수신된 명령 또는 데이터를 메모리(220)에 로드(load)하고, 메모리(220)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 저장할 수 있다.
다양한 실시예에 따르면, 메모리(220)는 프로세서(210)의 동작에 대한 인스트럭션들을 저장할 수 있다. 다양한 실시예에 따르면, 메모리(220)는 적어도 하나의 머신 러닝 모델을 저장할 수 있다.
다양한 실시예에 따르면, 통신 회로(230)는 외부 장치(예: 도 1의 전자 장치(102) 또는 전자 장치(104))와 통신 채널을 설립하고, 외부 장치와 다양한 데이터를 송수신할 수 있다. 다양한 실시예에 따르면, 통신 회로(230)는 셀룰러 통신 모듈을 포함하여 셀룰러 네트워크(예: 3G(3 generation), LTE(long term evolution), 5G(5 generation), Wibro 또는 Wimax)에 연결되도록 구성할 수 있다. 다양한 실시예에 따르면, 통신 회로(230)는 근거리 통신 모듈을 포함하여 근거리 통신(예를 들면, Wi-Fi, Bluetooth, Bluetooth Low Energy(BLE), UWB(ultra wide band))을 이용해 외부 장치(101)와 데이터 송수신을 할 수 있으나, 이에 제한되지 않는다.
다양한 실시예에 따르면 통신 회로(230)는 비접촉식 통신을 위한 비접촉 통신 모듈을 포함할 수 있다. 예를 들어, 비접촉식 통신은 NFC(near field communication) 통신, RFID(radio frequency identification) 통신 또는 MST(magnetic secure transmission) 통신과 같이 적어도 하나의 비접촉 방식의 근접 통신 기술을 포함할 수 있다.
다양한 실시예에 따르면, 디스플레이(240)는 프로세서(210)의 제어에 기반하여 다양한 화면을 표시할 수 있다. 다양한 실시예에 따르면, 카메라(250)는 정지 영상 또는 동영상을 촬영하여 이미지를 획득할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 전자 장치(101)의 메모리(220)에 저장된 이미지를 외부 장치로 전송하는 경우, 원본 이미지가 아닌 머신 러닝 모델을 통해 이미지 인식이 부정확하게 수행되도록 처리된 이미지(변형 이미지 또는 합성 이미지)를 전송할 수 있다. 다양한 실시예에 따르면, 이미지는 사진(picture) 또는 동영상(video)을 포함할 수 있다. 다양한 실시예에 따르면, 메모리(220)에 저장된 이미지는 카메라(250)를 통해 획득하여 저장된 이미지 및/또는, 외부 장치로부터 수신하여 저장된 이미지를 포함할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 외부 장치로 전송하고자 하는 이미지에서 얼굴의 적어도 일부를 포함하는 영역을 인식할 수 있다. 다양한 실시예에 따르면, 프로세서(210)는 머신 러닝 모델에 기초하여, 외부 장치로 전송하고자 하는 이미지에서 얼굴의 적어도 일부를 포함하는 영역을 인식할 수 있다. 예를 들어, 프로세서(210)는 전자 장치(101)에 저장된 이미지들 중 일부에 대하여 외부 장치로 전송하기 위한 사용자 입력을 수신할 수 있다. 예를 들어, 이미지를 외부 장치로 전송하는 경우는 이미지를 SNS(social network service)에 업로드하는 경우(SNS 서버 장치로 전송하는 경우), 메신저를 통해 다른 사용자에게 이미지를 전송하는 경우 또는 인터넷 홈페이지에 이미지를 업로드 하는 경우를 포함할 수 있으며, 상기의 경우들뿐만 아니라 전자 장치(101)에 저장된 이미지를 외부 장치로 전송(또는 공유)하는 모든 경우를 포함할 수 있다. 프로세서(210)는 이미지를 외부 장치로 전송하는 요청에 응답하여 이미지에서 얼굴의 적어도 일부를 포함하는 영역을 인식할 수 있다. 예를 들어, 프로세서는 이미지에서 전체 얼굴 영역 및/또는 얼굴의 일부를 포함하는 영역을 인식할 수 있다.
다양한 실시예에 따르면, 프로세서(210)는 이미지에서 눈 영역, 손목 영역 또는 지문 영역 중 적어도 하나를 포함하는 영역을 인식할 수도 있다. 예를 들어, 프로세서(210)는 머신 러닝 모델에 기초하여, 외부로 전송하고자 하는 이미지에서 눈 영역, 손목 영역 또는 지문 영역 중 적어도 하나를 포함하는 영역을 인식할 수 있다. 상기 영역들 외에도 이미지 인식을 수행할 수 있는 모든 영역을 포함할 수 있다. 이하에서는 설명의 편의를 위하여 얼굴 영역을 인식하는 경우로 설명하겠다.
다양한 실시예에 따른 프로세서(210)는 머신 러닝 모델에 기초하여, 인식한 얼굴 영역에 관한 섭동 데이터(perturbation, adversarial perturbation, adversarial example)를 생성할 수 있다. 예를 들어, 섭동 데이터는 머신 러닝 모델의 오작동을 유발하기 위한 패턴(pattern) 또는 노이즈(noise)일 수 있다. 예를 들어, 섭동 데이터는 학습된 이미지 인식을 위한 머신 러닝 모델을 속이기 위하여, 원본 이미지에 더하는 패턴 또는 노이즈일 수 있다. 예를 들어, 섭동 데이터는 작은 크기를 갖는 무작위 값일 수 있다. 예를 들어, 섭동 데이터는, 원본 이미지의 픽셀 값의 범위(pixel range)(예: 0~255) 대비 1/50 이하의 픽셀 값의 범위(예: 0~5)를 갖는 값일 수 있다. 섭동 데이터가 적용된 이미지는 머신 러닝 모델의 분류(classification) 모델, 포즈 추정(pose estimation) 모델 또는 의미론적 분할(semantic segmentation) 모델의 오동작을 유발할 수 있다. 예를 들어, 섭동 데이터가 적용된 이미지는 머신 러닝 모델을 통한 이미지 내에 포함된 객체(예: 사람)의 종류, 종(species) 또는 성별의 분류가 잘못 수행되어 인식 정확도가 낮을 수 있다. 예를 들어, 프로세서(210)는 머신 러닝 모델에 기초하여 인식한 얼굴 영역의 이미지에 기반하여 얼굴 영역에 관한 섭동 데이터를 생성할 수 있다. 일예로, 섭동 데이터는 머신 러닝 모델에 입력되는 이미지에 따라 생성되는 패턴 또는 노이즈를 포함할 수 있다. 본 문서의 다양한 실시예에서 기술된 용어 중 보안 필터(secure filter)는 섭동 데이터를 의미할 수 있다.
다양한 실시예에 따르면, 머신 러닝(machine learning)은 인공지능의 한 분야로서 인간의 학습 능력과 같은 기능을 전자 장치(101)(예: 컴퓨터)에서 실현시킬 수 있는 다양한 기계 학습 방법을 포함할 수 있다. 머신 러닝 모델은 인공 신경망에 기반한 딥 러닝(deep learning) 모델을 포함할 수 있다. 예를 들어, 머신 러닝 모델은 심층 신경망(deep neural network, DNN), 순환 신경망(recurrent neural network, RNN), 콘볼루션 신경망(convolution neural network, CNN), 생성적 적대 신경망(generative adversarial network, GAN), 분류-회귀 분석을 위한 머신 러닝 모델(예: support vector machine(SVM)) 또는 강화 학습 모델(reinforcement learning, RL)일 수 있다. 예를 들어, 머신 러닝 모델은 콘볼루션 신경망 기반의 인코더(encoder)-디코더(decoder) 형태의 생성자(generator)(예를 들어, GAN의 생성자)일 수 있다.
다양한 실시예에 따른 프로세서(210)는, 적어도 하나의 머신 러닝 학습기로 학습된 모델에 기초하여 학습된 머신 러닝 모델을 활용하여, 원본 이미지에 적용할 섭동 데이터를 생성하거나, 원본 이미지에 변형(섭동)을 가한 새로운 이미지를 생성해 낼 수 있다. 다양한 실시예에 따른 머신 러닝 모델은 메모리(220)에 저장될 수 있다.
다양한 실시예에 따른 콘볼루션 신경망 기반의 생성자는 다양한 형태의 네트워크 구조를 가질 수 있다. 예를 들어, 생성자는 콘볼루션에 기반한 인코더-디코더를 가진 U-Net을 포함할 수 있다. 생성자는 이미지들로부터 학습된 정보에 기반하여 섭동 데이터를 생성할 수 있다. 섭동 데이터는 원본 이미지에 적용됨으로써 원본 이미지에 대응하는 변형 이미지(또는 합성 이미지)가 생성될 수 있다. 혹은, 생성자는 이미지들로부터 학습된 정보에 기반하여, 새로운 이미지를 생성할 수 있다. 생성자에 의해 새롭게 생성된 이미지는 원본 이미지를 모방하면서 변형(섭동)을 가진 이미지일 수 있다.
다양한 실시예에 따른 머신 러닝 모델은 콘볼루션 신경망으로 생성적 적대 신경망(generative adversarial network, GAN)이 사용되는 경우 생성자(generator) 및 감식자(discriminator)를 포함할 수 있다.
다양한 실시예에 따른 프로세서(210)(예: 생성자)에 의해 변형된 이미지는 사람의 육안으로는 원본 이미지와 구별하기 어렵고, 머신 러닝 모델의 오동작을 유발하는 이미지일 수 있다.
다양한 실시예에 따른 강화 학습(reinforcement learning) 모델은 이미지에 관한 섭동 데이터를 생성한 후 강화 학습으로 업데이트 할 수 있다. 강화 학습 모델은 감식자를 통해 생성자에 의해 생성된 섭동 데이터에 관한 상태(state) 정보 및 보상(reward) 정보를 생성할 수 있다. 생성자는 감식자에 의해 생성된상태 정보 및 보상 정보에 기초하여 섭동 데이터를 업데이트 할 수 있다. 예를 들어, 상태 정보는 현재 주어진 상태에 관한 정보를 의미할 수 있다. 예를 들어, 보상 정보는 현재 주어진 상태에서 특정 행동(action)을 취했을 때 얻을 수 있는 정보일 수 있다. 예를 들어, 현재 주어진 상태에 관한 정보는 변형된 이미지의 원본 이미지 대비 변형된 정도 또는 변형된 이미지에 대한 인식 정확도를 포함할 수 있다. 예를 들어, 프로세서(201)는 보상 정보 값이 작은 경우 생성자가 제대로 동작하지 않는 것을 판단하여 생성자를 통해 섭동 데이터의 업데이트 시 변화량을 증가시킬 수 있다. 예를 들어, 변형된 이미지의 원본 이미지 대비 변형 정도를 d라고 하면, 보상 정보는
Figure PCTKR2020011419-appb-I000001
로 표시될 수 있다. 프로세서(210)는 보상 정보를 이용하여 이미지의 변형 정도를 업데이트 할 수 있다. 하기의 수학식 1은 변형 정도를 업데이트 하기 위한 식이다.
Figure PCTKR2020011419-appb-M000001
다양한 실시예에 따른 프로세서(210)는, 적어도 하나의 머신 러닝 모델에 기초하여, 이미지에 관한 섭동 데이터를 생성할 수 있다.
다양한 실시예에 따른 프로세서(210)는 적어도 하나의 머신 러닝 모델에 기초하여, 이미지로부터 인식한 얼굴의 적어도 일부를 포함하는 영역에 관한 섭동 데이터를 생성할 수 있다. 프로세서(210)는 얼굴의 적어도 일부를 포함하는 영역에 관한 섭동 데이터를 생성하는 경우, 이미지 전체에 관한 섭동 데이터를 생성하는 경우에 비해서 머신 러닝 모델 처리 속도가 향상될 수 있다.
다양한 실시예에 따른 프로세서(210)는 섭동 데이터를 이미지에서 인식한 얼굴의 적어도 일부를 포함하는 영역에 적용할 수 있다. 예를 들어, 프로세서(210)는 섭동 데이터를 기 설정된 적용 강도에 기초하여 이미지에서 인식한 얼굴의 적어도 일부를 포함하는 영역에 적용할 수 있다.
다양한 실시예에 따른 프로세서(210)는 섭동 데이터를 적용한 이미지를 외부 장치로 전송할 수 있다. 다양한 실시예에 따른 프로세서(210)는 섭동 데이터를 적용한 이미지를 메모리(220)에 일시적 또는 영구적으로 저장할 수 있다.
다양한 실시예에 따른 프로세서(210)는 섭동 데이터를 적용한 이미지를 외부 장치로 전송하기 전에 섭동 데이터를 적용한 이미지 및 섭동 데이터를 적용한 이미지에 관한 인식 정확도를 디스플레이(240)를 통해 표시할 수 있다. 전자 장치(101)(또는 프로세서(210))는 전자 장치(101)의 사용자가 외부 장치로 전송될 이미지에 관한 정보를 인지할 수 있도록 섭동 데이터를 적용한 이미지를 외부로 전송하기 전에 섭동 데이터를 적용한 이미지 및 섭동 데이터를 적용한 이미지에 관한 인식 정확도를 디스플레이(240)를 통해 표시할 수 있다. 예를 들어, 전자 장치(101)의 사용자는 외부 장치로 전송될 이미지에 관한 정보를 확인함으로써, 외부 장치로 전송될 이미지의 변형 정도를 인지할 수 있다.
다양한 실시예에 따른 프로세서(210)는 이미지에서 얼굴의 적어도 일부를 포함하는 영역을 추출한 후, 섭동 데이터를 원본 이미지에 적용하여 합성를 생성할 수도 있다. 예를 들어, 프로세서(210)는 이미지에서 얼굴의 적어도 일부를 포함하는 영역을 인식할 수 있다. 프로세서(210)는 얼굴의 적어도 일부를 포함하는 영역을 추출할 수 있다. 프로세서(210)는 추출 정보를 적용한 머신 러닝 모델에 기초하여, 얼굴의 적어도 일부를 포함하는 영역에 관한 섭동 데이터를 생성할 수 있다. 프로세서(210)는 머신 러닝 모델에 기초하여 생성한 섭동 데이터를 추출한 영역에 적용할 수 있다. 프로세서(210)는 섭동 데이터를 적용한 영역과 원본 이미지를 합성할 수 있다. 프로세서(210)는 합성한 이미지를 외부 장치로 전송할 수 있다. 예를 들어, 합성된 이미지는 메모리(220)에 일시적 또는 영구적으로 저장될 수 있다.
다양한 실시예에 따른 프로세서(210)는 이미지에 섭동 데이터를 적용할 강도를 조절할 수 있다. 예를 들어, 프로세서(210)는 사용자 입력에 기초하여 원본 이미지에 섭동 데이터를 적용할 강도(예: 적용 강도)를 설정할 수 있다. 예를 들어, 프로세서(210)는 이미지를 전송할 외부 장치의 종류에 기초하여 섭동 데이터를 적용할 강도를 결정할 수 있다. 예를 들어, 프로세서(210)는 이미지를 분석하여 이미지에서 식별된 객체(예: 사용자)에 기초하여 원본 이미지에 섭동 데이터를 적용할 강도를 결정할 수 있다.
다양한 실시예에 따르면, 프로세서(210)는 이미지를 전자 장치(101) 내에서 사용하는 경우(예: 갤러리 애플리케이션), 원본 이미지를 사용 및 표시할 수 있다. 프로세서(210)는 이미지를 외부 장치(101)로 전송하는 경우, 섭동 데이터가 적용된 이미지(예: 합성 이미지)를 외부 장치(101)로 전송할 수 있다.
도 3은 본 개시의 다양한 실시예에 따른 이미지를 처리하는 방법을 도시한 도면이다.
도 3을 참조하면, 다양한 실시예에 따른 프로세서(210)는 검출 모듈(211)(detecting module) 및 필터링 모듈(213)(filtering module)을 포함할 수 있다. 다양한 실시예에 따른 프로세서(210)는 합성 모듈(215)(merging module)을 더 포함할 수 있다. 검출 모듈(211), 필터링 모듈(213) 및 합성 모듈(215)은 소프트웨어 모듈일 수 있다.
다양한 실시예에 따른 검출 모듈(211)은 검출 모듈(211)로 입력된 이미지(310)(예: 원본 이미지)에서 얼굴의 적어도 일부를 포함하는 영역을 인식(또는 검출)할 수 있다. 검출 모듈(211)은 이미지(310)에서 인식한 얼굴의 적어도 일부를 포함하는 영역(320)을 추출할 수 있다. 검출 모듈(211)은 딥러닝 기반의 SSD(single shot multibox detector) 모듈일 수 있다. 다양한 실시예에 따르면 검출 모듈(211)은 얼굴 영역 외에 눈 영역, 손목 영역 또는 지문 영역 중 적어도 하나를 인식할 수도 있다. 본 도면의 실시예에서는 설명의 편의를 위해 얼굴 영역을 인식하는 경우로 설명하겠다.
다양한 실시예에 따른 필터링 모듈(213)은, 적어도 하나의 머신 러닝 모델에 기초하여 이미지(310)에 관한 섭동 데이터를 생성하고, 섭동 데이터를 이미지(310)의 적어도 일부(예: 얼굴 영역(320))에 적용하여 변형 이미지를 생성할 수 있다. 예를 들어, 필터링 모듈(213)은 검출 모듈(211)에서 인식한 얼굴 영역(320)에 관한 섭동 데이터를 생성하고, 섭동 데이터를 검출 모듈(211)에서 인식한 얼굴 영역(320)에 적용할 수 있다. 다양한 실시예에 따라 필터링 모듈(213)은 검출 모듈(211)에서 얼굴 영역(320)을 추출한 경우, 얼굴 영역(320)에 관한 섭동 데이터를 생성하고, 섭동 데이터를 추출된 얼굴 영역(320)에 적용할 수 있다. 필터링 모듈(213)에서 얼굴 영역(320)에 섭동 데이터를 적용하는 동작은 이미지의 악용을 방지하기 위한 보안 필터를 적용하는 동작으로 표현할 수도 있다. 예를 들어, 필터링 모듈(213)은 콘볼루션 신경망 기반의 인코더-디코더 형태의 생성자, 심층 신경망(deep neural network, DNN), 순환 신경망(recurrent neural network, RNN), 콘볼루션 신경망(convolution neural network, CNN), 생성적 적대 신경망(generative adversarial network, GAN), 분류-회귀를 위한 머신 러닝 알고리즘(support vector machine, SVM) 또는 강화 학습 알고리즘(reinforcement learning, RL) 중 적어도 하나에 기초하여, 검출 모듈(211)에서 추출한 얼굴 영역(320)에 관한 섭동 데이터를 생성할 수 있다. 이하 에서는 머신 러닝 모델을 콘볼루션 신경망 기반의 인코더-디코더 형태의 생성자로 예를 들어 설명하겠으나, 적어도 하나의 머신 러닝 모델 또는 다른 머신 러닝 모듈을 이용해서 수행할 수 있음은 통상의 기술자 입장에서 자명하다.
다양한 실시예에 따른 필터링 모듈(213)은, 생체 정보 악용을 방지하기 위해, 검출 모듈(211)에서 인식한 얼굴 영역(320)에 섭동 데이터를 적용함으로써, 이미지(310)의 적어도 일부(예: 얼굴 영역(320))을 변형할 수 있다. 이미지의 변형은 [-k, k]의 픽셀 값을 갖는 섭동 데이터를 원본 이미지에 더하는 방식으로 적용될 수 있다. 콘볼루션 신경망 기반의 인코더-디코더 형태의 생성자는 손실(LG)을 최소화하는 방향으로 학습될 수 있다.
예를 들어, 생성자의 손실(LG)은 수학식 2와 같이, 3가지 손실을 포함할 수 있다.
Figure PCTKR2020011419-appb-M000002
다양한 실시예에 따르면, LD_fake는 원본 이미지와 변형 이미지(합성 이미지)와의 차이에 관한 손실을 의미할 수 있다. GAN 기반의 학습 시 생성자는 이미지가 원본 이미지인지 섭동 데이터가 적용된 이미지인지 구별하는 감식자와 함께 적대적인(adversarial) 학습을 수행할 수 있다. 원본 이미지와 변형 이미지 간의 차이가 없을수록 LD_fake은 작아질 수 있다.
다양한 실시예에 따르면, Ladv는 섭동 데이터가 적용된 이미지가 머신 러닝 기반의 인식기(예: 얼굴 검출기(face detection), 성별/나이/이미지 인식이기(gender/age/face recognition))를 오작동 시키는 정도와 관련된 손실일 수 있다. 머신 러닝 기반의 인식기를 오작동 시키는 정도가 클수록 Ladv은 작아질 수 있다.
다양한 실시예에 따르면, Lpert는, 섭동 데이터의 크기를 나타내는 값일 수 있다. 섭동 데이터의 크기가 작을수록 Lpert은 작아질 수 있다.
다양한 실시예에 따른 생성자는 섭동 데이터를 적용한 이미지와 원본 이미지의 차이가 작아지도록(LD_fake값이 작아지도록), 섭동 데이터를 적용한 이미지에 관한 머신 러닝 모델의 이미지 인식 정확도가 낮아지도록(Ladv값이 작아지도록), 섭동 데이터의 크기가 작아지도록(Lpert값이 작아지도록) 학습할 수 있다.
다양한 실시예에 따르면, 섭동 데이터는 이미지 인식 또는 얼굴 검출을 위한 머신 러닝 모델을 오동작 시키는 패턴을 가질 수 있다. 상기 패턴은 사람의 육안으로는 구별하기 어려운 수준으로 옅고 자연스럽게 원본 이미지에 적용될 수 있다. 섭동 데이터를 원본 이미지에 적용하는 동작은 하기의 수학식 3에 기초할 수 있다.
Figure PCTKR2020011419-appb-M000003
다양한 실시예에 따르면, 원본 이미지의 픽셀 값 P는 [-1, 1] 범위로 정규화(normalize)될 수 있다. 섭동 데이터(perturb)는, 사용 목적 및 성능에 따라 가중치(w)를 조정하여 P에 더해질 수 있다. 섭동 데이터가 더해진 원본 이미지의 픽셀 값은 tanh 함수, 또는 min/max 함수를 통해 [-1, 1] 값으로 클리핑(clipping)될 수 있다.
다양한 실시예에 따른 필터링 모듈(213)은, 어텐션 맵(attention map) 기법에 기초하여 사람의 관심 영역 및 비관심 영역을 구분할 수 있고, 사람의 비관심 영역에 섭동 데이터를 생성하도록 학습할 수 있다. 예를 들어, 어텐션 맵 기법은 사람의 시각적 집중(visual attention) 현상을 구현하기 위한 신경망적 기법일 수 있다. 예를 들어, 필터링 모듈(213)은 이미지(310)를 분석한 후 눈동자, 수염, 머리카락 또는 얼굴 주변부를 사람의 비 관심 영역으로 결정할 수 있고, 결정된 비관심 영역에 섭동 데이터를 생성할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)의 사용자는 섭동 데이터를 적용할 때의 강도(예: 적용 강도)를 설정할 수 있다. 적용 강도가 상대적으로 높을수록 이미지 인식을 위한 머신 러닝 모델의 오동작 발생 확률이 상대적으로 높아질 수 있다. 예를 들어, 전자 장치(101)의 사용자는 적용 강도를 조절하여 섭동 데이터의 픽셀 값의 크기를 조절할 수 있다. 예를 들어, 전자 장치(101)는 섭동 데이터의 적용 강도가 상대적으로 낮게 설정되는 경우, 원본 이미지의 픽셀 값 범위(예: 0~255) 대비 1/100 수준의 픽셀 값 범위(예: 0~2)를 갖는 섭동 데이터를 생성하여 원본 이미지에 적용할 수 있다. 예를 들어, 전자 장치(101)는 섭동 데이터의 적용 강도를 상대적으로 높게 설정하는 경우, 원본 이미지의 픽셀 값 범위 대비 1/10 수준의 픽셀 값 범위(예: 0~25)를 갖는 섭동 데이터를 생성하여 원본 이미지에 적용할 수 있다.
다양한 실시예에 따른 합성 모듈(215)은 섭동 데이터가 적용된 얼굴 영역(330)을 이미지(310)에 합성하여 합성 이미지(340)를 생성할 수 있다. 예를 들어, 합성 모듈(215)은 섭동 데이터가 적용된 얼굴 영역(330)을 원본 이미지(310)에 합성 후 경계 부분을 자연스럽게 처리할 수 있다. 예를 들어, 합성 모듈(215)은 이미지 합성 시 색 변화를 자연스럽게 처리할 수 있다.
다양한 실시예에 따른 합성 모듈(215)은 콘볼루션 신경망 기반의 인코더-디코더 구조일 수 있다. 다양한 실시예에 따르면, 합성 모듈(215)은 손실(LM)을 최소화하는 방향으로 학습될 수 있다.
다양한 실시예에 따르면, 합성 모듈(215)의 손실(LM)은 수학식 4와 같이, 2가지 손실을 포함할 수 있다.
Figure PCTKR2020011419-appb-M000004
다양한 실시예에 따르면, Lf는 추출한 얼굴 영역의 변화 정도에 관한 손실을 의미할 수 있다. 합성 모듈(215)은 Lf값을 최소화하는 방향으로 학습될 수 있다. Lf는 하기의 수학식 5를 통해 측정할 수 있다.
Figure PCTKR2020011419-appb-M000005
다양한 실시예에 따르면,
Figure PCTKR2020011419-appb-I000002
는 필터링 모듈(213)을 통해 출력된 얼굴 영역의 이미지이고, Mf는 합성 모듈(215)을 통해 출력된 합성 이미지에서의 얼굴 영역의 이미지이다. L1 정규화(least absolute shrinkage selection operator, LASSO) 또는 L2 정규화를 통해 양자의 차이를 측정할 수 있다.
다양한 실시예에 따르면, Lh는 경계부의 영역의 변화 정도에 관한 손실을 의미할 수 있다. 합성 모듈(215)은 Lh값을 최소화하는 방향으로 학습될 수 있다. Lh는 하기의 수학식 6을 통해 측정할 수 있다.
Figure PCTKR2020011419-appb-M000006
다양한 실시예에 따르면, h()는 히스토그램(histogram)을 측정하는 함수일 수 있다. 수학식 6은 경계부 영역(Mb) 및 그 주변부 영역(Mn)의 히스토그램 차이를 나타낼 수 있다. 다양한 실시예에 따르면 히스토그램 차이 대신 픽셀 값 차이를 사용할 수도 있다.
다양한 실시예에 따른 프로세서(210)는, 합성 모듈(215)을 통해 출력된 합성 이미지(340)를 통신 회로(230)를 통해 외부 장치로 전송할 수 있다.
도 3에서는, 합성 모듈(215)을 통해 출력된 합성 이미지(340)의 얼굴 영역에 섭동 데이터가 적용되었다는 점 및 원본 이미지와 다른 이미지라는 점을 강조하기 위하여 과장해서 표현하였으나, 실제 합성 이미지와 원본 이미지는 사용자의 육안으로 구별될 수 없거나 구별되더라도 아주 미세한 차이만 존재할 수 있다.
도 4는 본 개시의 다양한 실시예에 따른 외부 장치로 전송된 이미지가 사용되는 환경을 도시한 도면이다.
도 4를 참조하면, 다양한 실시예에 따른 전자 장치(101)는 외부 장치로 이미지를 전송하는 경우, 원본 이미지에 대응하는 변형 이미지를 전송함으로써, 전자 장치(101)의 사용자의 의도와 무관하게 이미지가 악용 또는 오용되는 것을 방지할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)는 SNS 서버(421)로 이미지(410)를 업로드(upload) 할 수 있다. 예를 들어, SNS 서버(421)로 업로드 하는 이미지는 원본 이미지(410)에 대응하는 변형 이미지일 수 있다. 예를 들어, 변형 이미지는 원본 이미지(410)에 섭동 데이터가 적용된 이미지를 포함할 수 있다. 본 도면에 개시된 실시예에서는 SNS 서버(421)를 예로 들었으나, 이미지를 전송 또는 공유할 수 있는 다양한 외부 장치들에게 적용할 수 있음은 물론이다.
다양한 실시예에 따르면, SNS 서버(421)로 업로드 된 이미지는 다운로드 또는 스크린 캡처를 통해 외부 장치(423)으로 전송될 수 있다. 예를 들어, 외부 장치(423)로 전송된 이미지는 얼굴 합성(예: 얼굴 바꾸기)(431)에 사용될 수 있다. 예를 들어, 외부 장치(423)로 전송된 이미지는 얼굴 인식을 위한 딥 러닝 모델(433)의 학습을 위해 수집될 수 있다, 예를 들어, 외부 장치(423)로 전송된 이미지는 프린터(435)를 통해 인쇄되어 얼굴 인식 시스템이 적용된 장치(예: 모바일 폰, ATM)에 사용될 수 있다.
다양한 실시예에 따르면, 전자 장치(101)는 SNS 서버(421)에 원본 이미지(410)에 대응하는 변형 이미지를 업로드함으로써, 상술한 방법들(431, 433 및/또는 435)을 이용하여 사용자의 의도와 무관하게 이미지가 악용 또는 오용되는 것을 방지할 수 있다. 예를 들어, 변형 이미지(예: 섭동 데이터가 적용된 이미지)는 얼굴 인식을 위한 딥 러닝 모델(433)에 입력시키는 경우, 오동작이 유발되므로, 사용자의 의도와 무관하게 이미지가 오용되는 것을 방지할 수 있다.
다양한 실시예에 따른 전자 장치(101)는 외부 장치(예: SNS 서버(421))로 이미지를 전송 또는 공유하고자 하는 경우, 원본 이미지에 섭동 데이터를 적용한 변형 이미지를 전송 또는 공유함으로써, 전자 장치(101)의 사용자의 의도와 무관하게 이미지가 악용 또는 오용되는 것을 방지할 수 있다.
도 5a 및 5b는 본 개시의 다양한 실시예에 따른 이미지에 섭동 데이터를 적용한 이미지를 생성하는 방법을 도시한 도면이다. 예를 들어, 섭동 데이터(420)는 이미지에 포함된 생체 정보의 오용 또는 악용을 방지하기 위한 보안 필터로 표현될 수 있다. 섭동 데이터(420)는, 도 5a에 개시된 패턴에 제한되는 것은 아니며, 적용 강도에 따라서 패턴의 간격, 크기 또는 모양 중 적어도 하나가 변경될 수 있다.
도 5a를 참조하면, 다양한 실시예에 따른 프로세서(210)는 원본 이미지(511)에서 얼굴 영역을 인식할 수 있다. 프로세서(210)는 얼굴 영역에 관한 섭동 데이터(520)를 생성할 수 있다. 섭동 데이터(520)는 원본 이미지(511)로부터 인식된 얼굴 영역에 적용될 수 있다. 다양한 실시예에 따르면, 프로세서(210)는 원본 이미지(511)의 전체에 대응하는 섭동 데이터(520)를 생성하여, 원본 이미지(511)의 전체에 적용할 수 있다. 다양한 실시예에 따르면, 프로세서(210)는 원본 이미지(511)에 포함된 눈(홍채) 영역, 손목 영역 또는 지문 영역 중 적어도 하나를 인식할 수도 있다. 본 도면에 개시된 실시예에서는 설명의 편의를 위해 얼굴 영역을 인식하는 것으로 서술하겠다.
다양한 실시예에 따른 프로세서(210)는 원본 이미지(511)에서 인식한 얼굴 영역을 머신 러닝 모델(530)에 입력하여, 섭동 데이터(520)를 생성할 수 있다.
다양한 실시예에 따르면 프로세서(210)는 원본 이미지(511)에서 인식한 얼굴 영역을 추출할 수 있다. 프로세서(210)는 원본 이미지(511)에서 추출한 얼굴 영역에 관한 섭동 데이터(520)를 생성하여 원본 이미지(511)에서 추출한 얼굴 영역에 적용할 수 있다. 프로세서(210)는 섭동 데이터(520)를 적용한 얼굴 영역을 원본 이미지(511)와 합성할 수 있다. 예를 들어, 변형 이미지(513)는 원본 이미지(511)의 얼굴 영역에 섭동 데이터(520)가 적용된 이미지일 수 있다. 변형 이미지(513)는 이미지 인식을 위한 머신 러닝 모델에 입력되는 경우, 머신 러닝 모델의 오작동을 유발시킬 수 있다. 예를 들어, 머신 러닝 모델은, 변형 이미지(513)를 분석한 결과 변형 이미지(513)에 포함된 객체가 사람이 아니라고 인식하거나, 이미지에 포함된 객체를 다른 사람으로 인식하거나, 이미지에 포함된 사람의 성별을 오인식할 수 있다.
다양한 실시예에 따르면, 섭동 데이터가 적용된 변형 이미지(513)는 사람의 육안으로는 원본 이미지(511)와 큰 차이가 없지만, 이미지 인식을 위한 머신 러닝 모델에서 오작동을 유발시킬 수 있다.
도 5b를 참조하면, 다양한 실시예에 따른 프로세서(210)는 별도로 섭동 데이터를 생성하여 원본 이미지에 적용하는 것이 아니라, 머신 러닝 모델에 기초하여 원본 이미지를 직접적으로 변형하여 변형 이미지를 생성할 수도 있다.
다양한 실시예에 따른 프로세서(210)는 외부 장치로 전송하고자 하는 원본 이미지(541)를 머신 러닝 모델(530)에 입력하여, 변형 이미지(543)를 생성할 수 있다. 예를 들어, 변형 이미지(543)는 원본 이미지(541)에 포함된 적어도 일부 영역에 변형을 가하여 얼굴 인식을 위한 머신 러닝 모델의 오 동작을 유발시키는 이미지일 수 있다.
도 6은 본 개시의 다양한 실시예에 따른 이미지에 섭동 데이터를 적용하는 강도를 다르게 설정하여 생성한 이미지들을 도시한 도면이다.
도 6을 참조하면 제1 이미지(610)는 섭동 데이터를 적용하는 강도(예: 적용 강도)를 상대적으로 낮게 설정하였을 때의 변형 이미지(또는 합성 이미지)를 의미할 수 있다. 제2 이미지(620)는 섭동 데이터를 적용하는 강도를 중간으로 설정하였을 때의 변형 이미지를 의미할 수 있다. 일예로, 중간으로 설정된 적용 강도는 제1 이미지(610)보다 적용 강도가 상대적으로 높고, 제3 이미지(630)보다 적용 강도가 상대적으로 낮은 상태를 포함할 수 있다. 제3 이미지(630)는 섭동 데이터를 적용하는 강도를 상대적으로 높게 설정하였을 때의 변형 이미지를 의미할 수 있다. 제1 이미지(610), 제2 이미지(620) 및 제3 이미지(630)는, 서로의 차이를 강조하기 위하여 과장하여 변형된 것으로 표현하였으나, 실제 변형 이미지와 원본 이미지는 사용자의 육안으로 구별될 수 없거나 구별되더라도 아주 미세한 차이만 존재할 수 있다.
다양한 실시예들에 따르면, 머신 러닝 모델에서의 이미지 인식률은 섭동 데이터의 강도를 상대적으로 높을수록 상대적으로 낮아질 수 있다. 예를 들어, 제1 이미지(610)는 원본 이미지에 "0.5"의 적용 강도로 섭동 데이터를 적용하여 생성된 변형 이미지라고 가정할 수 있다. 이 경우, 머신 러닝 모델은 제1 이미지(610)가 입력되는 경우, 원본 이미지에 포함된 사람의 성별을 76.14%의 정확도로 판단할 수 있다.
예를 들어, 제2 이미지(620)는 원본 이미지에 "0.8"의 적용 강도로 섭동 데이터를 적용하여 생성된 변형 이미지라고 가정할 수 있다. 이 경우, 머신 러닝 모델은 제2 이미지(620)가 입력되는 경우, 원본 이미지에 포함된 사람의 성별을 25.96%의 정확도로 판단할 수 있다.
예를 들어, 제3 이미지(630)는 원본 이미지에 "1.1"의 적용 강도로 섭동 데이터를 적용하여 생성된 변형 이미지라고 가정할 수 있다. 이 경우, 머신 러닝 모델은 제3 이미지(630)가 입력되는 경우, 원본 이미지에 포함된 사람의 성별을 6.59%의 정확도로 판단할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)는 섭동 데이터의 적용 강도를 상대적으로 높일수록 이미지 인식을 위한 머신 러닝 모델의 오동작 발생 확률을 상대적으로 높일 수 있다.
다양한 실시예에 따른 프로세서(210)는, 사용자의 입력에 기초하여, 원본 이미지에 섭동 데이터를 적용할 강도(예: 적용 강도)를 설정할 수 있다. 예를 들어, 사용자는 파라미터 설정을 통해 적용 강도를 조절할 수 있다. 예를 들어, 프로세서(210)는 디스플레이(240)를 통해 적용 강도를 설정할 수 있는 사용자 인터페이스(user interface, UI)(예: seekbar)를 표시할 수 있다. 프로세서(210)는 디스플레이(240)에 표시된 사용자 인터페이스와 관련된 사용자 입력에 기반하여 원본 이미지에 섭동 데이터를 적용할 강도를 설정할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 이미지를 전송할 외부 장치의 종류 또는 어플리케이션(예: 도 1의 어플리케이션(146))에 기초하여 원본 이미지에 섭동 데이터를 적용하는 강도(예: 적용 강도)를 결정할 수 있다. 예를 들어, 불특정 다수가 접근할 수 있는 SNS에 이미지를 업로드 하는 것으로 결정한 경우, 프로세서(210)는 원본 이미지에 상대적으로 높은 적용 강도로 섭동 데이터를 적용하여 생성된 이미지를 SNS에 업로드 할 수 있다.
예를 들어, 메신저를 통해 친구로 저장된 외부 장치에 이미지를 전송하는 것으로 결정한 경우, 프로세서(210)는 원본 이미지에 상대적으로 낮은 적용 강도로 섭동 데이터를 적용하여 생성된 변형 이미지를 메신저를 통해 외부 장치로 전송할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 이미지를 분석하여 이미지에서 식별된 사용자에 기초하여 원본 이미지에 섭동 데이터를 적용할 강도(예: 적용 강도)를 결정할 수 있다. 예를 들어, 이미지에서 식별된 사람이 전자 장치(101)의 사용자인 것으로 판단된 경우, 프로세서(210)는 원본 이미지에 상대적으로 높은 적용 강도로 섭동 데이터를 적용할 수 있다.
예를 들어, 이미지에서 식별된 사람이 전자 장치(101)의 사용자가 아닌 다른 사람인 것으로 판단된 경우, 프로세서(210)는 원본 이미지에 상대적으로 낮은 적용 강도로 섭동 데이터를 적용할 수 있다.
도 7은 본 개시의 다양한 실시예에 따른 전자 장치(101)의 동작 흐름도이다.
동작 흐름도 700을 참조하면, 다양한 실시예에 따른 전자 장치(101)의 프로세서(예: 도 2의 프로세서(210))는, 동작 710에서, 외부 장치로 전송하고자 하는 이미지에서 얼굴의 적어도 일부를 포함하는 영역을 인식할 수 있다. 예를 들어, 프로세서(210)는 이미지 인식을 위한 머신 러닝 모델 또는 컴퓨터 비전(computer vision) 기반의 알고리즘을 토대로 이미지를 분석하여, 얼굴의 적어도 일부 또는 얼굴 전체를 포함하는 영역을 인식할 수 있다.
다양한 실시예에 따르면, 프로세서(210)는, 얼굴의 적어도 일부를 포함하는 영역 이외에도, 생체 인증에 활용될 수 있는 영역(예: 눈(홍채) 영역, 손목 영역 및/또는 지문 영역)을 인식할 수도 있다. 다양한 실시예에 따른 프로세서(210)는 상술한 영역 이외에도 다양한 종류의 영역을 인식할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 동작 720에서, 머신 러닝 모델에 기초하여, 이미지에서 인식한 영역에 관한 섭동 데이터를 생성할 수 있다. 예를 들어, 섭동 데이터는 머신 러닝 모델의 오작동을 유발시키기 위한 패턴 또는 노이즈일 수 있다.
다양한 실시예에 따른 프로세서(210)는, 동작 730에서, 섭동 데이터를 이미지에서 인식한 영역에 적용할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 동작 740에서, 섭동 데이터가 적용된 이미지를 외부 장치로 전송할 수 있다.
도 8은 본 개시의 다양한 실시예에 따른 전자 장치의 동작 흐름도이다. 도 7에서 설명한 내용과 중복되는 내용은 설명을 생략한다.
동작 흐름도 800을 참조하면, 다양한 실시예에 따른 전자 장치(101)의 프로세서(예: 도 2의 프로세서(210))는, 동작 810에서, 외부 장치로 전송하고자 하는 이미지에서 얼굴의 적어도 일부를 포함하는 영역을 인식할 수 있다. 다른 예를 들어, 프로세서(210)는 외부 장치로 전송하고자 하는 이미지에서 얼굴 전체를 포함하는 영역을 인식할 수도 있다.
다양한 실시예에 따른 프로세서(210)는, 동작 820에서, 이미지에서 인식한 얼굴의 적어도 일부를 포함하는 영역을 추출할 수 있다. 예를 들어, 프로세서(210)는 이미지에서 인식한 얼굴의 적어도 일부를 포함하는 영역을 이미지로부터 분리할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 동작 830에서, 머신 러닝 모델에 기초하여, 추출한 영역에 관한 섭동 데이터를 생성할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 동작 840에서 섭동 데이터를 이미지에서 추출한 얼굴 영역에 적용할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 동작 850에서 섭동 데이터가 적용된 얼굴 영역과 이미지를 합성하여 하나의 합성 이미지를 생성할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 동작 860에서, 합성 이미지를 외부 장치로 전송할 수 있다.
도 9는 본 개시의 다양한 실시예에 따른 전자 장치의 동작 흐름도이다. 도 9는 구체적으로, 다양한 실시예에 따른 섭동 데이터를 이미지에 적용하는 방법을 도시한 동작 흐름도 이다. 도 7 및 도 8에서 설명한 내용과 중복되는 내용은 설명을 생략한다.
동작 흐름도 900을 참조하면, 다양한 실시예에 따른 프로세서(210)는, 동작 910에서, 머신 러닝 모델에 기초하여, 이미지에서 인식한 얼굴의 적어도 일부를 포함하는 영역에 관한 섭동 데이터를 생성할 수 있다. 예를 들어, 동작 910은, 도 7의 동작 720 또는 도 8의 동작 830과 동일한 동작일 수 있다.
다양한 실시예에 따른 프로세서(210)는, 동작 920에서, 외부 장치의 종류에 기초하여 섭동 데이터를 적용할 강도를 결정할 수 있다. 예를 들어, 프로세서(210)는 외부 장치가 SNS 서버 장치인 경우, 섭동 데이터를 적용하는 강도를 상대적으로 높게 설정할 수 있다. 예를 들어, 프로세서(210)는 외부 장치가 메신저 친구로 등록된 장치인 경우, 섭동 데이터를 적용하는 강도를 상대적으로 낮게 설정할 수 있다.
다양한 실시예에 따른 프로세서(210)는 섭동 데이터의 적용 강도의 설정과 관련된 사용자 인터페이스(예: seekbar)를 통해 감지된 사용자 입력에 기초하여, 섭동 데이터를 적용할 강도를 결정할 수도 있다. 다양한 실시예에 따른 프로세서(210)는 이미지에서 인식한 객체의 종류에 기초하여 섭동 데이터를 적용할 강도를 결정할 수도 있다. 예를 들어, 프로세서(210)는 이미지에 포함된 객체가 사람이라고 인식한 경우, 섭동 데이터를 적용하는 강도를 상대적으로 높게 설정할 수 있다. 예를 들어, 프로세서(210)는 이미지에 포함된 객체가 동물이라고 인식한 경우, 섭동 데이터를 적용하는 강도를 상대적으로 낮게 설정할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 동작 930에서, 섭동 데이터를 적용할 강도(예: 적용 강도)에 기초하여, 섭동 데이터를 이미지에서 인식한 얼굴의 적어도 일부를 포함하는 영역에 적용할 수 있다.
도 10은 본 개시의 다양한 실시예에 따른 전자 장치의 동작 흐름도이다.
다양한 실시예에 따른 프로세서(예: 도 2의 프로세서(210))는, 카메라(예: 도 2의 카메라(250))를 통해 이미지를 획득한 경우, 카메라(250)를 통해 획득한 원본 이미지에 섭동 데이터가 적용된 변형 이미지를 미리 생성할 수 있다. 프로세서(예: 프로세서(210))는 카메라(예: 카메라(250)_를 통해 획득한 원본 이미지와 함께 변형 이미지를 메모리(예: 도 2의 메모리(220)에 저장할 수 있다. 프로세서(예: 프로세서(210))는 원본 이미지를 외부 장치로 전송하기 위한 요청이 발생하는 경우, 메모리(예: 메모리(220))에 저장된 변형 이미지를 외부 장치로 전송할 수 있다.
동작 흐름도 1000을 참조하면, 다양한 실시예에 따른 전자 장치(101)의 프로세서(210)는, 동작 1010에서, 카메라(250)를 통해 이미지를 획득할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 동작 1020에서, 카메라(250)를 통해 획득한 이미지에 포함된 사용자의 적어도 일부(예: 얼굴, 홍채, 지문)를 포함하는 영역을 인식하여, 사용자를 식별할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 동작 1030에서, 이미지에서 식별한 사용자가 전자 장치(101)의 사용자인지 여부를 판단할 수 있다. 예를 들어, 프로세서(210)는 카메라(250)를 통해 획득한 이미지와 전자 장치(101)에 기 저장된 전자 장치(101)의 사용자에 관한 이미지를 비교 분석하여, 카메라(250)를 통해 획득한 이미지에 포함된 사용자가 전자 장치(101)의 사용자 인지 여부를 판단할 수 있다.
다양한 실시예에 따르면, 프로세서(210)는 이미지에 포함된 사용자가 전자 장치(101)의 사용자가 아닌 것으로 판단한 경우, 동작 1080으로 분기(1030-NO)하여, 카메라(250)를 통해 획득한 이미지를 외부 장치로 전송하는 요청에 응답하여, 카메라(250)를 통해 획득한 이미지를 외부 장치로 전송할 수 있다.
다양한 실시예에 따르면, 프로세서(210)는 이미지에 포함된 사용자가 전자 장치(101)의 사용자인 것으로 판단한 경우, 동작 1040으로 분기(1030-YES)하여, 카메라(250)를 통해 획득한 이미지와 관련된 섭동 데이터를 생성할 수 있다. 예를 들어, 프로세서(210)는 카메라(250)를 통해 획득한 이미지에서 사용자의 적어도 일부를 포함하는 영역을 식별할 수 있다. 프로세서(210)는 사용자의 적어도 일부를 포함하는 영역에 관한 섭동 데이터를 생성할 수 있다. 일예로, 사용자의 적어도 일부를 포함하는 영역은 얼굴 영역, 눈(홍채) 영역, 손목 영역 및/또는 지문 영역을 포함할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 동작 1050에서, 섭동 데이터를 이미지에서 인식한 사용자의 적어도 일부를 포함하는 영역에 적용할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 동작 1060에서, 섭동 데이터가 적용된 이미지(예: 변형 이미지)를 저장할 수 있다. 예를 들어, 프로세서(210)는, 카메라(250)를 통해 획득한 원본 이미지와는 별도로 섭동 데이터가 적용된 변형 이미지를 메모리(220)에 적어도 일시적으로 또는 영구적으로 저장할 수 있다. 예를 들어, 프로세서(210)는 원본 이미지의 jpeg 확장부에 섭동 데이터가 적용된 변형 이미지를 저장할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)는 이미지를 표시 또는 사용하는 경우, 섭동 데이터가 적용되지 않은 원본 이미지를 디스플레이(240)에 표시 또는 사용할 수 있다.
다양한 실시예에 따른 프로세서(210)는, 동작 1070에서, 이미지를 외부 장치로 전송하는 요청에 응답하여, 섭동 데이터가 적용된 변형 이미지를 외부 장치로 전송할 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)는 통신 회로(230), 프로세서(210), 및 상기 프로세서(210)에 작동적으로 연결된 메모리(220)를 포함할 수 있다. 다양한 실시예에 따른 상기 메모리(220)는, 실행 시에, 상기 프로세서(210)가 외부 장치로 전송하고자 하는 이미지에서 얼굴의 적어도 일부를 포함하는 영역을 인식하고, 상기 메모리(220)에 저장된 머신 러닝 모델에 기초하여, 상기 인식한 영역에 관한 섭동 데이터를 생성하고, 상기 섭동 데이터를 상기 인식한 영역에 적용하고, 상기 섭동 데이터가 적용된 이미지를 상기 외부 장치로 전송하도록 제어하는 인스트럭션들을 저장할 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)에서 상기 인스트럭션들은, 상기 프로세서(210)가 상기 이미지를 상기 외부 장치로 전송하는 요청에 응답하여, 상기 이미지에서 상기 얼굴의 적어도 일부를 포함하는 영역을 인식하도록 구성될 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)는 카메라(250)를 더 포함할 수 있다. 다양한 실시예에 따른 전자 장치(101)에서 상기 인스트럭션들은, 상기 프로세서(210)가 상기 카메라(250)를 통해 이미지를 획득한 것에 응답하여, 상기 이미지에서 상기 얼굴의 적어도 일부를 포함하는 영역을 인식하도록 구성될 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)에서 상기 인스트럭션들은, 상기 프로세서(210)가 상기 인식한 영역을 추출하고, 상기 추출한 영역에 관한 섭동 데이터를 생성하고, 상기 섭동 데이터를 상기 추출한 영역에 적용하고, 상기 섭동 데이터를 적용한 영역과 상기 이미지를 합성하고, 상기 합성한 이미지를 상기 외부 장치로 전송하도록 구성될 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)에서 상기 머신 러닝 모델은, 콘볼루션 신경망 기반의 인코더-디코더 형태의 생성자를 포함하고, 상기 인스트럭션들은, 상기 프로세서(210)가 상기 생성자의 인코더를 통해 상기 인식한 영역에 관한 특성 정보를 추출하고, 상기 추출한 특성 정보에 기초하여, 상기 생성자의 디코더를 통해 상기 인식한 영역에 관한 상기 섭동 데이터를 생성하도록 구성될 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)에서 상기 생성자는, 상기 섭동 데이터가 적용된 이미지와 원본 이미지의 차이가 상대적으로 작아지도록, 이미지 인식을 위한 머신 러닝 모델의 이미지 인식 정확도가 상대적으로 낮아지도록, 상기 섭동 데이터의 크기가 상대적으로 작아지도록 학습될 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)에서 상기 인스트럭션들은, 상기 프로세서(210)가 상기 머신 러닝 모델의 어텐션 맵 기법에 기초하여, 상기 인식한 영역 중 관심 영역 및 비관심 영역을 결정하고, 상기 비관심 영역에 관한 섭동 데이터를 생성하도록 구성될 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)에서 상기 머신 러닝 모델은, 콘볼루션 신경망, 순환 신경망, 심층 신경망 또는 생성적 적대 신경망 중 적어도 하나를 포함할 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)에서 상기 인스트럭션들은, 상기 프로세서(210)가 상기 외부 장치의 종류에 기초하여, 상기 섭동 데이터를 상기 인식한 영역에 적용하는 강도를 결정하도록 구성될 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)에서 상기 인스트럭션들은, 상기 프로세서(210)가 상기 이미지 내의 사용자를 식별하고, 상기 식별한 사용자에 기초하여, 상기 섭동 데이터를 상기 인식한 영역에 적용하는 강도를 결정하도록 구성될 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)에서 상기 인스트럭션들은, 상기 프로세서(210)가 상기 이미지 내의 사용자를 식별하고 상기 식별한 사용자가 상기 전자 장치(101)의 사용자인 것에 응답하여, 상기 이미지에서 상기 사용자의 얼굴의 적어도 일부를 포함하는 영역을 인식하도록 구성될 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)에서 상기 인스트럭션들은, 상기 프로세서(210)가 외부 장치로 전송하고자 하는 이미지에서 눈 영역, 손목 영역 또는 지문 영역 중 적어도 하나를 포함하는 영역을 인식하도록 구성될 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)에서 디스플레이(240)를 더 포함할 수 있다. 다양한 실시예에 따른 전자 장치(101)에서 상기 인스트럭션들은, 상기 프로세서(210)가 상기 디스플레이(240)를 통해, 상기 섭동 데이터를 적용한 이미지를 상기 외부 장치로 전송하기 전에 상기 섭동 데이터를 적용한 이미지 및 상기 섭동 데이터를 적용한 이미지에 관한 인식 정확도를 표시하도록 구성될 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)의 이미지 처리 방법은, 외부 장치로 전송하고자 하는 이미지에서 얼굴의 적어도 일부를 포함하는 영역을 인식하는 동작, 머신 러닝 모델에 기초하여, 상기 인식한 영역에 관한 섭동 데이터를 생성하는 동작, 상기 섭동 데이터를 상기 인식한 영역에 적용하는 동작 및 상기 섭동 데이터가 적용된 이미지를 상기 외부 장치로 전송하는 동작을 포함할 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)의 이미지 처리 방법에서 상기 인식하는 동작은, 상기 이미지를 외부 장치로 전송하는 요청에 응답하여, 상기 이미지에서 상기 얼굴의 적어도 일부를 포함하는 영역을 인식하는 동작일 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)의 이미지 처리 방법에서 상기 인식하는 동작은, 카메라(250)를 통해 이미지를 획득한 것에 응답하여, 상기 이미지에서 상기 얼굴의 적어도 일부를 포함하는 영역을 인식하는 동작일 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)의 이미지 처리 방법에서 상기 머신 러닝 모델은, 콘볼루션 신경망 기반의 인코더-디코더 형태의 생성자를 포함할 수 있다. 다양한 실시예에 따른 이미지 처리 방법에서 상기 생성하는 동작은, 상기 인코더를 통해 상기 인식한 영역에 관한 특성 정보를 추출하는 동작 및 상기 추출한 특성 정보에 기초하여, 상기 디코더를 통해 상기 인식한 영역에 관한 상기 섭동 데이터를 생성하는 동작을 포함할 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)의 이미지 처리 방법에서 상기 생성자는, 상기 섭동 데이터가 적용된 이미지와 원본 이미지의 차이가 작아지도록, 이미지 인식을 위한 머신 러닝 모델의 이미지 인식 정확도가 낮아지도록, 상기 섭동 데이터의 크기가 작아지도록 학습될 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)의 이미지 처리 방법에서 상기 생성하는 동작은, 상기 머신 러닝 모델의 어텐션 맵 기법에 기초하여, 상기 인식한 얼굴 영역 중 관심 영역 및 비관심 영역을 결정하는 동작; 및 상기 비관심 영역에 관한 섭동 데이터를 생성하는 동작을 포함할 수 있다.
본 문서에 개시된 다양한 실시예에 따른 전자 장치(101)의 이미지 처리 방법에서 상기 적용하는 동작은 상기 외부 장치의 종류에 기초하여, 상기 섭동 데이터를 상기 인식한 얼굴 영역에 적용하는 강도를 결정하는 동작 및 상기 결정한 강도에 기초하여 상기 섭동 데이터를 상기 인식한 얼굴 영역에 적용하는 동작을 포함할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치 (예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나","A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나" 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (15)

  1. 전자 장치에 있어서,
    통신 회로;
    프로세서; 및
    상기 프로세서에 작동적으로 연결된 메모리를 포함하고,
    상기 메모리는, 실행 시에, 상기 프로세서가
    외부 장치로 전송하고자 하는 이미지에서 얼굴의 적어도 일부를 포함하는 영역을 인식하고,
    상기 메모리에 저장된 머신 러닝 모델에 기초하여, 상기 인식한 영역에 관한 섭동 데이터를 생성하고,
    상기 섭동 데이터를 상기 인식한 영역에 적용하고,
    상기 섭동 데이터가 적용된 이미지를 상기 외부 장치로 전송하도록 제어하는 인스트럭션들을 저장하는, 전자 장치.
  2. 제1항에 있어서,
    상기 인스트럭션들은, 상기 프로세서가
    상기 이미지를 상기 외부 장치로 전송하는 요청에 응답하여, 상기 이미지에서 상기 얼굴의 적어도 일부를 포함하는 영역을 인식하도록 구성된, 전자 장치.
  3. 제1항에 있어서,
    카메라를 더 포함하고,
    상기 인스트럭션들은, 상기 프로세서가
    상기 카메라를 통해 이미지를 획득한 것에 응답하여, 상기 이미지에서 상기 얼굴의 적어도 일부를 포함하는 영역을 인식하도록 구성된, 전자 장치
  4. 제1항에 있어서,
    상기 인스트럭션들은, 상기 프로세서가
    상기 인식한 영역을 추출하고,
    상기 추출한 영역에 관한 섭동 데이터를 생성하고,
    상기 섭동 데이터를 상기 추출한 영역에 적용하고,
    상기 섭동 데이터를 적용한 영역과 상기 이미지를 합성하고,
    상기 합성한 이미지를 상기 외부 장치로 전송하도록 구성된, 전자 장치.
  5. 제1항에 있어서
    상기 머신 러닝 모델은, 콘볼루션 신경망 기반의 인코더-디코더 형태의 생성자를 포함하고,
    상기 인스트럭션들은, 상기 프로세서가
    상기 생성자의 인코더를 통해 상기 인식한 영역에 관한 특성 정보를 추출하고,
    상기 추출한 특성 정보에 기초하여, 상기 생성자의 디코더를 통해 상기 인식한 영역에 관한 상기 섭동 데이터를 생성하도록 구성되는, 전자 장치.
  6. 제1항에 있어서,
    상기 인스트럭션들은, 상기 프로세서가
    상기 머신 러닝 모델의 어텐션 맵 기법에 기초하여, 상기 인식한 영역 중 관심 영역 및 비관심 영역을 결정하고,
    상기 비관심 영역에 관한 섭동 데이터를 생성하도록 구성되는, 전자 장치.
  7. 제1항에 있어서,
    상기 인스트럭션들은, 상기 프로세서가
    상기 외부 장치의 종류 또는 상기 이미지 내에서 식별한 사용자에 기초하여, 상기 섭동 데이터를 상기 인식한 영역에 적용하는 강도를 결정하도록 구성되는, 전자 장치.
  8. 제1항에 있어서,
    상기 인스트럭션들은, 상기 프로세서가
    상기 이미지 내의 사용자를 식별하고
    상기 식별한 사용자가 상기 전자 장치의 사용자인 것에 응답하여, 상기 이미지에서 상기 사용자의 얼굴의 적어도 일부를 포함하는 영역을 인식하도록 구성되는, 전자 장치.
  9. 제1항에 있어서,
    디스플레이를 더 포함하고,
    상기 인스트럭션들은, 상기 프로세서가
    상기 디스플레이를 통해, 상기 섭동 데이터를 적용한 이미지를 상기 외부 장치로 전송하기 전에 상기 섭동 데이터를 적용한 이미지 및 상기 섭동 데이터를 적용한 이미지에 관한 인식 정확도를 표시하도록 구성된, 전자 장치.
  10. 전자 장치의 이미지 처리 방법에 있어서,
    외부 장치로 전송하고자 하는 이미지에서 얼굴의 적어도 일부를 포함하는 영역을 인식하는 동작;
    머신 러닝 모델에 기초하여, 상기 인식한 영역에 관한 섭동 데이터를 생성하는 동작;
    상기 섭동 데이터를 상기 인식한 영역에 적용하는 동작; 및
    상기 섭동 데이터가 적용된 이미지를 상기 외부 장치로 전송하는 동작을 포함하는, 처리 방법.
  11. 제10항에 있어서,
    상기 인식하는 동작은,
    상기 이미지를 외부 장치로 전송하는 요청에 응답하여, 상기 이미지에서 상기 얼굴의 적어도 일부를 포함하는 영역을 인식하는 동작인, 처리 방법.
  12. 제10항에 있어서,
    상기 인식하는 동작은,
    카메라를 통해 이미지를 획득한 것에 응답하여, 상기 이미지에서 상기 얼굴의 적어도 일부를 포함하는 영역을 인식하는 동작인, 처리 방법.
  13. 제10항에 있어서,
    상기 머신 러닝 모델은, 콘볼루션 신경망 기반의 인코더-디코더 형태의 생성자를 포함하고,
    상기 생성하는 동작은,
    상기 생성자의 인코더를 통해 상기 인식한 영역에 관한 특성 정보를 추출하는 동작; 및
    상기 추출한 특성 정보에 기초하여, 상기 생성자의 디코더를 통해 상기 인식한 영역에 관한 상기 섭동 데이터를 생성하는 동작을 포함하는, 처리 방법.
  14. 제10항에 있어서,
    상기 생성하는 동작은,
    상기 머신 러닝 모델의 어텐션 맵 기법에 기초하여, 상기 인식한 얼굴 영역 중 관심 영역 및 비관심 영역을 결정하는 동작; 및
    상기 비관심 영역에 관한 섭동 데이터를 생성하는 동작을 포함하는, 처리 방법.
  15. 제10항에 있어서,
    상기 적용하는 동작은
    상기 외부 장치의 종류에 기초하여, 상기 섭동 데이터를 상기 인식한 얼굴 영역에 적용하는 강도를 결정하는 동작; 및
    상기 결정한 강도에 기초하여 상기 섭동 데이터를 상기 인식한 얼굴 영역에 적용하는 동작을 포함하는, 처리 방법.
PCT/KR2020/011419 2019-09-25 2020-08-26 전자 장치 및 그의 이미지 처리 방법 WO2021060721A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/571,664 US20220130019A1 (en) 2019-09-25 2022-01-10 Electronic device and method for processing image by same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190117948A KR20210036039A (ko) 2019-09-25 2019-09-25 전자 장치 및 그의 이미지 처리 방법
KR10-2019-0117948 2019-09-25

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/571,664 Continuation US20220130019A1 (en) 2019-09-25 2022-01-10 Electronic device and method for processing image by same

Publications (1)

Publication Number Publication Date
WO2021060721A1 true WO2021060721A1 (ko) 2021-04-01

Family

ID=75165088

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/011419 WO2021060721A1 (ko) 2019-09-25 2020-08-26 전자 장치 및 그의 이미지 처리 방법

Country Status (3)

Country Link
US (1) US20220130019A1 (ko)
KR (1) KR20210036039A (ko)
WO (1) WO2021060721A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11854253B2 (en) * 2021-06-26 2023-12-26 Intel Corporation Apparatus, method, and computer-readable medium for robust response to adversarial perturbations using hyperdimensional vectors
CN117333879A (zh) * 2022-06-23 2024-01-02 北京火山引擎科技有限公司 模型的训练方法、水印文本识别方法及相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101422290B1 (ko) * 2008-02-29 2014-07-22 주식회사 케이티 영상 통화 시 터치스크린을 이용한 가려진 이미지 전송방법 및 영상 통화 장치
KR101629433B1 (ko) * 2014-06-09 2016-06-10 주식회사 아이티엑스엠투엠 영상처리기기의 동적 품질 제어장치
KR20170001928A (ko) * 2015-06-26 2017-01-05 주식회사 씽크풀 디지털 이미지를 이용한 인증 방법, 이를 위한 애플리케이션 시스템, 및 인증 시스템
KR20190026560A (ko) * 2017-09-05 2019-03-13 삼성전자주식회사 영상 표시 장치 및 그 동작 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101422290B1 (ko) * 2008-02-29 2014-07-22 주식회사 케이티 영상 통화 시 터치스크린을 이용한 가려진 이미지 전송방법 및 영상 통화 장치
KR101629433B1 (ko) * 2014-06-09 2016-06-10 주식회사 아이티엑스엠투엠 영상처리기기의 동적 품질 제어장치
KR20170001928A (ko) * 2015-06-26 2017-01-05 주식회사 씽크풀 디지털 이미지를 이용한 인증 방법, 이를 위한 애플리케이션 시스템, 및 인증 시스템
KR20190026560A (ko) * 2017-09-05 2019-03-13 삼성전자주식회사 영상 표시 장치 및 그 동작 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
OH SEONG JOON; FRITZ MARIO; SCHIELE BERNT: "Adversarial Image Perturbation for Privacy Protection A Game Theory Perspective", 2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV), IEEE, 22 October 2017 (2017-10-22), pages 1491 - 1500, XP033283008, DOI: 10.1109/ICCV.2017.165 *

Also Published As

Publication number Publication date
KR20210036039A (ko) 2021-04-02
US20220130019A1 (en) 2022-04-28

Similar Documents

Publication Publication Date Title
WO2020171540A1 (en) Electronic device for providing shooting mode based on virtual character and operation method thereof
WO2019216499A1 (ko) 전자 장치 및 그 제어 방법
WO2018117704A1 (en) Electronic apparatus and operation method thereof
WO2019164373A1 (en) Electronic device displaying avatar motion-performed as per movement of facial feature point and method for operating same
WO2021020814A1 (en) Electronic device for providing avatar and operating method thereof
WO2020050636A1 (ko) 사용자 의도 기반 제스처 인식 방법 및 장치
WO2020013545A1 (en) Apparatus and method for authenticating object in electronic device
WO2019221464A1 (en) Apparatus and method for recognizing an object in electronic device
WO2020130691A1 (en) Electronic device and method for providing information thereof
EP3539056A1 (en) Electronic apparatus and operation method thereof
WO2020130281A1 (en) Electronic device and method for providing avatar based on emotion state of user
WO2021060721A1 (ko) 전자 장치 및 그의 이미지 처리 방법
WO2019194455A1 (en) Apparatus and method for recognizing object in image
WO2019066373A1 (ko) 이미지에 포함된 오브젝트의 카테고리 및 인식률에 기반하여 이미지를 보정하는 방법 및 이를 구현한 전자 장치
WO2022080869A1 (ko) 이미지를 이용한 3차원 지도의 업데이트 방법 및 이를 지원하는 전자 장치
WO2020189827A1 (ko) 전자 장치 및 그 제어 방법
WO2019088338A1 (ko) 전자 장치 및 그 제어 방법
WO2021045552A1 (en) Electronic device for image synthesis and operating method thereof
WO2021118229A1 (en) Information providing method and electronic device for supporting the same
WO2020130274A1 (ko) 영상에서 오브젝트를 인식하는 전자 장치 및 그 동작 방법
WO2022014836A1 (ko) 가상 객체들의 밝기를 다르게 표시하는 방법 및 장치
WO2022030943A1 (ko) 딥러닝에 기반한 이미지 분할 장치 및 방법
WO2021230680A1 (en) Method and device for detecting object in image
WO2020196944A1 (ko) 전자 장치 및 그것의 제어 방법
WO2020055097A1 (ko) 객체를 인식하는 전자 장치 및 그 전자 장치를 제어하는 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: 20867966

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: 20867966

Country of ref document: EP

Kind code of ref document: A1