WO2021125616A1 - Ai의 학습 및 적용을 위한 개체 데이터를 검출하는 방법 및 이의 시스템 - Google Patents

Ai의 학습 및 적용을 위한 개체 데이터를 검출하는 방법 및 이의 시스템 Download PDF

Info

Publication number
WO2021125616A1
WO2021125616A1 PCT/KR2020/017237 KR2020017237W WO2021125616A1 WO 2021125616 A1 WO2021125616 A1 WO 2021125616A1 KR 2020017237 W KR2020017237 W KR 2020017237W WO 2021125616 A1 WO2021125616 A1 WO 2021125616A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
entity
detecting
learning
object data
Prior art date
Application number
PCT/KR2020/017237
Other languages
English (en)
French (fr)
Inventor
이향룡
Original Assignee
이향룡
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
Priority claimed from KR1020200031071A external-priority patent/KR102361950B1/ko
Application filed by 이향룡 filed Critical 이향룡
Publication of WO2021125616A1 publication Critical patent/WO2021125616A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis

Definitions

  • the present invention relates to a method and system for detecting entity data for learning and applying AI, and more specifically, to extracting a singularity from vectorized entity data and detecting an entity similar to input entity data to learn AI It relates to a method and system for using as data or as a result of data processing.
  • the image goes through various image processing methods such as noise processing, position movement, and size adjustment for the same image again. This is also the responsibility of the researcher, and a lot of time and effort for this task And an economic burden is required.
  • the present invention for solving the above problems is to vectorize input object data, extract a singularity from the vectorized object data, detect an object similar to the input object data, and use it as AI learning data or data processing result It is intended to provide a method and system for detecting object data for learning and application of AI used as a
  • a method for detecting entity data for learning and applying AI includes the steps of receiving any type of entity data; vectorizing the input object data; decomposing the vectorized object data into component vectors of a plurality of dimensions; extracting a singularity of the decomposed component vector; and detecting the individual or another entity having a preset similarity to the entity based on the extracted singularity pattern.
  • the entity data may be composed of one or more characterized lines, and the characterized lines may be composed of a set of points composed of a first-dimensional component vector and a second-dimensional component vector.
  • the extracting of the singularity of the decomposed component vector may include extracting the singularity by generating a group for each same component vector among the decomposed component vectors of points included in the characterized line.
  • the step of extracting the singularity of the decomposed component vector includes size information for each group of the same component vector, standard deviation information for the size, location point information, average shift information, distance between peaks, and The singularity of the component vector may be extracted based on one or more of the height information.
  • the method may further include providing the input entity data and information on the detected entity or other entity as learning data for AI learning.
  • the step of receiving the arbitrary type of entity data may include receiving sign data as the entity data, and based on the extracted singularity pattern, the entity or another entity having a preset similarity to the entity.
  • the detecting may include detecting pre-stored sign data based on the singularity of the input sign data.
  • the signature data is private signature data
  • a public signature corresponding to the private signature data may be output to complete authentication
  • determining whether a preset time for releasing the login authentication has elapsed determining whether the pre-stored sign data is detected when the preset time has elapsed; and maintaining the login authentication when the pre-stored signature data is detected.
  • the receiving of the arbitrary type of entity data includes receiving a vector image including location information as the entity data, and based on the extracted singularity pattern, the entity or the entity and the group.
  • the detecting of another object having a set similarity may include detecting an illustration composed of the vector image based on the singularity of the input vector image.
  • the receiving of the arbitrary type of entity data includes receiving image data including at least one characterized line among an outline and a center line as the entity data, and extracting a singularity of the decomposed component vector.
  • the step of extracting the singularity by generating a group for each same component vector among the decomposed component vectors of points included in the characterized line, and extracting the singularity based on the pattern of the extracted singular point.
  • the detecting of the other object having the similarity may include detecting pre-stored image data corresponding to the input image data based on the pattern of the singular point.
  • the decomposing of the vectorized entity data into a plurality of dimensional component vectors may include decomposing the component vectors by targeting all or a specified characterized line included in the image data.
  • the image data may include one or more of static image data, dynamic image data generated in time series, and dynamic image data generated in real time.
  • the image data is text image data
  • the step of decomposing the vectorized object data into component vectors of a plurality of dimensions includes a connecting line among the outlines of the text included in the text image data and a single center line of the text.
  • the component vector may be decomposed by targeting at least one of them.
  • the system for detecting entity data for learning and applying AI includes a communication module for receiving any type of entity data, and a similarity preset based on vector information of the input entity data. and a memory in which a program for detecting an object having a memory is stored and a processor executing the program stored in the memory.
  • the processor vectorizes the input entity data, decomposes the vectorized entity data into component vectors of a plurality of dimensions to extract singularities, and based on the extracted singularity pattern to detect the entity or another entity having a preset similarity to the entity.
  • essential data for artificial intelligence research can be easily obtained.
  • static image data such as OCR, SVG, vector image, video, audio image waveform, and the like.
  • FIG. 1 is a flowchart of a method of detecting entity data for learning and applying AI according to an embodiment of the present invention.
  • 2A to 2E are diagrams for explaining an example of determining a similar entity through entity data.
  • 3A to 3E are diagrams for explaining another example of discriminating a similar entity through entity data.
  • 4A and 4B are diagrams for explaining an embodiment related to a sign.
  • 5A and 5B are diagrams for explaining the content of detecting text image data based on average movement information.
  • FIG. 6 is a diagram for explaining a system for detecting object data for learning and applying AI according to an embodiment of the present invention.
  • FIG. 7 is a diagram illustrating an example of decomposition and agreement of vectors used in a method of detecting entity data for learning and applying AI according to another embodiment of the present invention.
  • the system for detecting entity data for learning and applying AI includes a communication module for receiving any type of entity data, and a similarity preset based on vector information of the input entity data. and a memory in which a program for detecting an object having a memory is stored and a processor executing the program stored in the memory.
  • the processor vectorizes the input entity data, decomposes the vectorized entity data into component vectors of a plurality of dimensions to extract singularities, and based on the extracted singularity pattern to detect the entity or another entity having a preset similarity to the entity.
  • the present invention relates to a method and system for detecting entity data for learning and applying AI (hereinafter referred to as a method and system for detecting entity data).
  • a method and system for detecting entity data for learning and applying AI
  • embodiments of the present invention will be described in detail with reference to the accompanying drawings. do.
  • FIG. 1 is a flowchart of a method for detecting entity data according to an embodiment of the present invention.
  • the method to be understood and performed by the entity data detection system 100 includes receiving an arbitrary type of entity data ( S110 ), vectorizing the input entity data ( S120 ), and vectorized entity data. is decomposed into a plurality of dimensional component vectors (S130), extracting singularities of the decomposed component vectors (S140), and detecting an entity or another entity having a preset similarity with the entity based on the pattern of the extracted singularities and a step (S150).
  • an arbitrary type of entity data is input (S110), and the input entity data is vectorized (S120).
  • the input object data means all objects that can be expressed as images. That is, static and dynamic image data and waveform images capable of expressing voices, etc., also correspond to object data.
  • the entity data may be input through a mouse rather than an electronic device such as an existing dedicated electronic pen, but is not limited thereto.
  • the entity data may consist of one or more feature lines.
  • the characterized line may be composed of a set of points in which the first dimension is composed of a component vector and the second dimension is a component vector. That is, in an embodiment of the present invention, a point constituting the characterized lines may be a single vector.
  • the vectors constituting the line characterized in an embodiment of the present invention may be configured in first and second dimensions, but are not necessarily limited thereto. Of course, it can be decomposed into a vector.
  • the vectorized entity data is decomposed into component vectors of a plurality of dimensions (S130).
  • the vector included in the above-described characterized line is decomposed into a component vector of a plurality of dimensions.
  • the plurality of dimensions may be an x-dimension and a y-dimension, but is not limited thereto.
  • the present invention can extract singular points by creating a group for each same component vector among the decomposed component vectors of points included in the characterized line.
  • the groups for each identical component vector generated here may be aligned or arranged for each identical component vector.
  • the coordinate values of the first-dimensional component vectors are grouped with the first-dimensional component vectors
  • the coordinate values of the second-dimensional component vectors are grouped with the second-dimensional component vectors, and mathematical singularities between the respective component vectors are grouped.
  • an embodiment of the present invention provides a component vector based on at least one of size information, standard deviation information on size, location point information, average movement information, and distance between peaks and height information for a group by the same component vector. singularities can be extracted.
  • an entity or another entity having a preset similarity with the entity is detected ( S150 ).
  • the input entity data and information on the detected entity or other entity may be provided as learning data for AI learning.
  • the process of determining the similarity in the application and implementation of artificial intelligence of the present invention can proceed to sigmoid activation after obtaining the difference (subtract) of features from two input data sets as shown in the following equation.
  • This process is the simplest, and this technique can be applied in a similar way to deep networks.
  • the present invention can be applied as follows. After normalizing the scaling of the two necessary data sets, arithmetically, the size of the data set is n, and the method is probabilistically possible by the following equation as a method of excluding 1%.
  • 2A to 2E are diagrams for explaining an example of determining a similar entity through entity data.
  • FIG. 2A is a 'computer' picture drawn with a mouse, which is a picture drawn with a single picture, 'same but different', 'different but the same'.
  • the pictures have both the identity and the heterogeneity that is clearly not the same. This is clearly different from simply reducing/enlarging an image, and there is a big or subtle difference.
  • An embodiment of the present invention decomposes the components of the vector from the input individual data, creates a group of decomposed component vectors of each dimension, and extracts the singularity through this, thereby more easily providing AI learning data. characterized.
  • FIGS. 2B and 2C are graphs showing the magnitudes of the first and second dimension component vectors
  • FIGS. 2D and 2E are graphs showing the standard deviation of the magnitudes of the first and second dimension component vectors.
  • the standard deviation graph is similar to the result of an x-ray diffraction experiment on materials such as metals or ceramics, and the difference in each figure is necessarily the same as the distance and height between the peaks. This is due to the magnitude of the vector in each figure.
  • 3A to 3E are diagrams for explaining another example of discriminating a similar entity through entity data.
  • FIG. 3A is for a signature having a higher degree of difficulty than the example of FIG. 2A .
  • FIGS. 3B and 3C are graphs showing the magnitudes of the first and second dimension component vectors
  • FIGS. 3D and 3E are graphs showing the standard deviation of the magnitudes of the first and second dimension component vectors.
  • an embodiment of the present invention may be applied to the detection of sign data.
  • an embodiment of the present invention may receive sign data as individual data, and detect sign data stored in advance based on a singularity of the input sign data.
  • an embodiment of the present invention secures high accuracy through vector analysis, unlike the prior art that had to be poorly learned in a state where sufficient data for individual signs of several users for various and complex signs were not prepared. It can be learned using the learned learning data.
  • the signature data may be private signature data.
  • each person has a pair of public and private signs, just like a public key and an encryption key in a password, and if the entered private sign matches, the public sign can be displayed outside.
  • the private signature can be encrypted and stored in a DB or other static file.
  • a public signature corresponding to the private signature data is output, and authentication can be completed.
  • the well-known private sign in a state where the individual is familiar with the private sign, authentication such as payment or login is to be performed, the well-known private sign can be input and authenticated, and when the authentication is completed, the public sign is output. can be confirmed through
  • 4A and 4B are diagrams for explaining an embodiment related to a sign.
  • the log-in authentication in another embodiment related to a sign, in the present invention, in an authentication method in which log-in authentication is released when a preset time exceeds, the log-in authentication can be maintained through detection of sign data.
  • Login in AI can be divided into a method of artificially managing the entire login process and a method of partially managing it. For example, there may be a way to fully or partially handle the entire process of two-factor or three-factor authentication.
  • each step is managed by artificial intelligence.
  • one-step authentication such as ID and password
  • two-step authentication combined with OTP or steps of processing authentication using biometric information independently or in combination are generally managed through artificial intelligence.
  • AI can handle logins according to the situation in each method. For example, in the future, you can log in only by signing in without an ID or password. And if you log in through a completely different computer or smartphone, you can go through the encryption password step or log in in the first step using a biometric method such as facial recognition or fingerprint. In this case, in the case of a smartphone, the access control for the device at the time of the initial startup of the smartphone should be excluded.
  • a specific function or service for example, an instant authentication service using a fingerprint
  • S21, S22 It is determined whether a preset time for releasing the login authentication has elapsed (S23). And when the preset time has elapsed, it is determined whether the pre-stored sign data has been detected, and if detected, the login authentication is maintained without being released (S24).
  • an embodiment of the present invention can be applied to illustration detection through a vector image.
  • the present invention can receive a vector image containing location information as object data, extract a singularity through component vector decomposition of the vector image, and an illustration composed of a vector image based on the singularity of the input vector image can be detected.
  • each location information since each location information is stored, it can be applied to detect Scalable Vector Graphics (SVG) or Adobe illustration.
  • SVG Scalable Vector Graphics
  • an embodiment of the present invention may be applied to detection of image data.
  • the present invention may receive image data including one or more characterized lines among an outline and a center line as object data.
  • image data includes a line characterized by such as an outline or a center line, and an embodiment of the present invention extracts a singular point by creating a group for the same component vector among the decomposed component vectors of points included in the characterized line. can do.
  • an embodiment of the present invention decomposes a component vector for all the characterized lines included in the image data, or specifies a specified characterized line, for example, according to the thickness of the line, the ratio of the curve to the straight line, It is also possible to decompose the component vector by considering the presence or absence of a connection point as a target for a specified characterized line.
  • pre-stored image data corresponding to the input image data may be detected based on the singularity pattern.
  • an embodiment of the present invention can easily detect static image data using an outline or a center line.
  • the image data may be applied not only to static image data but also to dynamic image data generated in time series such as a stock chart, and similarity determination may be performed between them.
  • it can be applied to dynamic image data generated in real time such as IoT or CCTV, and can also be applied to images obtained from medical equipment such as MRI or CT.
  • AI learning can be performed faster through singularity extraction and analysis even when the AI learning data is not prepared. It has the advantage of being able to automatically provide data for
  • the image data may be text image data.
  • the recognition rate is relatively low compared to English or Japanese, but in the case of an embodiment of the present invention, a method of extracting a connecting line position among the outlines of characters included in text image data and a method of extracting a single center line Through the process of detecting a character by decomposing the component vector through one or more of them, it is possible to provide learning data or apply it to artificial intelligence for character recognition.
  • 5A and 5B are diagrams for explaining the content of detecting text image data based on average movement information.
  • similar text images excluding the case of congruence and similarity may be detected through the average movement information.
  • steps S110 to S150 may be further divided into additional steps or combined into fewer steps according to an embodiment of the present invention.
  • some steps may be omitted as necessary, and the order between steps may be changed.
  • the contents of FIG. 6 to be described later may also be applied to the method of detecting object data of FIGS. 1 to 5B .
  • FIG. 6 is a diagram for explaining the object data detection system 100 according to an embodiment of the present invention.
  • the object data detection system 100 includes a communication module 110 , a memory 120 , and a processor 130 .
  • the communication module 110 receives any type of entity data.
  • the memory 120 stores a program for detecting an object having a preset similarity based on vector information of the input object data.
  • the processor 130 executes a program stored in the memory 120 . As the processor 130 executes the program stored in the memory 120, it vectorizes the input object data, decomposes the vectorized object data into component vectors of a plurality of dimensions to extract singularities, and the pattern of the extracted singularities based on the object or another object having a preset similarity with the object is detected.
  • the entity data detection system 100 described with reference to FIG. 6 may be provided as a component of the above-described server.
  • the method for detecting object data according to an embodiment of the present invention described above may be implemented as a program (or application) and stored in a medium in order to be executed in combination with a computer, which is hardware.
  • the above-mentioned program in order for the computer to read the program and execute the methods implemented as a program, C, C++, JAVA, Ruby, which the processor (CPU) of the computer can read through the device interface of the computer; It may include code coded in a computer language such as machine language. Such code may include functional code related to a function defining functions necessary for executing the methods, etc., and includes an execution procedure related control code necessary for the processor of the computer to execute the functions according to a predetermined procedure. can do. In addition, the code may further include additional information necessary for the processor of the computer to execute the functions or code related to memory reference for which location (address address) in the internal or external memory of the computer to be referenced. have.
  • the code uses the communication module of the computer to determine how to communicate with any other computer or server remotely. It may further include a communication-related code for whether to communicate and what information or media to transmit and receive during communication.
  • the storage medium is not a medium that stores data for a short moment, such as a register, a cache, a memory, etc., but a medium that stores data semi-permanently and can be read by a device.
  • examples of the storage medium include, but are not limited to, ROM, RAM, CD-ROM, magnetic tape, floppy disk, and optical data storage device. That is, the program may be stored in various recording media on various servers accessible by the computer or in various recording media on the computer of the user.
  • the medium may be distributed in a computer system connected by a network, and a computer readable code may be stored in a distributed manner.
  • the method of detecting object data for learning and applying AI is,
  • a vector refers to a thing having a magnitude and a direction in space, and the unit vector of a vector also has a constant magnitude and direction, and the properties of a vector can be decomposed and synthesized according to its components.
  • the direction of the vector can be expressed as a component, and the component can be decomposed.
  • each point is a vector consisting of an X component and a Y component.
  • the present invention separates each point, that is, the coordinate values of the X-axis component, which is a vector, from the X-axis components and the Y-axis components for the coordinate values of the Y-axis components, and searches for an object with a mathematical singularity between each component. or how to determine the identity.
  • step (b) is characterized in that the standard deviation is calculated based on the sizes of the vectors.
  • step (b) is characterized in that the standard deviation is calculated based on the positions of the vectors.
  • step (b) is characterized in that it is a step of calculating the standard deviation based on the average movement of the vectors.
  • the computer program is C/C++, C#, JAVA, Python that a processor (CPU) of the computer can read through a device interface of the computer in order for the computer to read the program and execute the methods implemented as a program , may include code coded in a computer language such as machine language. Such code may include functional code related to a function defining functions necessary for executing the methods, etc., and includes an execution procedure related control code necessary for the processor of the computer to execute the functions according to a predetermined procedure. can do. In addition, the code may further include additional information necessary for the processor of the computer to execute the functions or code related to memory reference for which location (address address) in the internal or external memory of the computer to be referenced. have.
  • the code uses the communication module of the computer to determine how to communicate with any other computer or server remotely. It may further include a communication-related code for whether to communicate and what information or media to transmit and receive during communication.
  • the storage medium is not a medium that stores data for a short moment, such as a register, a cache, a memory, etc., but a medium that stores data semi-permanently and can be read by a device.
  • examples of the storage medium include, but are not limited to, ROM, RAM, CD-ROM, magnetic tape, floppy disk, and optical data storage device. That is, the program may be stored in various recording media on various servers accessible by the computer or in various recording media on the computer of the user.
  • the medium may be distributed in a computer system connected by a network, and a computer readable code may be stored in a distributed manner.
  • Examples of use according to the invention may be as follows.
  • the present invention can be applied to a static image file by targeting an outline or using a center line.
  • the present invention has the advantage of automatically producing data for artificial intelligence learning by identifying feature points with a quick operation in a situation in which artificial intelligence learning is not prepared and arranging them separately.
  • the method of extracting the position of the connecting line of the character outline of OCR or the data for extracting the single central line of the character can be equally applied through vector decomposition.
  • the object detected through the singularity analysis of the input object data can be automatically applied as the learning data, thereby providing AI-based learning data. It will be widely used in a variety of applicable industrial fields.

Abstract

본 발명은 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법 및 이의 시스템에 관한 것으로, 보다 구체적으로는 벡터화된 개체 데이터로부터 특이점을 추출하고 입력된 개체 데이터와 유사한 개체를 검출하여 이를 AI의 학습 데이터로 이용하거나 데이터 처리 결과로 이용하는 방법 및 시스템에 관한 것이다.

Description

AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법 및 이의 시스템
본 발명은 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법 및 이의 시스템에 관한 것으로, 보다 구체적으로는 벡터화된 개체 데이터로부터 특이점을 추출하고 입력된 개체 데이터와 유사한 개체를 검출하여 이를 AI의 학습 데이터로 이용하거나 데이터 처리 결과로 이용하는 방법 및 시스템에 관한 것이다.
마우스나 전자펜 등과 같은 장치를 이용하여 그림이나 문자 등이 입력된 경우, 사람들은 해당 이미지를 보고 직관적으로 무엇을 의미하는지 알 수 있다.
하지만 AI와 같은 컴퓨터가 해당 이미지를 보고 인간과 같이 인식하기 위해서는 미리 컴퓨터 상에 무수히 많은 유사한 그림이나 사진을 학습시켜야만 가능하다.
이러한 컴퓨터의 학습을 위한 자료 준비를 학습용 데이터 처리라고 일컫는데, 현재까지는 이와 같은 방대하고 다양한 데이터를 수집하는데 상당한 노고가 필요하다.
만약 학습 데이터가 충분하지 않다면, 이미지의 경우 또다시 동일한 이미지를 대상으로 노이즈 처리, 위치 이동, 사이즈 조정 등과 같은 다양한 방법의 이미지 프로세싱을 거치는데, 이것 역시 연구자의 몫이며 이러한 작업에 수많은 시간과 노력 그리고 경제적인 부담이 요구된다.
따라서, AI의 학습을 위한 학습 데이터를 준비하는 것, 그리고 AI의 데이터 처리를 통해 개체 데이터를 검출하는 것을 보다 용이하게 하기 위한 기술이 필요한 실정이다.
상술한 바와 같은 문제점을 해결하기 위한 본 발명은 입력된 개체 데이터를 벡터화하고, 벡터화된 개체 데이터로부터 특이점을 추출하여 입력된 개체 데이터와 유사한 개체를 검출하고 이를 AI의 학습 데이터로 이용하거나 데이터 처리 결과로 이용하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법 및 시스템을 제공하고자 한다.
또한, 인공지능의 학습에 필요한 데이터를 경제적으로 획득할 수 있는 방법을 제공하는 것을 목적으로 한다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 제1측면에 따른 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법은 임의의 타입의 개체 데이터를 입력받는 단계; 상기 입력된 개체 데이터를 벡터화하는 단계; 상기 벡터화된 개체 데이터를 복수의 차원의 성분벡터로 분해하는 단계; 상기 분해된 성분벡터의 특이점을 추출하는 단계; 및 상기 추출된 특이점의 패턴에 기초하여 상기 개체 또는 상기 개체와 기 설정된 유사도를 갖는 타 개체를 검출하는 단계를 포함한다.
일 실시예로, 상기 개체 데이터는 하나 이상의 특징화된 선으로 구성되며, 상기 특징화된 선은 제1차원의 성분벡터 및 제2차원의 성분벡터로 구성된 점들의 집합으로 구성될 수 있다.
일 실시예로, 상기 분해된 성분벡터의 특이점을 추출하는 단계는, 상기 특징화된 선에 포함된 점들의 분해된 성분벡터 중 동일 성분벡터별 그룹을 생성하여 상기 특이점을 추출할 수 있다.
일 실시예로, 상기 분해된 성분벡터의 특이점을 추출하는 단계는, 상기 동일 성분벡터별 그룹에 대한 크기 정보, 상기 크기에 대한 표준편차 정보, 위치점 정보, 평균이동 정보, 피크 사이의 거리 및 높이 정보 중 하나 이상에 기초하여 상기 성분벡터의 특이점을 추출할 수 있다.
일 실시예로, 상기 입력된 개체 데이터와 상기 검출된 개체 또는 타개체의 정보를 상기 AI 학습을 위한 학습 데이터로 제공하는 단계를 더 포함할 수 있다.
일 실시예로, 상기 임의의 타입의 개체 데이터를 입력받는 단계는, 상기 개체 데이터로 사인 데이터를 입력받고, 상기 추출된 특이점의 패턴에 기초하여 상기 개체 또는 상기 개체와 기 설정된 유사도를 갖는 타 개체를 검출하는 단계는, 상기 입력된 사인 데이터의 특이점에 기초하여 미리 저장된 사인 데이터를 검출할 수 있다.
일 실시예로, 상기 사인 데이터는 비공개용 사인 데이터이되, 상기 미리 저장된 비공개용 사인 데이터가 검출됨에 따라 상기 비공개용 사인 데이터에 대응하는 공개용 사인이 출력되어 인증이 완료될 수 있다.
일 실시예로, 특정 기능 또는 서비스의 활성화를 위한 1회 이상의 로그인 인증이 수행된 이후, 상기 로그인 인증의 해제를 위한 미리 설정된 시간이 경과하였는지 여부를 판별하는 단계; 상기 미리 설정된 시간이 경과한 경우, 상기 미리 저장된 사인 데이터의 검출 여부를 판별하는 단계; 및 상기 미리 저장된 사인 데이터가 검출된 경우 상기 로그인 인증을 유지시키는 단계를 더 포함할 수 있다.
일 실시예로, 상기 임의의 타입의 개체 데이터를 입력받는 단계는, 상기 개체 데이터로 위치 정보를 포함하고 있는 벡터 이미지를 입력받고, 상기 추출된 특이점의 패턴에 기초하여 상기 개체 또는 상기 개체와 기 설정된 유사도를 갖는 타 개체를 검출하는 단계는, 상기 입력된 벡터 이미지의 특이점에 기초하여 상기 벡터 이미지로 구성된 일러스트를 검출할 수 있다.
일 실시예로, 상기 임의의 타입의 개체 데이터를 입력받는 단계는, 상기 개체 데이터로 외곽선 및 중심선 중 하나 이상의 특징화된 선을 포함하는 이미지 데이터를 입력받고, 상기 분해된 성분벡터의 특이점을 추출하는 단계는, 상기 특징화된 선에 포함된 점들의 분해된 성분벡터 중 동일 성분벡터별 그룹을 생성하여 상기 특이점을 추출하며, 상기 추출된 특이점의 패턴에 기초하여 상기 개체 또는 상기 개체와 기 설정된 유사도를 갖는 타 개체를 검출하는 단계는, 상기 특이점의 패턴에 기초하여 상기 입력된 이미지 데이터에 대응되는 미리 저장된 이미지 데이터를 검출할 수 있다.
일 실시예로, 상기 벡터화된 개체 데이터를 복수의 차원의 성분벡터로 분해하는 단계는, 상기 이미지 데이터에 포함된 전체 또는 특정된 특징화된 선을 대상으로 하여 상기 성분벡터를 분해할 수 있다.
일 실시예로, 상기 이미지 데이터는 정적 이미지 데이터, 시계열적으로 생성되는 동적 이미지 데이터 및 실시간으로 생성되는 동적 이미지 데이터 중 하나 이상을 포함할 수 있다.
일 실시예로, 상기 이미지 데이터는 문자 이미지 데이터이되, 상기 벡터화된 개체 데이터를 복수의 차원의 성분벡터로 분해하는 단계는, 상기 문자 이미지 데이터에 포함된 문자의 외곽선 중 연결선과 상기 문자의 단일 중심선 중 하나 이상을 대상으로 하여 상기 성분벡터를 분해할 수 있다.
또한, 본 발명의 제2측면에 따른 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 시스템은 임의의 타입의 개체 데이터를 수신하는 통신모듈, 상기 입력된 개체 데이터의 벡터 정보를 기반으로 기 설정된 유사도를 갖는 개체를 검출하기 위한 프로그램이 저장된 메모리 및 상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함한다. 이때, 상기 프로세서는 상기 프로그램을 실행시킴에 따라, 상기 입력된 개체 데이터를 벡터화하고, 상기 벡터화된 개체 데이터를 복수의 차원의 성분벡터로 분해하여 특이점을 추출하며, 상기 추출된 특이점의 패턴에 기초하여 상기 개체 또는 상기 개체와 기 설정된 유사도를 갖는 타 개체를 검출한다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
상기와 같은 본 발명에 따르면, 인공지능 학습을 위한 학습 데이터가 준비되지 않은 상태에서도 입력된 개체 데이터의 특이점 분석을 통해 검출된 개체를 자동으로 학습 데이터로 적용할 수 있다는 장점이 있다.
또한, 인공지능 연구에 있어 필수적인 데이터를 용이하게 획득할 수 있다. 특히, 경제적으로 양질의 데이터를 용이하게 획득할 수 있다. 이와 더불어, 인공지능을 통해 eSignature의 동일성 여부를 판단할 수 있도록 하기 위한 수단을 제공할 수 있다.
또한, OCR 등 정적 이미지 데이터, SVG, 벡터 이미지, 동영상, 음성 이미지 파형 등을 판단할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법의 순서도이다.
도 2a 내지 도 2e는 개체 데이터를 통해 유사 개체를 판별하는 일 예시를 설명하기 위한 도면이다.
도 3a 내지 도 3e는 개체 데이터를 통해 유사 개체를 판별하는 다른 예시를 설명하기 위한 도면이다.
도 4a 및 도 4b는 사인과 관련된 실시예를 설명하기 위한 도면이다.
도 5a 및 도 5b는 평균이동 정보에 의한 문자 이미지 데이터를 검출하는 내용을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 시스템을 설명하기 위한 도면이다.
도 7은 본 발명의 또 다른 일 실시예에 따른 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법에서 사용되는 벡터의 분해와 합의 예시도를 나타낸 도면이다.
상술한 과제를 해결하기 위한 본 발명인 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법은,
임의의 타입의 개체 데이터를 입력받는 단계;
상기 입력된 개체 데이터를 벡터화하는 단계;
상기 벡터화된 개체 데이터를 복수의 차원의 성분벡터로 분해하는 단계;
상기 분해된 성분벡터의 특이점을 추출하는 단계; 및
상기 추출된 특이점의 패턴에 기초하여 상기 개체 또는 상기 개체와 기 설정된 유사도를 갖는 타 개체를 검출하는 단계;를 포함하는 것을 특징으로 한다.
또한, 본 발명의 제2측면에 따른 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 시스템은 임의의 타입의 개체 데이터를 수신하는 통신모듈, 상기 입력된 개체 데이터의 벡터 정보를 기반으로 기 설정된 유사도를 갖는 개체를 검출하기 위한 프로그램이 저장된 메모리 및 상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함한다. 이때, 상기 프로세서는 상기 프로그램을 실행시킴에 따라, 상기 입력된 개체 데이터를 벡터화하고, 상기 벡터화된 개체 데이터를 복수의 차원의 성분벡터로 분해하여 특이점을 추출하며, 상기 추출된 특이점의 패턴에 기초하여 상기 개체 또는 상기 개체와 기 설정된 유사도를 갖는 타 개체를 검출한다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 발명은 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법 및 시스템(이하, 개체 데이터 검출 방법 및 시스템이라 한다)에 관한 것으로, 이하 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 개체 데이터 검출 방법의 순서도이다.
도 1을 참조하면, 개체 데이터 검출 시스템(100)에 이해 수행되는 방법은, 임의의 타입의 개체 데이터를 입력받는 단계(S110), 입력된 개체 데이터를 벡터화하는 단계(S120), 벡터화된 개체 데이터를 복수의 차원의 성분벡터로 분해하는 단계(S130), 분해된 성분벡터의 특이점을 추출하는 단계(S140) 및 추출된 특이점의 패턴에 기초하여 개체 또는 개체와 기 설정된 유사도를 갖는 타 개체를 검출하는 단계(S150)를 포함한다.
먼저, 임의의 타입의 개체 데이터를 입력받고(S110), 입력된 개체 데이터를 벡터화한다(S120).
이때, 입력되는 개체 데이터는 이미지로 표현할 수 있는 모든 대상을 의미한다. 즉, 정적, 동적 이미지 데이터와 음성 등을 표현할 수 있는 파형 이미지 등도 개체 데이터에 해당된다.
일 실시예로, 개체 데이터는 기존의 전용 전자펜과 같은 전자기기가 아닌 마우스를 통해 입력된 것일 수 있으나 반드시 이에 한정된 것은 아니다.
일 실시예로, 개체 데이터는 하나 이상의 특징화된 선(feature line)으로 구성될 수 있다. 그리고 특징화된 선은 제1차원이 성분벡터 및 제2차원의 성분벡터로 구성된 점들의 집합으로 구성될 수 있다. 즉, 본 발명의 일 실시예에서 특징화된 선들을 구성하는 점은 하나의 벡터일 수 있다.
한편, 본 발명의 일 실시예에서 특징화된 선을 구성하는 벡터들은 제1 및 제2차원으로 구성될 수 있으나, 반드시 이에 한정되는 것은 아니며 필요에 따라 2개 이상의 차원으로 구성되어 각 차원별 성분벡터로 분해될 수 있음은 물론이다.
다음으로, 벡터화된 개체 데이터를 복수의 차원의 성분벡터로 분해한다(S130).
즉, 전술한 특징화된 선에 포함된 벡터를 대상으로, 복수의 차원의 성분벡터로 분해한다. 예를 들어, 복수의 차원은 x 차원, y 차원일 수 있으나, 반드시 이에 한정되는 것은 아니다.
다음으로, 분해된 성분벡터의 특이점을 추출한다(S140).
일 실시예로, 본 발명은 특징화된 선에 포함된 점들의 분해된 성분벡터 중 동일 성분벡터별 그룹을 생성하여 특이점을 추출할 수 있다. 여기에서 생성된 동일 성분벡터별 그룹은 동일 성분벡터별로 정렬 또는 배열되어 있을 수 있다.
일 예로, 분해된 복수 개의 벡터 중 제1차원 성분벡터의 좌표값들은 제1차원 성분벡터끼리, 제2차원 성분벡터의 좌표값들은 제2차원 성분벡터끼리 그룹핑하고, 각 성분벡터 사이의 수학적 특이점을 추출할 수 있다.
이때, 본 발명의 일 실시예는 동일 성분벡터별 그룹에 대한 크기 정보, 크기에 대한 표준편차 정보, 위치점 정보, 평균이동 정보, 피크 사이의 거리 및 높이 정보 중 하나 이상에 기초하여 성분벡터의 특이점을 추출할 수 있다.
다음으로, 추출된 특이점의 패턴에 기초하여 개체 또는 개체와 기 설정된 유사도를 갖는 타 개체를 검출한다(S150).
이와 같이 입력된 개체 데이터와 대응되는 개체가 검출되고 나면, 입력된 개체 데이터와 검출된 개체 또는 타 개체의 정보는 AI의 학습을 위한 학습 데이터로 제공될 수 있다.
본 발명의 인공지능 적용과 구현에 있어서 유사도를 판단하는 프로세스는 아래의 식과 같이 두 입력 데이터 셋(DataSet)에서 특징(feature)의 차(Subtract)를 구한 후 Sigmoid activation 으로 진행할 수 있다. 이 프로세스는 가장 간단하며, 이 기법은 심층망에서도 유사한 기법으로 적용될 수 있다.
Anet = feature_model(A) //원본 입력 데이터셋
Bnet = feature_model(B) //비교 입력 데이터셋
Net = layers.Subtract(){[Anet,BNet]} //feature의 차
...
Net = layers.Dense(1, activation = 'sigmoid')(Net)
또한, 인공지능에 있어서 충분한 데이터 확보와 효과적인 모델 학습을 위해 본 발명은 아래와 같이 적용할 수 있다. 필요한 2개의 데이터 셋의 스케일링을 정규화한 후 산술적으로 데이터 셋의 크기가 n이고 1% 만큼 제외하고 선택하는 방법으로는 이론상 아래의 식에 의해 확률적으로 가능하다.
데이터 셋의 갯수 = nPr, 예: n = 1000 이면 1000!/(1000-10)!
그러므로 본 발명으로 인해 충분한 데이터 셋의 수를 확보할 수 있으므로 통상 인공지능에서 발생하는 데이터 부족으로 인한 과적합 문제의 해결에 큰 도움이 된다.
도 2a 내지 도 2e는 개체 데이터를 통해 유사 개체를 판별하는 일 예시를 설명하기 위한 도면이다.
도 2a는 마우스로 그려진 '컴퓨터' 그림으로, 하나의 그림을 그린 것으로 '같지만 다른', '다르지만 같은' 그림이다. 즉, 해당 그림들은 동일성과 함께 분명하게 같지 않다는 이질성을 동시에 가지고 있다. 이것은 단순히 이미지를 축소/확대한 것과는 분명하게 다르며 크게 또는 미세하게나마 다른 부분이 존재한다.
사람들은 도 2a의 그림을 보고 곧바로 '컴퓨터'임을 인식할 수 있지만, AI 즉 컴퓨터는 이를 곧바로 인식할 수 없다. 따라서, 해당 그림의 인식을 위해서는 무수히 많은 유사한 그림이나 사진을 통해 학습하는 과정이 필요하다.
하지만, 많은 학습 데이터를 수집하는 데에는 시간적, 경제적 비용이 요구되는바, 학습 데이터를 준비하는데 소모되는 비용을 최소화할 수 있는 방법이 필요하다.
본 발명의 일 실시예는 입력된 개체 데이터로부터 벡터의 성분을 분해하고, 분해된 각 차원의 성분벡터끼리의 그룹을 생성하여 이를 통해 특이점을 추출함으로써, 보다 용이하게 AI의 학습 데이터를 제공하는 것을 특징으로 한다.
도 2b와 도 2c는 제1차원 및 제2차원 성분벡터의 크기를 그래프로 표현한 것이고, 도 2d와 도 2e는 제1차원 및 제2차원 성분벡터의 크기의 표준편차를 그래프로 표현한 것이다.
도 2b 내지 도 2e의 그래프를 살펴보면, 그래프 상의 특이점 패턴이 유사한 것을 확인할 수 있다. 간단한 위치점과 평균이동 그리고 간단한 표준편차만으로도 특이점들의 패턴을 파악할 수 있다.
일 예로, 표준편차의 그래프는 마치 금속이나 세라믹 등의 물질들을 대상으로 x-선 회절 실험하였을 때의 결과치와 유사한 형태로, 각 그림에서 차이가 나는 부분은 각 피크 사이의 거리와 높이가 반드시 같지 않다는 점으로, 이는 각 그림에서의 벡터의 크기에 기인하는 것들이다.
도 3a 내지 도 3e는 개체 데이터를 통해 유사 개체를 판별하는 다른 예시를 설명하기 위한 도면이다.
도 3a는 도 2a의 예시에 비하여 보다 난이도가 높은 서명(Signature)을 대상으로 한 것이다.
도 3b와 도 3c는 제1차원 및 제2차원 성분벡터의 크기를 그래프로 표현한 것이고, 도 3d와 도 3e는 제1차원 및 제2차원 성분벡터의 크기의 표준편차를 그래프로 표현한 것이다.
도 3b 내지 도 3e의 그래프를 살펴보면, 다소 복잡한 서명의 경우에도 그래프 상의 특이점 패턴이 유사한 것을 확인할 수 있다.
이하에서는 본 발명의 구체적인 실시예를 설명하도록 한다.
먼저, 본 발명의 일 실시예는 사인 데이터의 검출에 적용될 수 있다.
구체적으로, 본 발명의 일 실시예는 개체 데이터로 사인 데이터를 입력받고, 입력된 사인 데이터의 특이점에 기초하여 미리 저장된 사인 데이터를 검출할 수 있다.
이를 통해 본 발명의 일 실시예는 다양하고 복잡한 사인에 대하여 여러 사용자들의 개별적인 사인들에 대한 충분한 데이터가 준비되지 않은 상태에서 부실하게 학습될 수밖에 없었던 종래기술과는 달리, 벡터 분석을 통한 높은 정확도가 확보된 학습 데이터를 이용하여 학습되게끔 할 수 있다.
위 실시예에서, 사인 데이터는 비공개용 사인 데이터일 수 있다.
공개적인 사인의 경우 외부로 노출되므로 모방이 가능하기 때문에, 온라인 상에서는 비공개용 사인 데이터를 이용할 경우 사인 모방을 방지할 수 있다.
즉, 사람마다 공개용 사인과 비공개용 사인을, 마치 암호에서의 공개키와 암호키와 같이 한 쌍을 가지고 있으며, 입력된 비공개용 사인이 일치하면 공개용 사인이 외부에 표시되는 형태로 운용될 수 있다. 여기에서 비공개용 사인은 DB나 기타 정적인 파일로 암호화되어 저장될 수 있다.
이에 따라, 본 발명의 일 실시예는 입력된 비공개용 사인 데이터의 특이점에 기초하여 미리 저장된 비공개용 사인 데이터가 검출됨에 따라, 비공개용 사인 데이터에 대응하는 공개용 사인이 출력되어 인증이 완료될 수 있다.
이러한 실시예는 개개인이 비공개용 사인을 숙지하고 있는 상태에서, 결제나 로그인 등 인증을 수행해야 함에 있어, 숙지된 비공개용 사인을 입력하고 인증을 받을 수 있으며, 인증이 완료됨은 공개용 사인이 출력되는 것을 통해 확인될 수 있다.
도 4a 및 도 4b는 사인과 관련된 실시예를 설명하기 위한 도면이다.
사인과 관련된 또 다른 실시예로, 본 발명은 미리 설정된 시간이 초과할 경우 로그인 인증이 해제되는 인증 방법에 있어, 사인 데이터의 검출을 통해 로그인 인증이 유지되게끔 할 수 있다.
AI에서의 로그인은 전체 로그인 과정을 인공지능적으로 관장하는 방법과, 부분적으로 관리하는 방법이 있을 수 있다. 예를 들어 2단계 또는 3단계 인증 전반의 과정을 전체적으로 또는 부분적으로 처리하는 방법이 있을 수 있다. 이는 각각의 단계가 인공지능에 의해 관리되는 것을 의미한다. 가령, ID와 패스워드와 같은 1단계 인증, OTP와 함께 결합한 2단계 인증, 또는 생체정보를 이용한 인증을 독립적으로 또는 병합하여 처리하는 단계 등을 전반적으로 인공지능을 통해 관리되도록 하는 것을 의미한다.
인공지능은 각각의 방법으로 로그인을 상황에 따라 처리할 수 있다. 예를 들어, 훗날 아이디나 패스워드 없이 사인만으로만 로그인을 할 수 있다. 그리고 전혀 다른 컴퓨터나 스마트폰을 통해 로그인을 하는 경우 암호화 패스워드 단계를 거치거나, 안면인식 또는 지문 등의 생체인식 방법으로 1단계 로그인을 할 수 있다. 이때, 스마트폰의 경우 초기 스마트폰의 첫 기동때의 기기에 대한 접근통제는 제외하도록 한다.
한편, 도 4a와 같이 아이디와 패스워드, 생체인증 등을 통해 특정 사이트(예를 들어, 은행 사이트, 포털 사이트 등)에 접속하고(S11), OTP 등 2차 인증까지 마친 상태에서(S12), 미리 설정된 시간이 경과하게 되면 서버에서는 로그인을 다시 요구하는 접근통제를 하게 된다. 사용자는 특별한 사정이 없는한 다시 위 2단계의 로그인 과정을 수행해야만 하며, 이는 결국 시간을 소요하게 되며 번거로움을 야기하게 된다(S13).
이러한 번거로움을 해소하기 위해서는 빠르고 손쉬울 뿐만 아니라 무한의 변수 속에서 유일하고 확실하면서 간단한 로그인 보조 수단이 필요하다.
이를 위해, 본 발명의 일 실시예는 도 4b와 같이 특정 기능 또는 서비스(예를 들어, 지문을 활용한 즉석 인증 서비스)의 활성화를 위한 1회 이상의 로그인 인증이 수행된 이후(S21, S22), 로그인 인증의 해제를 위한 미리 설정된 시간이 경과하였는지 여부를 판별한다(S23). 그리고 미리 설정된 시간이 경과한 경우, 미리 저장된 사인 데이터가 검출되었는지 여부를 판별하여, 검출된 경우 로그인 인증이 해제되지 않고 유지되도록 한다(S24).
다시 말해, 본 발명의 일 실시예는 미리 설정된 시간이 경과하더라도 사인을 이용한 인증을 추가적으로 수행함으로써 보안성을 유지함과 동시에 더욱 빠른 접속이 가능하게끔 할 수 있다.
다음으로, 본 발명의 일 실시예는 벡터 이미지를 통한 일러스트 검출에 적용될 수 있다.
구체적으로 본 발명은 개체 데이터로 위치 정보를 포함하고 있는 벡터 이미지를 입력받을 수 있으며, 해당 벡터 이미지의 성분벡터 분해를 통한 특이점을 추출하고, 입력된 벡터 이미지의 특이점에 기초하여 벡터 이미지로 구성된 일러스트를 검출할 수 있다.
즉, 벡터 이미지의 경우 각각의 위치 정보가 저장되어 있는 상태인바, SVG(Scalable Vector Graphics)나 Adobe 일러스트를 검출하는데 적용될 수 있다.
다음으로, 본 발명의 일 실시예는 이미지 데이터의 검출에 적용될 수 있다.
구체적으로 본 발명은 개체 데이터로 외곽선 및 중심선 중 하나 이상의 특징화된 선을 포함하는 이미지 데이터를 입력받을 수 있다. 이러한 이미지 데이터는 외곽선이나 중심선과 같은 특징화된 선을 포함하고 있으며, 본 발명의 일 실시예는 특징화된 선에 포함된 점들의 분해된 성분벡터 중 동일 성분벡터별 그룹을 생성하여 특이점을 추출할 수 있다.
이때, 본 발명의 일 실시예는 이미지 데이터에 포함된 전체 특징화된 선을 대상으로 성분벡터를 분해하거나, 특정된 특징화된 선, 예를 들어 선의 굵기, 곡선과 직선의 비율에 따른 특정, 연결점 유무 등을 고려하여 특정된 특징화된 선을 대상으로 하여 성분벡터를 분해할 수도 있다.
특이점이 추출되고 나면, 특이점 패턴에 기초하여 입력된 이미지 데이터에 대응되는 미리 저장된 이미지 데이터를 검출할 수 있다.
이를 통해 본 발명의 일 실시예는 외곽선이나 중심선을 이용하여 정적 이미지 데이터를 용이하게 검출할 수 있다.
한편, 이미지 데이터는 정적 이미지 데이터뿐만 아니라, 주식 차트 등과 같이 시계열적으로 생성되는 동적 이미지 데이터 간에도 적용될 수 있으며 이들 간의 유사 판단을 수행할 수도 있다. 또한, IoT나 CCTV와 같이 실시간으로 생성되는 동적 이미지 데이터 간에도 적용될 수 있으며, 그밖에 MRI나 CT 등과 같은 의료용 장비로부터 획득되는 영상 간에도 적용될 수 있다.
특히, 영상 내에서 특정 부위의 빠른 움직임을 캡쳐하기 위해서는 빠른 이미지 분석이 필요한데, 본 발명의 일 실시예에 따르면 인공지능 학습 데이터가 준비되지 않은 상태에서도 특이점 추출 및 분석을 통해 보다 빠르게 인공지능 학습을 위한 데이터를 자동으로 제공할 수 있다는 장점이 있다.
또한, 위 이미지 데이터 실시예에서, 이미지 데이터는 문자 이미지 데이터일 수 있다.
한글 인식은 OCR의 경우, 영어나 일본어에 비해 상대적으로 인식률이 낮은 편이나, 본 발명의 일 실시예의 경우 문자 이미지 데이터에 포함된 문자의 외곽선 중 연결선 위치를 추출하는 방법과 단일 중심선을 추출하는 방법 중 하나 이상을 통해 성분벡터를 분해하여 문자를 검출하는 과정을 통해, 학습 데이터를 제공하거나 문자 인식을 위한 인공지능으로의 적용이 가능하다.
도 5a 및 도 5b는 평균이동 정보에 의한 문자 이미지 데이터를 검출하는 내용을 설명하기 위한 도면이다.
일 실시예로, 본 발명은 문자 이미지 데이터에 있어, 합동의 경우와 닮음의 경우를 제외한 유사 문자 이미지를 평균이동 정보를 통해 검출할 수 있다.
도 5a의 경우는 도 5b에 비하여 상대적으로 큰 글자를 나타낸 것으로, 평균이동 정보에 따른 그래프의 굴곡이 도 5b보다 더 심한 것을 확인할 수 있다.
이러한 벡터의 평균이동 정보를 활용함으로써 본 발명의 일 실시예는 문자 이미지 데이터를 대상으로 하더라도 큰 글자와 작은 글자를 구별할 수 있게 된다.
한편, 상술한 설명에서, 단계 S110 내지 S150은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다. 아울러, 기타 생략된 내용이라 하더라도 후술하는 도 6의 내용은 도 1 내지 도 5b의 개체 데이터 검출 방법에도 적용될 수 있다.
이하에서는 도 6을 참조하여, 본 발명의 일 실시예에 따른 개체 데이터 검출 시스템(100)에 대하여 설명하도록 한다.
도 6은 본 발명의 일 실시예에 따른 개체 데이터 검출 시스템(100)을 설명하기 위한 도면이다.
도 6을 참조하면, 개체 데이터 검출 시스템(100)은 통신모듈(110), 메모리(120) 및 프로세서(130)를 포함한다.
통신모듈(110)은 임의의 타입의 개체 데이터를 수신한다.
메모리(120)에는 입력된 개체 데이터의 벡터 정보를 기반으로 기 설정된 유사도를 갖는 개체를 검출하기 위한 프로그램이 저장된다.
프로세서(130)는 메모리(120)에 저장된 프로그램을 실행시킨다. 프로세서(130)는 메모리(120)에 저장된 프로그램을 실행시킴에 따라, 입력된 개체 데이터를 벡터화하고, 벡터화된 개체 데이터를 복수의 차원의 성분벡터로 분해하여 특이점을 추출하며, 추출된 특이점의 패턴에 기초하여 개체 또는 개체와 기 설정된 유사도를 갖는 타 개체를 검출한다.
도 6을 참조하여 설명한 개체 데이터 검출 시스템(100)은 상술한 서버의 구성요소로 제공될 수 있다.
이상에서 전술한 본 발명의 일 실시예에 따른 개체 데이터 검출 방법은, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, Ruby, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
한편, 또 다른 실시예에 따른 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법은,
(a) 이미지 내 복수의 점들에 대한 벡터 성분을 분해하는 단계;
(b) 상기 벡터들의 표준편차를 산출하는 단계; 및
(c) 상기 표준편차의 유사도를 산출하는 단계;를 포함하는 것을 특징으로 한다.
상기와 같은 방법을 통해, 벡터분해를 이용하여 개체의 유사성을 판별하는 인공지능의 학습을 수행할 수 있게 된다.
또한, 벡터란 공간에서 크기와 방향을 가진 것을 말하며, 벡터의 단위벡터 또한 일정한 크기와 방향을 가지고 있고, 벡터의 성질은 해당 성분에 따라 분해와 합성이 가능하다.
구체적으로, 도 7에 도시한 바와 같이, 벡터의 방향은 성분으로 나타낼 수 있고, 그 성분은 분해가 가능하다.
예를 들어, 이미지 속의 특징화 된 선들은 각각의 점들로 연결되어 있으며, 각 점들은 X성분과 Y성분으로 이루어져 있는 하나의 벡터라는 가정에서 시작한다.
또한, 본 발명은 각각의 점 곧 하나의 벡터인 X축 성분의 좌표 값은 X축 성분끼리 Y축 성분의 좌표 값들은 Y축 성분끼리 따로 떼어 분리하여 각각의 성분 사이의 수학적 특이점으로 객체를 검색하거나 identy를 파악하는 방법에 관한 것이다.
한편, 상기 (b) 단계는, 벡터들의 크기를 기준으로 표준편차를 산출하는 단계인 것을 특징으로 한다.
또한, 상기 (b) 단계는, 벡터들의 위치를 기준으로 표준편차를 산출하는 단계인 것을 특징으로 한다.
또한, 상기 (b) 단계는, 벡터들의 평균이동을 기준으로 표준편차를 산출하는 단계인 것을 특징으로 한다.
그리고, 상기 방법의 각 단계들을 수행하도록 작성되어 컴퓨터로 독출 가능한 기록 매체에 기록된 컴퓨터프로그램의 형태로 구현될 수 있다.
상기 컴퓨터프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C/C++, C#, JAVA, Python, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
상기 발명에 의한 사용예는 다음과 같을 수 있다.
공개적인 사인의 경우 모방이 가능하므로 온라인에서 다음과 같이 관리할 수 있다. 사람마다 공개용 사인과 비밀사인을 각각 2개, 마치 암호에서 공개키와 암호키와 같이 한 쌍을 가지고 비밀 사인이 일치하면 공개용 사인만이 외부에 표시되는 형태로 운용하되 암호키의 경우 DB 혹은 기타 정적인 파일로 암호화하여 저장하고 개개인이 사인을 숙지하고 있다가 결제나 로그인등 증명을 해야 할 때 머리속에 숙지된 비밀 사인을 본 발명의 실시예로 인증을 받아 공개용 사인이 노출되어 인증을 득하는 실시가 가능하다.
또한, SVG나 ADOBE 일러스크 검색에 실시가 가능하다. 벡터 이미지의 경우 각각의 위치정보가 저장되어 있는 상태이므로 본 발명을 즉각 적용하기 용이하다. 나아가 각종 이미지 파일 검색에 적용 가능하다. 정적인 이미지 파일은 외곽선을 대상으로 하거나 중심선을 이용하여 본 발명을 적용할 수 있다.
또한, 시계열 데이터 유사 판단, 실시간 발생하는 data, CCTV 및 동영상 감정분석 적용 등이 있다. 특히, 동영상은 24프레임의 속도로 동작한다. 이때, 특정 부위의 빠른 움직임을 파악해 내기 위해서는 빠른 이미지 분석이 필요하다. 본 발명은 인공지능 학습이 준비되지 않은 상황에서 빠른 동작으로 특징점을 파악해 내어 따로 정렬하여 인공지능학습을 위한 자료를 자동으로 제작하는 장점이 있다.
또한, OCR 등 문자 인식에 적용이 가능하다. 한글의 인식 곧 OCR의 경우 영어나 일본어에 비해 상대적으로 인식률이 상당히 낮다고 알려져 있다. 본 발명의 경우 OCR의 문자 외곽선의 연결선 위치를 추출하는 방법이나 문자의 단일 중심라인을 추출하는 데이터를 벡터의 분해를 통해 동일하게 적용할 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
본 발명에 따르면, 인공지능 학습을 위한 학습 데이터가 준비되지 않은 상태에서도 입력된 개체 데이터의 특이점 분석을 통해 검출된 개체를 자동으로 학습 데이터로 적용할 수 있다는 장점을 제공함으로써, AI기반 학습 데이터를 적용할 수 있는 다양한 산업 분야에 널리 활용될 수 있을 것이다.

Claims (19)

  1. AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법에 있어서,
    임의의 타입의 개체 데이터를 입력받는 단계;
    상기 입력된 개체 데이터를 벡터화하는 단계;
    상기 벡터화된 개체 데이터를 복수의 차원의 성분벡터로 분해하는 단계;
    상기 분해된 성분벡터의 특이점을 추출하는 단계; 및
    상기 추출된 특이점의 패턴에 기초하여 상기 개체 또는 상기 개체와 기 설정된 유사도를 갖는 타 개체를 검출하는 단계;를 포함하는 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  2. 제 1항에 있어서,
    상기 개체 데이터는 하나 이상의 특징화된 선으로 구성되며,
    상기 특징화된 선은 제1차원의 성분벡터 및 제2차원의 성분벡터로 구성된 점들의 집합으로 구성되는 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  3. 제 1항에 있어서,
    상기 분해된 성분벡터의 특이점을 추출하는 단계는,
    상기 특징화된 선에 포함된 점들의 분해된 성분벡터 중 동일 성분벡터별 그룹을 생성하여 특이점을 추출하는 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  4. 제 3항에 있어서,
    상기 분해된 성분벡터의 특이점을 추출하는 단계는,
    동일 성분벡터별 그룹에 대한 크기 정보, 상기 크기에 대한 표준편차 정보, 위치점 정보, 평균이동 정보, 피크 사이의 거리 및 높이 정보 중 하나 이상에 기초하여 성분벡터의 특이점을 추출하는 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  5. 제 1항에 있어서,
    상기 입력된 개체 데이터와 상기 검출된 개체 또는 타개체의 정보를 상기 AI 학습을 위한 학습 데이터로 제공하는 단계;를 더 포함하는 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  6. 제 1항에 있어서,
    상기 임의의 타입의 개체 데이터를 입력받는 단계는,
    상기 개체 데이터로 사인 데이터를 입력받고,
    상기 추출된 특이점의 패턴에 기초하여 상기 개체 또는 상기 개체와 기 설정된 유사도를 갖는 타 개체를 검출하는 단계는,
    상기 입력된 사인 데이터의 특이점에 기초하여 미리 저장된 사인 데이터를 검출하는 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  7. 제 6항에 있어서,
    상기 사인 데이터는 비공개용 사인 데이터이되,
    상기 미리 저장된 비공개용 사인 데이터가 검출됨에 따라 상기 비공개용 사인 데이터에 대응하는 공개용 사인이 출력되어 인증이 완료되는 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  8. 제 6항에 있어서,
    특정 기능 또는 서비스의 활성화를 위한 1회 이상의 로그인 인증이 수행된 이후, 상기 로그인 인증의 해제를 위한 미리 설정된 시간이 경과하였는지 여부를 판별하는 단계;
    상기 미리 설정된 시간이 경과한 경우, 상기 미리 저장된 사인 데이터의 검출 여부를 판별하는 단계; 및
    상기 미리 저장된 사인 데이터가 검출된 경우 상기 로그인 인증을 유지시키는 단계를 더 포함하는 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  9. 제 1항에 있어서,
    상기 임의의 타입의 개체 데이터를 입력받는 단계는,
    상기 개체 데이터로 위치 정보를 포함하고 있는 벡터 이미지를 입력받고,
    상기 추출된 특이점의 패턴에 기초하여 상기 개체 또는 상기 개체와 기 설정된 유사도를 갖는 타 개체를 검출하는 단계는,
    상기 입력된 벡터 이미지의 특이점에 기초하여 상기 벡터 이미지로 구성된 일러스트를 검출하는 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  10. 제 1항에 있어서,
    상기 임의의 타입의 개체 데이터를 입력받는 단계는,
    상기 개체 데이터로 외곽선 및 중심선 중 하나 이상의 특징화된 선을 포함하는 이미지 데이터를 입력받고,
    상기 분해된 성분벡터의 특이점을 추출하는 단계는,
    상기 특징화된 선에 포함된 점들의 분해된 성분벡터 중 동일 성분벡터별 그룹을 생성하여 상기 특이점을 추출하며,
    상기 추출된 특이점의 패턴에 기초하여 상기 개체 또는 상기 개체와 기 설정된 유사도를 갖는 타 개체를 검출하는 단계는,
    상기 특이점의 패턴에 기초하여 상기 입력된 이미지 데이터에 대응되는 미리 저장된 이미지 데이터를 검출하는 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  11. 제 10항에 있어서,
    상기 벡터화된 개체 데이터를 복수의 차원의 성분벡터로 분해하는 단계는,
    상기 이미지 데이터에 포함된 전체 또는 특정된 특징화된 선을 대상으로 하여 상기 성분벡터를 분해하는 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  12. 제 10항에 있어서,
    상기 이미지 데이터는 정적 이미지 데이터, 시계열적으로 생성되는 동적 이미지 데이터 및 실시간으로 생성되는 동적 이미지 데이터 중 하나 이상을 포함하는 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  13. 제 10항에 있어서,
    상기 이미지 데이터는 문자 이미지 데이터이되,
    상기 벡터화된 개체 데이터를 복수의 차원의 성분벡터로 분해하는 단계는,
    상기 문자 이미지 데이터에 포함된 문자의 외곽선 중 연결선과 상기 문자의 단일 중심선 중 하나 이상을 대상으로 하여 상기 성분벡터를 분해하는 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  14. AI의 학습 및 적용을 위한 개체 데이터를 검출하는 시스템에 있어서,
    임의의 타입의 개체 데이터를 수신하는 통신모듈,
    상기 입력된 개체 데이터의 벡터 정보를 기반으로 기 설정된 유사도를 갖는 개체를 검출하기 위한 프로그램이 저장된 메모리 및
    상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함하되,
    상기 프로세서는 상기 프로그램을 실행시킴에 따라, 상기 입력된 개체 데이터를 벡터화하고, 상기 벡터화된 개체 데이터를 복수의 차원의 성분벡터로 분해하여 특이점을 추출하며, 상기 추출된 특이점의 패턴에 기초하여 상기 개체 또는 상기 개체와 기 설정된 유사도를 갖는 타 개체를 검출하는 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 시스템.
  15. AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법에 있어서,
    (a) 이미지 내 복수의 점들에 대한 벡터 성분을 분해하는 단계;
    (b) 상기 벡터들의 표준편차를 산출하는 단계; 및
    (c) 상기 표준편차의 유사도를 산출하는 단계;를 포함하는 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  16. 제 15항에 있어서,
    상기 (b) 단계는, 벡터들의 크기를 기준으로 표준편차를 산출하는 단계인 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  17. 제 15항에 있어서,
    상기 (b) 단계는, 벡터들의 위치를 기준으로 표준편차를 산출하는 단계인 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  18. 제 15항에 있어서,
    상기 (b) 단계는, 벡터들의 평균이동을 기준으로 표준편차를 산출하는 단계인 것을 특징으로 하는 AI의 학습 및 적용을 위한 개체 데이터를 검출하는 방법.
  19. 제 15항 내지 제 18항 중 어느 한 항에 따른 방법의 각 단계들을 수행하도록 작성되어 컴퓨터로 독출 가능한 기록 매체에 기록된 컴퓨터프로그램.
PCT/KR2020/017237 2019-12-19 2020-11-30 Ai의 학습 및 적용을 위한 개체 데이터를 검출하는 방법 및 이의 시스템 WO2021125616A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2019-0170372 2019-12-19
KR20190170372 2019-12-19
KR10-2020-0031071 2020-03-13
KR1020200031071A KR102361950B1 (ko) 2019-12-19 2020-03-13 Ai의 학습 및 적용을 위한 개체 데이터를 검출하는 방법 및 시스템

Publications (1)

Publication Number Publication Date
WO2021125616A1 true WO2021125616A1 (ko) 2021-06-24

Family

ID=76478407

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/017237 WO2021125616A1 (ko) 2019-12-19 2020-11-30 Ai의 학습 및 적용을 위한 개체 데이터를 검출하는 방법 및 이의 시스템

Country Status (1)

Country Link
WO (1) WO2021125616A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09506730A (ja) * 1993-12-17 1997-06-30 クインテット、インコーポレイテッド 自動署名検証の方法
US20160125273A1 (en) * 2014-10-31 2016-05-05 Casio Computer Co., Ltd. Machine learning device and classification device for accurately classifying into category to which content belongs
KR20160053833A (ko) * 2014-11-05 2016-05-13 모르포 개선된 데이터 비교 방법
US10025950B1 (en) * 2017-09-17 2018-07-17 Everalbum, Inc Systems and methods for image recognition
JP2018124617A (ja) * 2017-01-30 2018-08-09 三菱重工業株式会社 教師データ収集装置、教師データ収集方法、及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09506730A (ja) * 1993-12-17 1997-06-30 クインテット、インコーポレイテッド 自動署名検証の方法
US20160125273A1 (en) * 2014-10-31 2016-05-05 Casio Computer Co., Ltd. Machine learning device and classification device for accurately classifying into category to which content belongs
KR20160053833A (ko) * 2014-11-05 2016-05-13 모르포 개선된 데이터 비교 방법
JP2018124617A (ja) * 2017-01-30 2018-08-09 三菱重工業株式会社 教師データ収集装置、教師データ収集方法、及びプログラム
US10025950B1 (en) * 2017-09-17 2018-07-17 Everalbum, Inc Systems and methods for image recognition

Similar Documents

Publication Publication Date Title
WO2022019693A1 (ko) 사용자 비대면 인증 vc(verifiable credential)를 이용한 did(decentralized identifier) 기반의 사용자 비대면 인증 방법 및 이를 이용한 인증 지원 서버
WO2015174647A1 (ko) 사용자 인증 방법, 이를 실행하는 장치 및 이를 저장한 기록 매체
WO2021080102A1 (en) Method for training and testing adaption network corresponding to obfuscation network capable of processing data to be concealed for privacy, and training device and testing device using the same
WO2021080103A1 (en) Method for learning and testing user learning network to be used for recognizing obfuscated data created by concealing original data to protect personal information and learning device and testing device using the same
WO2013100699A1 (en) Method, apparatus, and computer-readable recording medium for authenticating a user
WO2015037931A1 (en) Method and apparatus for online signature verification using proximity touch
WO2015199501A1 (ko) 가변 키패드와 생체 인식을 이용한 본인 인증 방법 및 시스템
WO2022124701A1 (en) Method for producing labeled image from original image while preventing private information leakage of original image and server using the same
WO2022086146A1 (en) Method for training and testing obfuscation network capable of obfuscating data for privacy, and training device and testing device using the same
WO2013048160A1 (ko) 얼굴 인식 방법, 장치, 및 이 방법을 실행하기 위한 컴퓨터 판독 가능한 기록 매체
WO2013100697A1 (en) Method, apparatus, and computer-readable recording medium for authenticating a user
WO2022086147A1 (en) Method for training and testing user learning network to be used for recognizing obfuscated data created by obfuscating original data to protect personal information and user learning device and testing device using the same
WO2023128345A1 (ko) 동형 암호화된 이미지를 이용한 개인 식별 방법 및 시스템
WO2024053932A1 (ko) 안면 인식 및 라이브니스를 이용하여 비대면 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법
EP3459009A2 (en) Adaptive quantization method for iris image encoding
WO2020032420A1 (en) Method for training and testing data embedding network to generate marked data by integrating original data with mark data, and training device and testing device using the same
EP4232992A1 (en) Method for training and testing obfuscation network capable of processing data to be obfuscated for privacy, and training device and testing device using the same
WO2020206899A1 (zh) 基于时间戳的身份验证方法、装置、设备及存储介质
TW201504839A (zh) 可攜式電子裝置及互動式人臉登入方法
WO2021145502A1 (ko) 얼굴 및 스트레스 인식 장치 및 방법
WO2021125616A1 (ko) Ai의 학습 및 적용을 위한 개체 데이터를 검출하는 방법 및 이의 시스템
WO2018014593A1 (zh) 基于大数据的风险预测方法、装置、服务器及存储介质
WO2016108562A1 (ko) 지문 정보의 코딩 및 인식 시스템, 그리고 그 구동 방법
WO2015053438A1 (ko) 생체정보 기반 신뢰구간집합을 이용한 패스워드 생성 방법 및 장치
WO2021149869A1 (ko) 다중 인증 알고리즘을 기반으로 한 수기서명 인증 방법 및 장치

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: 20902721

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: 20902721

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 20902721

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 131222)

122 Ep: pct application non-entry in european phase

Ref document number: 20902721

Country of ref document: EP

Kind code of ref document: A1