WO2022211271A1 - 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체 - Google Patents

학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체 Download PDF

Info

Publication number
WO2022211271A1
WO2022211271A1 PCT/KR2022/002236 KR2022002236W WO2022211271A1 WO 2022211271 A1 WO2022211271 A1 WO 2022211271A1 KR 2022002236 W KR2022002236 W KR 2022002236W WO 2022211271 A1 WO2022211271 A1 WO 2022211271A1
Authority
WO
WIPO (PCT)
Prior art keywords
strokes
electronic device
handwriting
handwriting input
separation
Prior art date
Application number
PCT/KR2022/002236
Other languages
English (en)
French (fr)
Inventor
박정완
김지훈
이동혁
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 WO2022211271A1 publication Critical patent/WO2022211271A1/ko
Priority to US18/373,874 priority Critical patent/US20240029461A1/en

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10Character recognition
    • G06V30/32Digital ink
    • G06V30/333Preprocessing; Feature extraction
    • G06V30/347Sampling; Contour coding; Stroke extraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0487Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
    • G06F3/0488Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
    • G06F3/04883Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures for inputting data by handwriting, e.g. gesture or text
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0487Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
    • G06F3/0488Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10Character recognition
    • G06V30/14Image acquisition
    • G06V30/148Segmentation of character regions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10Character recognition
    • G06V30/19Recognition using electronic means
    • G06V30/191Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10Character recognition
    • G06V30/22Character recognition characterised by the type of writing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10Character recognition
    • G06V30/32Digital ink

Definitions

  • Various embodiments disclosed in this document relate to an electronic device for processing a learning-based handwriting input, an operating method thereof, and a storage medium.
  • Electronic devices are being developed to receive various inputs from users through a specified input device (eg, a stylus pen) connected to the electronic device through wireless communication.
  • the electronic device may identify a location on the electronic device designated by an input device having a pen function (which may be referred to as a “stylus pen” for convenience of description in the present disclosure), and perform a corresponding function.
  • a pen function which may be referred to as a “stylus pen” for convenience of description in the present disclosure
  • the input method using a stylus pen can be more usefully applied when performing applications such as memos or sketches because a more precise touch input is possible compared to a touch input method using a finger.
  • the content creation method through handwriting input using a finger as well as a stylus pen has a high degree of freedom in content creation, allows for more intuitive and quick input, and thanks to the improvement of character recognition technology for handwritten content, its utility is greatly increased. have.
  • the handwritten text by the user may have many errors depending on the size and surface characteristics or the user's situation due to the characteristics of an electronic device such as a smart phone.
  • an electronic device such as a smart phone.
  • the user may overwrite text on the small input window.
  • handwritten characters input by a user through a finger or a stylus pen may have different sizes, kernings, or inclinations, which may reduce readability, and may cause errors due to stroke imbalance or non-uniformity of words or characters in sentences.
  • the recognition accuracy for the input text is also poor, so real-time recognition may be difficult.
  • Various embodiments disclosed in this document may provide an electronic device for processing a learning-based handwriting input, an operating method thereof, and a storage medium.
  • the electronic device includes a display, a memory for storing a machine learning algorithm related to character separation, and at least one processor, wherein the at least one processor receives a handwriting input through the display, and Extracting feature information between a series of continuous strokes corresponding to a handwriting input, performing merging or separation on the strokes based on the extracted feature information through the machine learning algorithm, and performing the merging or separation It may be set to perform handwriting recognition based on the performed result.
  • an operation of receiving a handwriting input through a display of the electronic device, and characteristic information between a series of continuous strokes corresponding to the handwriting input Through a machine learning algorithm related to the extraction operation and character separation, the operation of merging or separating the strokes based on the extracted feature information, and performing handwriting recognition based on the result of the merging or separation It may include an action to
  • the at least one processor when the instructions are executed by at least one processor, the at least one processor is configured to perform at least one operation, wherein the at least one operation is , through an operation of receiving a handwriting input through a display of the electronic device, an operation of extracting characteristic information between a series of continuous strokes corresponding to the handwriting input, and a machine learning algorithm related to character separation, the extracted characteristic information It may include an operation of merging or separating the strokes based on the merging or separation operation, and an operation of performing handwriting recognition based on a result of performing the merging or separation.
  • real-time handwriting recognition may be possible quickly and accurately irrespective of the overlapping degree of the text.
  • a fast handwriting recognition speed and improved recognition result may be provided by learning an algorithm for merging or separating successive strokes corresponding to the handwriting input.
  • FIG. 1 is a block diagram of an electronic device in a network environment according to various embodiments of the present disclosure
  • FIG. 2A is a perspective view of an electronic device according to an embodiment, including a digital pen.
  • FIG. 2B is an exemplary diagram of a watch-type wearable electronic device according to various embodiments of the present disclosure
  • FIG. 3 is an internal block diagram of an electronic device according to various embodiments of the present disclosure.
  • FIG. 4 is a diagram for describing a function of a machine learning model for stroke processing in a handwriting recognition process according to various embodiments of the present disclosure
  • FIG. 6 is a diagram for explaining a comparison between a rule-based method and a machine learning-based method according to various embodiments of the present disclosure
  • FIG. 7 is a flowchart illustrating an operation of an electronic device according to various embodiments of the present disclosure.
  • FIG. 8 is a diagram for describing a machine learning process according to various embodiments of the present disclosure.
  • FIG. 9 is an exemplary diagram for explaining a merging or separation operation for successive strokes according to various embodiments of the present disclosure.
  • FIG. 10 is an exemplary diagram for describing extraction of stroke-related features according to various embodiments of the present disclosure.
  • FIG. 11 is an exemplary diagram for explaining a learning sample for various text areas according to various embodiments of the present disclosure.
  • FIG. 12 is an exemplary diagram for describing examples of a machine learning algorithm according to various embodiments.
  • FIG. 13 is an exemplary diagram of a handwriting input screen in an electronic device according to various embodiments of the present disclosure
  • FIG. 1 is a block diagram of an electronic device 101 in a network environment 100, according to various embodiments.
  • an electronic device 101 communicates with an electronic device 102 through a first network 198 (eg, a short-range wireless communication network) or a second network 199 . It may communicate with at least one of the electronic device 104 and the server 108 through (eg, a long-distance wireless communication network). According to an embodiment, the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • a first network 198 eg, a short-range wireless communication network
  • a second network 199 e.g., a second network 199
  • the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • the electronic device 101 includes a processor 120 , a memory 130 , an input module 150 , a sound output module 155 , a display module 160 , an audio module 170 , and a sensor module ( 176), interface 177, connection terminal 178, haptic module 179, camera module 180, power management module 188, battery 189, communication module 190, subscriber identification module 196 , or an antenna module 197 .
  • at least one of these components eg, the connection terminal 178
  • some of these components are integrated into one component (eg, display module 160 ). can be
  • the processor 120 for example, executes software (eg, a program 140) to execute at least one other component (eg, a hardware or software component) of the electronic device 101 connected to the processor 120. It can control and perform various data processing or operations. According to one embodiment, as at least part of data processing or operation, the processor 120 converts commands or data received from other components (eg, the sensor module 176 or the communication module 190 ) to the volatile memory 132 . may be stored in , process commands or data stored in the volatile memory 132 , and store the result data in the non-volatile memory 134 .
  • software eg, a program 140
  • the processor 120 converts commands or data received from other components (eg, the sensor module 176 or the communication module 190 ) to the volatile memory 132 .
  • the volatile memory 132 may be stored in , process commands or data stored in the volatile memory 132 , and store the result data in the non-volatile memory 134 .
  • the processor 120 is the main processor 121 (eg, a central processing unit or an application processor) or a secondary processor 123 (eg, a graphic processing unit, a neural network processing unit (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor).
  • the main processor 121 eg, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor.
  • the main processor 121 e.g, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a
  • the secondary processor 123 may, for example, act on behalf of the main processor 121 while the main processor 121 is in an inactive (eg, sleep) state, or when the main processor 121 is active (eg, executing an application). ), together with the main processor 121, at least one of the components of the electronic device 101 (eg, the display module 160, the sensor module 176, or the communication module 190) It is possible to control at least some of the related functions or states.
  • the coprocessor 123 eg, an image signal processor or a communication processor
  • may be implemented as part of another functionally related component eg, the camera module 180 or the communication module 190 ). have.
  • the auxiliary processor 123 may include a hardware structure specialized for processing an artificial intelligence model.
  • Artificial intelligence models can be created through machine learning. Such learning may be performed, for example, in the electronic device 101 itself on which the artificial intelligence model is performed, or may be performed through a separate server (eg, the server 108).
  • the learning algorithm may include, for example, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but in the above example not limited
  • the artificial intelligence model may include a plurality of artificial neural network layers.
  • Artificial neural networks include deep neural networks (DNNs), convolutional neural networks (CNNs), recurrent neural networks (RNNs), restricted boltzmann machines (RBMs), deep belief networks (DBNs), bidirectional recurrent deep neural networks (BRDNNs), It may be one of deep Q-networks or a combination of two or more of the above, but is not limited to the above example.
  • the artificial intelligence model may include, in addition to, or alternatively, a software structure in addition to the hardware structure.
  • the memory 130 may store various data used by at least one component (eg, the processor 120 or the sensor module 176 ) of the electronic device 101 .
  • the data may include, for example, input data or output data for software (eg, the program 140 ) and instructions related thereto.
  • the memory 130 may include a volatile memory 132 or a non-volatile memory 134 .
  • the program 140 may be stored as software in the memory 130 , and may include, for example, an operating system 142 , middleware 144 , or an application 146 .
  • the input module 150 may receive a command or data to be used by a component (eg, the processor 120 ) of the electronic device 101 from the outside (eg, a user) of the electronic device 101 .
  • the input module 150 may include, for example, a microphone, a mouse, a keyboard, a key (eg, a button), or a digital pen (eg, a stylus pen).
  • the sound output module 155 may output a sound signal to the outside of the electronic device 101 .
  • the sound output module 155 may include, for example, a speaker or a receiver.
  • the speaker can be used for general purposes such as multimedia playback or recording playback.
  • the receiver can be used to receive incoming calls. According to one embodiment, the receiver may be implemented separately from or as part of the speaker.
  • the display module 160 may visually provide information to the outside (eg, a user) of the electronic device 101 .
  • the display module 160 may include, for example, a control circuit for controlling a display, a hologram device, or a projector and a corresponding device.
  • the display module 160 may include a touch sensor configured to sense a touch or a pressure sensor configured to measure the intensity of a force generated by the touch.
  • the audio module 170 may convert a sound into an electric signal or, conversely, convert an electric signal into a sound. According to an embodiment, the audio module 170 acquires a sound through the input module 150 , or an external electronic device (eg, a sound output module 155 ) connected directly or wirelessly with the electronic device 101 .
  • the electronic device 102) eg, a speaker or headphones
  • the electronic device 102 may output a sound.
  • the sensor module 176 detects an operating state (eg, power or temperature) of the electronic device 101 or an external environmental state (eg, a user state), and generates an electrical signal or data value corresponding to the sensed state. can do.
  • the sensor module 176 may include, for example, a gesture sensor, a gyro sensor, a barometric pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a biometric sensor, It may include a temperature sensor, a humidity sensor, or an illuminance sensor.
  • the interface 177 may support one or more specified protocols that may be used by the electronic device 101 to directly or wirelessly connect with an external electronic device (eg, the electronic device 102 ).
  • the interface 177 may include, for example, a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
  • the connection terminal 178 may include a connector through which the electronic device 101 can be physically connected to an external electronic device (eg, the electronic device 102 ).
  • the connection terminal 178 may include, for example, an HDMI connector, a USB connector, an SD card connector, or an audio connector (eg, a headphone connector).
  • the haptic module 179 may convert an electrical signal into a mechanical stimulus (eg, vibration or movement) or an electrical stimulus that the user can perceive through tactile or kinesthetic sense.
  • the haptic module 179 may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module 180 may capture still images and moving images. According to an embodiment, the camera module 180 may include one or more lenses, image sensors, image signal processors, or flashes.
  • the power management module 188 may manage power supplied to the electronic device 101 .
  • the power management module 188 may be implemented as, for example, at least a part of a power management integrated circuit (PMIC).
  • PMIC power management integrated circuit
  • the battery 189 may supply power to at least one component of the electronic device 101 .
  • battery 189 may include, for example, a non-rechargeable primary cell, a rechargeable secondary cell, or a fuel cell.
  • the communication module 190 is a direct (eg, wired) communication channel or a wireless communication channel between the electronic device 101 and an external electronic device (eg, the electronic device 102, the electronic device 104, or the server 108). It can support establishment and communication performance through the established communication channel.
  • the communication module 190 may include one or more communication processors that operate independently of the processor 120 (eg, an application processor) and support direct (eg, wired) communication or wireless communication.
  • the communication module 190 is a wireless communication module 192 (eg, a cellular communication module, a short-range communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 194 (eg, : It may include a local area network (LAN) communication module, or a power line communication module).
  • a wireless communication module 192 eg, a cellular communication module, a short-range communication module, or a global navigation satellite system (GNSS) communication module
  • GNSS global navigation satellite system
  • wired communication module 194 eg, : It may include a local area network (LAN) communication module, or a power line communication module.
  • a corresponding communication module among these communication modules is a first network 198 (eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)) or a second network 199 (eg, legacy It may communicate with the external electronic device 104 through a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (eg, a telecommunication network such as a LAN or a WAN).
  • a first network 198 eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)
  • a second network 199 eg, legacy It may communicate with the external electronic device 104 through a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (eg, a telecommunication network such as a LAN or a WAN).
  • a telecommunication network
  • the wireless communication module 192 uses subscriber information (eg, International Mobile Subscriber Identifier (IMSI)) stored in the subscriber identification module 196 within a communication network such as the first network 198 or the second network 199 .
  • subscriber information eg, International Mobile Subscriber Identifier (IMSI)
  • IMSI International Mobile Subscriber Identifier
  • the electronic device 101 may be identified or authenticated.
  • the wireless communication module 192 may support a 5G network after a 4G network and a next-generation communication technology, for example, a new radio access technology (NR).
  • NR access technology includes high-speed transmission of high-capacity data (eMBB (enhanced mobile broadband)), minimization of terminal power and access to multiple terminals (mMTC (massive machine type communications)), or high reliability and low latency (URLLC (ultra-reliable and low-latency) -latency communications)).
  • eMBB enhanced mobile broadband
  • mMTC massive machine type communications
  • URLLC ultra-reliable and low-latency
  • the wireless communication module 192 may support a high frequency band (eg, mmWave band) to achieve a high data rate, for example.
  • a high frequency band eg, mmWave band
  • the wireless communication module 192 uses various techniques for securing performance in a high-frequency band, for example, beamforming, massive multiple-input and multiple-output (MIMO), all-dimensional multiplexing. It may support technologies such as full dimensional MIMO (FD-MIMO), an array antenna, analog beam-forming, or a large scale antenna.
  • the wireless communication module 192 may support various requirements defined in the electronic device 101 , an external electronic device (eg, the electronic device 104 ), or a network system (eg, the second network 199 ).
  • the wireless communication module 192 may include a peak data rate (eg, 20 Gbps or more) for realizing eMBB, loss coverage (eg, 164 dB or less) for realizing mMTC, or U-plane latency for realizing URLLC ( Example: Downlink (DL) and uplink (UL) each 0.5 ms or less, or round trip 1 ms or less) can be supported.
  • a peak data rate eg, 20 Gbps or more
  • loss coverage eg, 164 dB or less
  • U-plane latency for realizing URLLC
  • the antenna module 197 may transmit or receive a signal or power to the outside (eg, an external electronic device).
  • the antenna module 197 may include an antenna including a conductor formed on a substrate (eg, a PCB) or a radiator formed of a conductive pattern.
  • the antenna module 197 may include a plurality of antennas (eg, an array antenna). In this case, at least one antenna suitable for a communication method used in a communication network such as the first network 198 or the second network 199 is connected from the plurality of antennas by, for example, the communication module 190 . can be selected. A signal or power may be transmitted or received between the communication module 190 and an external electronic device through the selected at least one antenna.
  • other components eg, a radio frequency integrated circuit (RFIC)
  • RFIC radio frequency integrated circuit
  • the antenna module 197 may form a mmWave antenna module.
  • the mmWave antenna module comprises a printed circuit board, an RFIC disposed on or adjacent to a first side (eg, bottom side) of the printed circuit board and capable of supporting a designated high frequency band (eg, mmWave band); and a plurality of antennas (eg, an array antenna) disposed on or adjacent to a second side (eg, top or side) of the printed circuit board and capable of transmitting or receiving signals of the designated high frequency band. can do.
  • peripheral devices eg, a bus, general purpose input and output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI)
  • GPIO general purpose input and output
  • SPI serial peripheral interface
  • MIPI mobile industry processor interface
  • the command or data may be transmitted or received between the electronic device 101 and the external electronic device 104 through the server 108 connected to the second network 199 .
  • Each of the external electronic devices 102 or 104 may be the same as or different from the electronic device 101 .
  • all or a part of operations executed in the electronic device 101 may be executed in one or more external electronic devices 102 , 104 , or 108 .
  • the electronic device 101 may perform the function or service itself instead of executing the function or service itself.
  • one or more external electronic devices may be requested to perform at least a part of the function or the service.
  • One or more external electronic devices that have received the request may execute at least a part of the requested function or service, or an additional function or service related to the request, and transmit a result of the execution to the electronic device 101 .
  • the electronic device 101 may process the result as it is or additionally and provide it as at least a part of a response to the request.
  • cloud computing, distributed computing, mobile edge computing (MEC), or client-server computing technology may be used.
  • the electronic device 101 may provide an ultra-low latency service using, for example, distributed computing or mobile edge computing.
  • the external electronic device 104 may include an Internet of things (IoT) device.
  • the server 108 may be an intelligent server using machine learning and/or neural networks.
  • the external electronic device 104 or the server 108 may be included in the second network 199 .
  • the electronic device 101 may be applied to an intelligent service (eg, smart home, smart city, smart car, or health care) based on 5G communication technology and IoT-related technology.
  • FIG. 2A is a perspective view of an electronic device according to an embodiment, including a digital pen.
  • the electronic device 101 may include the configuration shown in FIG. 1 , and may include a structure into which a digital pen 201 (eg, a stylus pen) can be inserted.
  • the electronic device 101 may include a housing 110 , and a hole 111 may be provided in a portion of the housing, for example, a portion of the side surface 110C.
  • the electronic device 101 may include a storage space 112 connected to the hole 111 , and the digital pen 201 may be inserted into the storage space 112 .
  • the digital pen 201 may include a pressurable button 201a at one end so as to easily take the digital pen 201 out of the storage space 112 of the electronic device 101 . have.
  • a repulsion mechanism eg, at least one spring
  • FIG. 2A illustrates a structure in which a digital pen 201 (eg, a stylus pen) can be inserted into the electronic device 101
  • the digital pen 201 is the electronic device 101 . It can be attached or detached on the surface of
  • the housing of the electronic device 101 may include a region to which the stylus pen 201 can be attached.
  • the stylus pen 201 may be configured and used separately without being inserted or attached to the electronic device 101 , and the electronic device 101 may include a stylus pen 201 into which the stylus pen 201 may be inserted. It may not contain structures.
  • FIG. 2B is an exemplary diagram of a watch-type wearable electronic device according to various embodiments of the present disclosure
  • a watch-type wearable electronic device 102 is exemplified as an example of an electronic device capable of a handwriting input.
  • the electronic device 102 of FIG. 2B may correspond to an external electronic device (eg, the electronic device 102 ) directly or wirelessly connected to the electronic device 101 of FIG. 1 .
  • the display 260 of the watch-type wearable electronic device 102 may display a user interface when an application for handwriting input is executed.
  • the user may input handwriting using his/her finger through the input window of the display 260 , and may input characters one by one in the small input window, but overlapping characters may be input due to the size of the input window.
  • the watch-type wearable electronic device 102 may support an overwrite mode in which overwritten characters can be recognized separately.
  • FIG. 3 is an internal block diagram of an electronic device according to various embodiments of the present disclosure.
  • the electronic device 101 of FIG. 3 may include the same or similar components as the electronic device 101 of FIG. 1 .
  • the electronic device 101 may be understood to refer to the watch-type wearable electronic device 102 of FIG. 2B in addition to the electronic device 101 of FIG. 1 such as a smart phone.
  • the display 360 (eg, the display module 160 of FIG. 1 ) that detects an input by the stylus pen 201 or an input by a user's body (eg, a finger) is an electronic device 101 . (eg, the electronic device 101 of FIG. 1 ).
  • the display 360 may simultaneously support input/output functions of data and may sense a touch.
  • the display 360 may receive a handwriting input written by a user through a finger or a stylus pen, and may display the handwriting input.
  • the handwriting input may consist of at least one stroke, and each stroke (or stroke) may be performed by a user input until the user touches down the display 360 using a stylus pen or a finger, and then drags and touches up the display 360 .
  • It may be data composed of a plurality of generated points. For example, the number '1' may be written with a single stroke, and the number '4' may be written with two strokes.
  • the display 360 may include a sensing panel 361 , a display panel 362 , and/or a display control unit 363 .
  • the sensing panel 361 is included in the display 360 in FIG. 3 , it may operate as an input panel different from the display 360 by forming a layer structure with the display panel 362 .
  • the display 360 may be referred to as a touch screen.
  • the sensing panel 361 may detect a position of a touch input of a finger or the stylus pen 210 , and the display panel 362 may output an image.
  • the display controller 363 may be a driving circuit that controls the display panel 362 to output an image through the display panel 362 .
  • the sensing panel 361 may be configured as an EMR method using an electromagnetic sensor or an EMI (electro-magnetic interface) type input pad, which As an example, it may also be configured as an electrically coupled resonance (ECR) type input pad.
  • EMR electrically coupled resonance
  • the sensing panel 361 may receive a magnetic field from the stylus pen 201 and detect the position of the stylus pen 201 therefrom.
  • the sensing panel 361 may include one or more panels forming a mutually layered structure in order to sense an input using a plurality of sensors.
  • the sensing panel 361 may be implemented as a touch screen panel (TSP), and if implemented as a touch screen panel, a touch position by a finger or a stylus pen based on an output signal from an electrode It is also possible to check the location of (201).
  • TSP touch screen panel
  • the stylus pen 201 may be implemented in an active electrostatic (AES) method, and there is no limitation in the type of implementation.
  • the sensing panel 361 may sense that the user's finger or the stylus pen 201 is in contact with or approaches. For example, the sensing panel 361 may detect a hovering input by the stylus pen 201 . The sensing panel 361 may generate an input signal corresponding to the hovering input and transmit it to the processor 320 . The sensing panel 361 may generate an input signal including information of the hovering input based on the location of the hovering input, the stylus pen 201 , and a manipulation state by a button provided in the stylus pen 201 .
  • sensing panel 361 hardware implemented as an EMR method or a touch screen panel capable of sensing a signal from the stylus pen 201 may be referred to as a sensing panel 361 .
  • the sensing panel 361 may detect a touch input by a human body or detect an input by the stylus pen 201 .
  • the configuration of the display 360 shown in FIG. 3 is only an example, and the types and number of panels constituting the display 360 and the positions of upper and lower layers of the panels vary in various ways according to the manufacturing technology of the electronic device 101 . can be
  • the memory 330 is a program for calculating information (eg, coordinate information, and/or displacement information) on the position of an input means such as a finger or a stylus pen 201 from the data of the sensing panel 361 (or, applications, algorithms, or processing loops).
  • information eg, coordinate information, and/or displacement information
  • the memory 330 may store a machine learning algorithm related to a stroke (or stroke) corresponding to a handwriting input.
  • the machine learning algorithm is provided to the electronic device 101 during manufacturing, and may be updated through learning after manufacturing.
  • the machine learning algorithm is an algorithm related to character separation, and may be, for example, learned to perform character separation not only on overwritten characters but also on characters of a normal sentence.
  • the machine learning algorithm related to character separation may be learned using overwritten character samples and normal sentence samples to perform character separation on overwritten or written characters in a normal sentence.
  • the machine learning algorithm is an algorithm for merging or separating strokes.
  • a multi-layer-perceptron (MLP), At least one of a support vector machine (SVM) and deep learning may be used, but is not limited thereto.
  • the machine learning algorithm extracts a digitized value representing merging for strokes with the same character possibility and a binary classification (2-class) that extracts a digitized value representing separation for strokes with different character possibilities ) can be learned based on a supervised learning method. For example, according to supervised learning, a value of '1' may be output for merged strokes and a value of '0' may be output for separated strokes.
  • the processor 320 obtains handwriting data corresponding to the handwriting input displayed on the display 360, extracts characteristic information between a specified number of strokes from the obtained handwriting data, and extracts the Based on the acquired characteristic information, the strokes may be merged or separated, and a result of the merging or separation may be provided to a handwriting recognition engine (or a handwriting recognition algorithm).
  • the processor 320 may perform handwriting recognition based on a result of performing merging or separation. For example, the processor 320 may recognize the handwritten characters drawn by the user using the handwriting recognition engine based on the merged or separated result. For example, the processor 320 may recognize handwritten characters by identifying and interpreting merged or separated strokes constituting handwriting data drawn by the user.
  • the processor 320 may implement an operation of extracting and merging or separating feature information between strokes through a machine learning engine.
  • the processor 320 may be configured to train a machine learning model based on the strokes to group strokes that are likely to be one character.
  • the processor 320 may drive and control the machine learning engine to extract features of a stroke and merge or separate strokes based on the extracted features.
  • the machine learning engine may be implemented as hardware and/or software components in the electronic device 101 .
  • the machine learning engine may be implemented in the form of a program stored in the memory 330 .
  • the machine learning engine is implemented as an instruction stored in the memory 330 , and when the instruction is executed by the processor 320 , the processor 320 may perform a function corresponding to the instruction.
  • the electronic device 101 includes a display 360, a memory 330 for storing a machine learning algorithm related to character separation, and at least one processor 320, and the at least one processor ( 320 receives a handwriting input through the display 360, extracts characteristic information between a series of successive strokes corresponding to the handwriting input, and, through the machine learning algorithm, based on the extracted characteristic information
  • the strokes may be merged or separated, and handwriting recognition may be performed based on a result of the merging or separation.
  • the at least one processor may be configured to extract characteristic information between a predetermined number of strokes among the series of continuous strokes.
  • the feature information between the strokes may include at least one of a straightness of stroke, a slope angle, location information of a start point of a stroke, a slope angle of a virtual stroke, or a length ratio of a virtual stroke. may include.
  • the machine learning algorithm related to character separation may be learned to perform character separation on characters of overwritten or general sentences.
  • the machine learning algorithm related to character separation may be learned using overwritten character samples and normal sentence samples to perform character separation on overwritten or written characters in normal sentences.
  • the at least one processor is a multi-layer-perceptron (MLP), a support vector machine (SVM), or deep learning for learning the machine learning algorithm. ) can be set to use at least one of.
  • MLP multi-layer-perceptron
  • SVM support vector machine
  • deep learning for learning the machine learning algorithm.
  • the at least one processor may be configured to display a handwriting recognition result corresponding to the handwriting input on the display based on a result of performing the merging or separation through the handwriting recognition engine.
  • the at least one processor is configured to display the handwriting input on a first portion of the display and convert a handwriting recognition result corresponding to the handwriting input into text to display on a second portion of the display. can be set.
  • the at least one processor performs pre-processing on the received handwriting input and extracts characteristic information between a series of consecutive strokes corresponding to the pre-processed handwriting input. can be set.
  • the at least one processor extracts a digitized value indicating merging with respect to strokes having the same character possibility, and extracting a digitized value indicating separation from strokes having different character possibilities. Based on a 2-class supervised learning method, it may be set to learn a machine learning algorithm related to the character separation.
  • the user may input characters one by one into the small input window or write characters overwritten.
  • the watch-type wearable electronic device in the case of the overwriting 420, when the user overlaps the characters of words and/or sentences in the same area due to the small input window, there is a rule in order to recognize the overwritten handwriting.
  • the handwriting recognition result may be output by merging strokes through the base method and inputting the strokes to the handwriting recognition engine.
  • the recognition speed may be slowed and errors in the recognition result may increase.
  • the machine learning algorithm uses a multi-layer-perceptron (MLP) and a support vector machine (SVM) for learning to merge or separate strokes.
  • MLP multi-layer-perceptron
  • SVM support vector machine
  • support vector machine and at least one of deep learning may be used, but is not limited thereto.
  • FIG. 5 is a diagram for describing a function of a machine learning model for stroke processing in a handwriting recognition process according to various embodiments of the present disclosure
  • the operations of the handwriting recognition engine 500 for recognizing handwriting by classifying strokes corresponding to handwriting input are largely a preprocessing operation 510 and a machine learning-based stroke merging operation ( 520), a feature extraction and handwriting recognition operation 530 and/or an operation 540 of outputting a recognition result.
  • each operation in the handwriting recognition engine 500 may be implemented by hardware and/or software components such as a module, and for convenience of description, the subject of the operation may be referred to as a module.
  • the pre-processing module 510 may perform pre-processing for recognizing a handwriting input. For example, the preprocessing module 510 may remove a noise point from the handwriting input, perform line segmentation, and perform skew correction.
  • the machine learning-based stroke merging module 520 may extract N consecutive strokes from among strokes corresponding to the preprocessed handwriting input, and then extract features between each stroke.
  • the characteristic between the strokes is at least one of a straightness of each stroke, a slope angle, location information of a start point of a stroke, a slope angle of a virtual stroke, or a length ratio of a virtual stroke may include.
  • the machine learning-based stroke merging module 520 may extract N consecutive strokes and extract features for character merging and/or separation between the extracted strokes.
  • the machine learning-based stroke merging module 520 uses a binary classification (2-class) supervised learning method to quantify a corresponding feature as merging or separation based on the extracted feature. You can learn to have a given value. For example, it is possible to learn to have a value of '0' when the corresponding feature is merge, and learn to have a value of '1' when it is separated.
  • a machine learning algorithm learned using learning data (or training data) may be referred to as learning modeling.
  • the learning result modeling 550 may be reflected.
  • the machine learning-based stroke merging module 520 may reflect the learned weight when quantifying features between strokes corresponding to handwriting input. For example, as the amount of training data used for learning increases, that is, as the learning progresses, the accuracy of the learning result for merging or separating strokes in the machine learning-based stroke merging module 520 also increases. Processing speed can also be increased.
  • the machine learning-based stroke merging module 520 extracts feature information between successive strokes to merge or Data on the strokes in the form of a bundle on which separation has been performed may be provided to the feature extraction and handwriting recognition module 530 .
  • the method of directly interworking the strokes preprocessed in the general overwrite recognition mode with the handwriting recognition engine 500 or interlocking the grouped strokes with the handwriting recognition engine 500 through a rule-based algorithm In comparison, by using the bundled strokes classified by the machine learning-based stroke merging module 520 for handwriting recognition, the recognition speed in the handwriting recognition engine 500 can be improved as well as the number of recognition candidates can be reduced. recognition results can be improved.
  • the feature extraction and handwriting recognition module 530 generates features and candidate paths for strokes (or bundled strokes) merged by the machine learning-based stroke merging module 520 .
  • a bundle of strokes merged by machine learning may be regarded as a unit capable of grouping into one character.
  • the extraction of the feature information for the bundled strokes may mean extracting the feature information from the divided blocks so that they can be grouped into characters.
  • the feature extraction and handwriting recognition module 530 may perform handwriting recognition corresponding to a minimum unit of a character candidate using the feature information based on a handwriting learning database (not shown).
  • the recognition result output module 540 may output a final result recognized from among the character candidates.
  • a fast handwriting recognition speed and improved recognition result are achieved through machine learning-based learning that merges or separates continuous strokes corresponding to handwriting input even when letters are heavily overlapped when a user's handwritten text is input.
  • FIG. 6 is a diagram for explaining a comparison between a rule-based method and a machine learning-based method according to various embodiments of the present disclosure
  • FIG. 6(a) exemplifies stroke merging through a rule-based method with respect to a handwriting input corresponding to overwriting
  • FIG. 6(b) exemplifies machine learning-based stroke merging.
  • a rule-based method 610 (or a rule-based algorithm) is applied by preprocessing strokes corresponding to the overwritten handwriting input 600 , a plurality of strokes Paths 620 may be extracted.
  • the number of divided strokes 621 , 622 , 623 , 624 , 625 , and 626 increases, the number of passes 620 may also increase.
  • the number of times input to the handwriting recognition engine is increased, so that among the many candidate characters 631 , 632 , 633 , and 634 in relation to the divided strokes 621 , 622 , 623 , 624 , 625 , and 626 , the optimal candidate In calculating 640, errors in the final pass result may increase.
  • the machine learning-based method 660 when the machine learning-based method 660 is used, merging or separation of strokes that can be grouped into a single character may be possible through inference, and a stable recognition result is obtained. can be printed out.
  • the number of calls to the handwriting recognition engine may be reduced by merging the strokes, so that the handwriting recognition speed may be improved.
  • FIG. 7 is a flowchart 700 of an operation of an electronic device according to various embodiments of the present disclosure.
  • the operation method may include operations 705 to 720 .
  • Each step/operation of the operating method of FIG. 7 includes an electronic device (eg, the electronic device 101 of FIG. 1 , the electronic device 101 of FIG. 3 ) and at least one processor of the electronic device (eg, the processor of FIG. 1 ). at least one of 120 or the processor 320 of FIG. 3 ).
  • at least one of operations 705 to 720 may be omitted, the order of some operations may be changed, or another operation may be added.
  • the electronic device 101 may receive a handwriting input.
  • a handwriting input written by a user may be received through the display of the electronic device 101 , and the handwriting input may be displayed on a first portion (eg, an input window) of the display 360 . have.
  • the electronic device 101 may extract characteristic information between a series of continuous strokes corresponding to the handwriting input.
  • the electronic device 101 may perform pre-processing on the received handwriting input and extract feature information between a series of successive strokes corresponding to the pre-processed handwriting input. have.
  • the electronic device 101 may extract feature information between a predetermined number of strokes among the series of continuous strokes. For example, the electronic device 101 may extract a feature between strokes every two consecutive strokes.
  • the characteristic information between the strokes includes at least one of a straightness of a stroke, a slope angle of a stroke, position information of a starting point of a stroke, a slope angle of a virtual stroke, or a length ratio of a virtual stroke can do.
  • the electronic device 101 may merge or separate the strokes based on the extracted feature information through a machine learning algorithm related to character separation.
  • the machine learning algorithm related to character separation may be learned to perform character separation on characters of overwritten or general sentences.
  • the machine learning algorithm related to character separation may be learned using overwritten character samples and normal sentence samples to perform character separation on overwritten or written characters in normal sentences. .
  • MLP multi-layer-perceptron
  • SVM support vector machine
  • deep learning learning about the machine learning algorithm is can be performed.
  • a binary classification (2-class) map that extracts a digitized value indicating merging for strokes with the same character possibility and extracts a digitized value indicating separation for strokes with different character possibilities Based on a supervised learning method, learning of the machine learning algorithm may be performed.
  • the electronic device 101 may perform handwriting recognition based on a result of the merging or separation.
  • the electronic device 101 may display a handwriting recognition result corresponding to the handwriting input on the display 360 based on a result of performing the merging or separation through the handwriting recognition engine.
  • the electronic device 101 displays a handwriting input written by the user on a first portion (eg, an input window) of the display 360 , and displays a handwriting recognition result corresponding to the handwriting input. 360) may be converted into text and displayed in the second part (eg, the output window).
  • FIG. 8 is a diagram for describing a machine learning process according to various embodiments of the present disclosure.
  • the learning method of the machine learning algorithm includes a step 800 in which an overwritten handwriting sample and a normal sentence sample are prepared as shown in FIG. 8, a step of extracting N consecutive strokes (810), It may include extracting a feature between strokes ( 820 ), applying machine learning ( 830 ), and modeling the learned result ( 840 ).
  • the handwriting samples may include a plurality of handwriting samples.
  • stroke merging and separation may be performed to group or separate handwriting written in overwritten or normal sentences to correspond to characters, and in order to train machine learning for stroke merging and separation, overwritten sample and general You may need information about which characters the strokes correspond to as well as samples of the sentence.
  • the character 'life' is input on the electronic device 101 in the form of handwriting, not only handwriting samples for 'life' overwritten to output 'life' in text form, but also characters 'life' of various sizes and shapes Handwriting data may be prepared for .
  • both character separation information for the character 'live' and the character 'bow' may be included in the handwriting sample.
  • all related handwriting samples may be stored in the handwriting sample database to enable handwriting recognition for various letters as well as letter 'life'.
  • a machine learning model may be generated using a plurality of handwriting samples including character separation information related to the handwriting samples.
  • the machine learning model may be an algorithm trained (or trained) using handwriting samples, for example, it may be learned based on a binary classification (2-class) supervised learning method. .
  • the step of extracting N consecutive strokes 810 may be an operation of extracting a predetermined number of strokes from among a series of consecutive strokes for all handwriting samples stored in the handwriting sample database. For example, two or more strokes may be extracted for feature extraction.
  • the step of extracting features between strokes 820 may include extracting feature information between a predetermined number of strokes for character merging and separation.
  • the characteristic information between the strokes may include at least one of a straightness of stroke, a slope angle, position information of a starting point of a stroke, a slope angle of a virtual stroke, or a length ratio of a virtual stroke, but is not limited thereto. it may not be
  • the step of applying machine learning 830 may include applying machine learning based on the extracted feature information for all handwriting samples stored in the handwriting sample database.
  • step 840 of modeling the learned result the relationship between the handwriting sample and the character separation information is modeled, and the learned result is obtained when merging or separating a series of continuous strokes corresponding to a handwriting input written by an actual user. can be applied to
  • FIG. 9 is an exemplary diagram for explaining a merging or separation operation for successive strokes according to various embodiments of the present disclosure.
  • the overwritten character 'to the living environment' 900 will be described as an example as follows.
  • the first 'raw' 910 is composed of six strokes, and information on the character 'raw' 910 is "0, 0, 0, 0, You can see that 0, 0" are written.
  • the character 'bow' 920 is composed of a total of eight strokes, and the corresponding information may be composed of "1, 1, 1, 1, 1, 1, 1, 1,”.
  • the character 'ring' 930 is composed of a total of five strokes, and the corresponding information may be composed of "2, 2, 2, 2, 2".
  • the letter 'Gyeong' 940 is also composed of a total of five strokes, and the corresponding information may be composed of "3, 3, 3, 3, 3".
  • the letter 'U' 950 is composed of a total of two strokes, and the corresponding information may be composed of "4, 4".
  • the letter 'lo' 960 is also composed of a total of two strokes, and the corresponding information may be composed of "5".
  • all strokes may be represented in an index form.
  • 9 exemplifies feature extraction with respect to a predetermined number (eg, two) of strokes among a series of continuous strokes. For example, if two extracted strokes are extracted from the same character, it may be processed as a merge, and if the two extracted strokes are extracted from different characters, it may be processed as separate. Accordingly, the last stroke of the character 'live' and the first stroke of the character 'bow' may be separated because the index value is different.
  • a predetermined number eg, two
  • the learning sample may be expanded by generating variously overwritten samples such as a one-character area, a two-character area, and a three-character area through this method.
  • variously overwritten samples such as a one-character area, a two-character area, and a three-character area through this method.
  • a method for generating each character to fit a corresponding area may be introduced.
  • it can be configured to recognize normal sentences even in overwrite mode by generating learning samples even for general sentence samples.
  • strokes that can be grouped into one character may be merged in advance through machine learning.
  • a series of consecutive characters for example, characters overwritten in two or more character regions other than characters overwritten in one character region, may be merged or separated in N units of a series of continuous strokes. Since it is identified whether or not there is, handwriting recognition may be possible regardless of the number of character regions, the number of overlapping characters in the corresponding character region, and the degree of overlapping, and handwriting recognition may be possible even for characters in general sentences.
  • FIG. 10 is an exemplary diagram for describing extraction of stroke-related features according to various embodiments of the present disclosure.
  • the electronic device 101 may extract features of two strokes constituting a handwriting input (eg, the character 'gi'). For example, using the first and last points for each of the two strokes 1010 and 1020 (eg, 'a', 'l') constituting the handwriting input, straightness and slope angle (or slope) are calculated. can be identified. Also, the electronic device 101 may identify location information on each stroke 1010 and 1020 . For example, the electronic device 101 may identify location information of each of the strokes 1010 and 1020 based on the first and last points of each of the strokes 1010 and 1020 . Also, a feature of an empty space stroke (eg, a virtual ligature) 1030 between the last point of the stroke 1 1010 and the stroke 2 1020 may be extracted.
  • a feature of an empty space stroke eg, a virtual ligature
  • the electronic device 101 uses feature information about a series of continuous strokes (eg, 'a', 'l') to enable strokes (eg, letter ') that are likely to be the same character. group') can be merged.
  • a series of continuous strokes eg, 'a', 'l'
  • strokes eg, letter '
  • group' can be merged.
  • FIG. 10 a case in which the electronic device 101 extracts features between strokes for every two consecutive strokes among a series of continuous strokes has been described as an example, but the present invention is not limited thereto.
  • a feature between three successive strokes may be extracted, and a predetermined number of strokes used for feature extraction among a series of successive strokes corresponding to the handwriting input is determined by the manufacturer of the electronic device 101 .
  • the predetermined number may be adjustable as needed.
  • FIG. 11 is an exemplary diagram for explaining a learning sample for various text areas according to various embodiments of the present disclosure.
  • a machine learning algorithm when a machine learning algorithm is applied to a handwriting input in the electronic device 101 , a one-character area 1110 , a two-character area 1120 , and a three-character area 1130 and 1140 ) , as in the upper and lower overlapping regions 1150 and 1160, learning samples for variously overwritten handwriting inputs are learned regardless of the number of character regions and the degree of overlap in the corresponding character regions, so that they are not overlapped as in the general sentence 1170.
  • the machine learning algorithm is applied even to an unwritten handwriting input, an accurate recognition result can be obtained.
  • the one-character area 1110 represents a case in which characters corresponding to one character are overlapped and input
  • the two-character area 1120 represents a case in which characters corresponding to two characters are overlapped and input.
  • handwriting recognition results corresponding to four consecutive characters may be output.
  • the recognition rate based on machine learning may be improved by about 1 to 2% compared to the rule based, and the recognition speed may also be improved by 20 to 30%.
  • 12 is an exemplary diagram for describing examples of a machine learning algorithm according to various embodiments.
  • FIG. 12(a) as an example of a machine learning algorithm, a case of merging or separating strokes using a neural network method is illustrated.
  • FIG. 12(b) as another example of a machine learning algorithm, a support vector machine (SVM: A case of merging or separating strokes using a support vector machine) method is exemplified.
  • SVM support vector machine
  • the neural network method of FIG. 12( a ) shows, for example, a process of finding an optimal merged stroke or a separated stroke through merging or splitting for each step while proceeding step by step from left to right for each node.
  • the SVM method of FIG. 12(b) shows a process of merging or separating strokes through clustering.
  • machine learning algorithms Although two machine learning algorithms are illustrated by way of example in FIG. 12 , various machine learning algorithms may be used, and the machine learning algorithm learned in this way may be stored in a memory (eg, the memory 330 in FIG. 3 ). have.
  • FIG. 13 is an exemplary diagram of a handwriting input screen in an electronic device according to various embodiments of the present disclosure
  • 13 exemplifies a screen 1300 according to the execution of an application related to a handwriting input in the electronic device 101 .
  • an input window for inputting a handwriting may be displayed, and the user may input a handwriting 1310 through the handwriting input window using the stylus pen 201 .
  • the user may input a handwriting 1310 through the handwriting input window using the stylus pen 201 .
  • letters corresponding to the number of two or more text areas may be input in an overlapping state.
  • the electronic device 101 when a machine learning-based method is used before using the handwriting recognition engine, the electronic device 101 sets the number of text areas 1310 (or The handwriting recognition result 1320 may be displayed regardless of the size of the text area), the number of overlapping letters in the corresponding text area, and the degree of overlapping.
  • the electronic device 101 may promptly display the handwriting recognition result 1320 in response to a real-time handwriting input.
  • the final handwriting recognition result 1320 is displayed in response to the overwritten handwriting 1310 .
  • candidate characters corresponding to the handwriting input are displayed together and then the handwriting input ( When 1310 is completed, the final handwriting recognition result 1320 may be displayed.
  • the electronic device may have various types of devices.
  • the electronic device may include, for example, a portable communication device (eg, a smart phone), a computer device, a portable multimedia device, a portable medical device, a camera, a wearable device, or a home appliance device.
  • a portable communication device eg, a smart phone
  • a computer device e.g., a smart phone
  • a portable multimedia device e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a wearable device e.g., a smart bracelet
  • a home appliance device e.g., a home appliance
  • first, second, or first or second may simply be used to distinguish an element from other elements in question, and may refer elements to other aspects (e.g., importance or order) is not limited. It is said that one (eg, first) component is “coupled” or “connected” to another (eg, second) component, with or without the terms “functionally” or “communicatively”. When referenced, it means that one component can be connected to the other component directly (eg by wire), wirelessly, or through a third component.
  • module used in various embodiments of this document may include a unit implemented in hardware, software, or firmware, and is interchangeable with terms such as, for example, logic, logic block, component, or circuit.
  • a module may be an integrally formed part or a minimum unit or a part of the part that performs one or more functions.
  • the module may be implemented in the form of an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • Various embodiments of the present document include one or more instructions stored in a storage medium (eg, the internal memory 136 or the external memory 138) readable by a machine (eg, the electronic device 101).
  • a storage medium eg, the internal memory 136 or the external memory 138
  • the electronic device 101 may be implemented as software (eg, the program 140) including
  • the processor eg, the processor 120
  • the device eg, the electronic device 101
  • the one or more instructions may include code generated by a compiler or code executable by an interpreter.
  • the device-readable storage medium may be provided in the form of a non-transitory storage medium.
  • 'non-transitory' only means that the storage medium is a tangible device and does not contain a signal (eg, electromagnetic wave), and this term refers to the case where data is semi-permanently stored in the storage medium and It does not distinguish between temporary storage cases.
  • a signal eg, electromagnetic wave
  • the method according to various embodiments disclosed in this document may be provided as included in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • the computer program product is distributed in the form of a machine-readable storage medium (eg compact disc read only memory (CD-ROM)), or via an application store (eg Play Store TM ) or on two user devices ( It can be distributed (eg downloaded or uploaded) directly or online between smartphones (eg: smartphones).
  • a portion of the computer program product may be temporarily stored or temporarily generated in a machine-readable storage medium such as a memory of a server of a manufacturer, a server of an application store, or a memory of a relay server.
  • each component eg, a module or a program of the above-described components may include a singular or a plurality of entities, and some of the plurality of entities may be separately disposed in other components. have.
  • one or more components or operations among the above-described corresponding components may be omitted, or one or more other components or operations may be added.
  • a plurality of components eg, a module or a program
  • the integrated component may perform one or more functions of each component of the plurality of components identically or similarly to those performed by the corresponding component among the plurality of components prior to the integration. .
  • operations performed by a module, program, or other component are executed sequentially, in parallel, repeatedly, or heuristically, or one or more of the operations are executed in a different order, or omitted. , or one or more other operations may be added.
  • the at least one processor when the instructions are executed by at least one processor, the at least one processor is configured to perform at least one operation, wherein the at least one operation is , through an operation of receiving a handwriting input through a display of the electronic device, an operation of extracting characteristic information between a series of continuous strokes corresponding to the handwriting input, and a machine learning algorithm related to character separation, the extracted characteristic information It may include an operation of merging or separating the strokes based on the merging or separation operation, and an operation of performing handwriting recognition based on a result of performing the merging or separation.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

다양한 실시 예에 따르면, 전자 장치는, 디스플레이, 문자 분리와 관련된 기계 학습 알고리즘을 저장하는 메모리 및 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 디스플레이를 통해 필기 입력을 수신하고, 상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하고, 상기 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하고, 상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하도록 설정될 수 있다. 그 밖에 다양한 실시 예가 제공될 수 있다.

Description

학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체
본 문서에 개시된 다양한 실시 예는 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체에 관한 것이다.
전자 장치는, 전자 장치와 무선 통신을 통하여 연결된 특정한(specified) 입력 장치(예: 스타일러스 펜)를 통하여 사용자로부터 다양한 입력을 받을 수 있도록 개발되고 있다. 전자 장치는, 펜 기능을 가지는 입력 장치(본 개시에서 설명의 편의를 위하여 "스타일러스 펜"이라는 용어로 언급될 수 있다)에 의하여 지정된 전자 장치상의 위치를 확인할 수 있으며, 이에 대응하는 기능을 수행할 수 있다.
스타일러스 펜을 이용한 입력 방식은 손가락을 이용한 터치 입력 방식에 비해, 보다 정밀한 터치 입력이 가능하므로 메모 또는 스케치와 같은 어플리케이션 수행 시에 보다 유용하게 적용될 수 있다. 또한 스타일러스 펜뿐만 아니라 손가락을 이용한 필기 입력을 통한 컨텐츠 작성 방식은 내용 작성의 자유도가 높으며, 보다 직관적이며 신속한 입력이 가능하고, 필기한 내용에 대한 문자 인식 기술의 향상으로 인해, 그 활용성도 크게 높아지고 있다.
사용자가 필기한 글씨는 스마트 폰과 같은 전자 장치의 특성상 크기와 표면의 특성 또는 사용자의 상황에 따라 많은 오차를 가질 수 있다. 게다가 와치(watch) 타입의 웨어러블 전자 장치의 경우 스마트 폰에 비해 입력 창이 매우 작기 때문에 사용자는 작은 입력 창에 글씨를 겹쳐서 쓰는 경우가 발생할 수 있다. 또한, 사용자가 손가락 또는 스타일러스 펜을 통해 입력한 필기 글자들은 크기, 자간, 또는 기울기가 달라서 가독성이 떨어질 수 있으며, 획의 불균형, 문장 내 단어 또는 글자의 비균일성으로 인해 오차가 발생할 수 있다. 게다가 사용자가 필기를 빠르게 입력하다가 겹쳐질 경우에는 심하게 겹쳐진 글씨에 대해서는 인식하는데 많은 시간이 필요하며 입력된 글씨에 대한 인식 정확도도 떨어져서 실시간 인식이 어려울 수 있다.
본 문서에 개시된 다양한 실시예는, 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체가 제공될 수 있다.
다양한 실시 예에 따르면, 전자 장치는, 디스플레이, 문자 분리와 관련된 기계 학습 알고리즘을 저장하는 메모리 및 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 디스플레이를 통해 필기 입력을 수신하고, 상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하고, 상기 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하고, 상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하도록 설정될 수 있다.
다양한 실시 예에 따르면, 전자 장치에서 학습 기반의 필기 입력을 처리하는 방법은, 상기 전자 장치의 디스플레이를 통해 필기 입력을 수신하는 동작, 상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하는 동작, 문자 분리와 관련된 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하는 동작 및 상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하는 동작을 포함할 수 있다.
다양한 실시 예에 따르면, 명령들을 저장하고 있는 저장 매체에 있어서, 상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 동작을 수행하도록 설정된 것으로서, 상기 적어도 하나의 동작은, 전자 장치의 디스플레이를 통해 필기 입력을 수신하는 동작, 상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하는 동작, 문자 분리와 관련된 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하는 동작 및 상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하는 동작을 포함할 수 있다.
다양한 실시 예에 따르면, 사용자가 필기한 글씨가 입력될 때 글씨의 겹쳐진 정도와 상관 없이 신속하고 정확하게 실시간 필기 인식이 가능할 수 있다.
다양한 실시 예에 따르면, 필기 입력에서 연속하는 스트로크들 간의 특징 정보를 추출하여 병합 또는 분리를 수행한 후 필기 인식을 수행함으로써 메모리 리소스를 효율적으로 사용하고, 인식 속도를 향상시킬 수 있다.
다양한 실시 예에 따르면, 필기 입력이 서로 겹쳐지거나 중첩된 경우에도 필기 입력에 대응하는 연속된 스트로크들을 병합 또는 분리하는 알고리즘을 학습함으로써 빠른 필기 인식 속도와 향상된 인식 결과를 제공할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 다양한 실시 예에 따른 네트워크 환경 내의 전자 장치의 블럭도이다.
도 2a는, 디지털 펜을 포함하는, 일 실시예의 전자 장치의 사시도이다.
도 2b는, 다양한 실시 예에 따른 와치 타입의 웨어러블 전자 장치의 예시도이다.
도 3은 다양한 실시 예에 따른 전자 장치의 내부 블록 구성도이다.
도 4는 다양한 실시 예에 따른 필기 인식 과정에서의 스트로크 처리를 위한 기계 학습 모델 기능을 설명하기 위한 도면이다.
도 5는 다양한 실시 예에 따른 다양한 쓰기 방식을 설명하기 위한 도면이다.
도 6은 다양한 실시 예에 따른 룰 기반 방식과 기계 학습 기반 방식을 비교 설명하기 위한 도면이다.
도 7은 다양한 실시 예에 따른 전자 장치의 동작 흐름도이다.
도 8은 다양한 실시 예에 따른 기계 학습 과정을 설명하기 위한 도면이다.
도 9는 다양한 실시 예에 따른 연속하는 스트로크들에 대한 병합 또는 분리 동작을 설명하기 위한 예시도이다.
도 10은 다양한 실시 예에 따른 스트로크 관련 특징 추출을 설명하기 위한 예시도이다.
도 11은 다양한 실시 예에 따른 다양한 문자 영역에 대한 학습 샘플을 설명하기 위한 예시도이다.
도 12는 다양한 실시 예에 따른 기계 학습 알고리즘의 예들을 설명하기 위한 예시도이다.
도 13은 다양한 실시 예에 따른 전자 장치에서 필기 입력 화면에 대한 예시도이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성 요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
도 1은, 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) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 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: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 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)를 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 저장하고, 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) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 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: 디스플레이 모듈(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 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(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 모듈(150)은, 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 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 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 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 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 전자 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 전자 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 구성요소에 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 전자 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(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(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 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 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 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 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 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 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. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 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 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 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, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 2a는, 디지털 펜을 포함하는, 일 실시예의 전자 장치의 사시도이다.
도 2a를 참조하면, 일 실시예의 전자 장치(101)는, 도 1에 도시된 구성을 포함할 수 있으며, 디지털 펜(201)(예를 들어, 스타일러스 펜)이 삽입될 수 있는 구조를 포함할 수 있다. 상기 전자 장치(101)는 하우징(110)을 포함하며, 상기 하우징의 일 부분, 예를 들면, 측면(110C)의 일 부분에는 홀(111)을 포함할 수 있다. 상기 전자 장치(101)는, 상기 홀(111)과 연결된 수납 공간(112)을 포함할 수 있으며, 상기 디지털 펜(201)은 수납 공간(112) 내에 삽입될 수 있다. 도시된 실시예에 따르면, 디지털 펜(201)은, 디지털 펜(201)을 전자 장치(101)의 수납 공간(112)으로부터 꺼내기 용이하도록, 일 단부에, 눌림 가능한 버튼(201a)을 포함할 수 있다. 상기 버튼(201a)이 눌리면, 버튼(201a)과 연계 구성된 반발 메커니즘(예를 들어, 적어도 하나의 스프링)들이 작동하여, 수납 공간(112)으로부터 디지털 펜(201)이 이탈될 수 있다.
도 2a에는 디지털 펜(201)(예를 들어, 스타일러스 펜)이 전자 장치(101) 내부에 삽입될 수 있는 구조를 도시하였으나, 일 실시예에 따라서, 디지털 펜(201)은 전자 장치(101)의 표면 상에 부착되거나 탈착될 수 있다. 이 경우, 전자 장치(101)의 하우징은 스타일러스 펜(201)이 부착될 수 있는 영역을 포함할 수 있다. 또 다른 실시 예에 따르면, 스타일러스 펜(201)은 전자 장치(101)로 삽입 또는 부착되지 않고 별개로 구성되어 이용될 수도 있으며, 이러한 전자 장치(101)는 스타일러스 펜(201)이 삽입될 수 있는 구조를 포함하지 않을 수 있다.
도 2b는, 다양한 실시 예에 따른 와치 타입의 웨어러블 전자 장치의 예시도이다.
도 2b에서는 필기 입력이 가능한 전자 장치의 일 예로 와치 타입의 웨어러블 전자 장치(102)를 예시하고 있다. 여기서, 도 2b의 전자 장치(102)는 도 1의 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))에 해당할 수 있다.
도 2b에 도시된 바와 같이 와치 타입의 웨어러블 전자 장치(102)의 디스플레이(260)는 필기 입력을 위한 어플리케이션 실행 시 사용자 인터페이스를 표시할 수 있다. 사용자는 디스플레이(260)의 입력 창을 통해 손가락을 이용하여 필기 입력을 할 수 있는데, 작은 입력 창에 한 글자씩 입력할 수도 있으나 입력 창 크기로 인해 겹쳐진 글자가 입력될 수도 있다. 따라서 와치 타입의 웨어러블 전자 장치(102)에서는 겹쳐쓴 글자를 분리하여 인식할 수 있는 겹쳐쓰기 모드를 지원할 수 있다.
도 3은 다양한 실시 예에 따른 전자 장치의 내부 블록 구성도이다. 도 3의 전자 장치(101)는 도 1의 전자 장치(101)와 동일 또는 유사한 구성부를 포함할 수 있다. 하기에서는 전자 장치(101)는 스마트 폰과 같은 도 1의 전자 장치(101)를 지칭하는 것 이외에 도 2b의 와치 타입의 웨어러블 전자 장치(102)를 지칭하는 것으로 이해될 수 있다.
도 3을 참조하면, 스타일러스 펜(201)에 의한 입력 또는 사용자 신체(예: 손가락)에 의한 입력을 감지하는 디스플레이(360)(예: 도 1의 디스플레이 모듈(160))가 전자 장치(101)(예: 도 1의 전자 장치(101))에 제공될 수 있다.
다양한 실시 예에 따르면, 디스플레이(360)는 데이터의 입/출력 기능을 동시에 지원할 뿐만 아니라 터치를 감지할 수 있다.
일 실시 예에 따르면, 디스플레이(360)는 사용자에 의해 손가락 또는 스타일러스 펜을 통해 필기되는 필기 입력을 수신할 수 있으며, 상기 필기 입력을 표시할 수 있다. 필기 입력은 적어도 하나의 스트로크(stroke)로 구성될 수 있고, 각 스트로크(또는 획)는 사용자가 스타일러스 펜 또는 손가락을 이용하여 디스플레이(360)를 터치 다운하고 드래그하고 터치 업 하기까지 사용자 입력에 의해 생성되는 복수의 점(point)들로 구성되는 데이터일 수 있다. 예를 들어, 숫자 '1' 은 한 개의(single) 스트로크로 작성될 수 있고, 숫자'4'는 두 개의 스트로크로 작성될 수 있다.
다양한 실시 예에 따르면, 디스플레이(360)는 센싱 패널(361), 디스플레이 패널(362) 및/또는 디스플레이 제어부(363)를 포함할 수 있다. 도 3에서는 센싱 패널(361)이 디스플레이(360)에 포함되는 것으로 설명하지만, 디스플레이 패널(362)과 레이어 구조를 이루어 디스플레이(360)와는 다른 입력 패널로 동작할 수도 있다. 일 실시 예에 따르면, 상기 디스플레이(360)는 터치 스크린이라고 칭할 수 있다.
센싱 패널(361)은 손가락 또는 스타일러스 펜(210)의 터치 입력의 위치를 검출할 수 있고, 디스플레이 패널(362)은 이미지를 출력할 수 있다. 디스플레이 제어부(363)는 디스플레이 패널(362)을 통해 이미지를 출력하기 위해 디스플레이 패널(362)을 제어하는 구동회로일 수 있다.
센싱 패널(361)은 스타일러스 펜(201)이 EMR(electro-magnetic resonance) 방식을 지원하는 경우, 전자기 센서를 이용하는 EMR 방식 또는 EMI(electro-magnetic interface) 방식의 입력 패드로 구성될 수 있으며, 이는 단순히 예시적인 것으로, ECR(electrically coupled resonance) 방식의 입력 패드로도 구성될 수도 있다.
센싱 패널(361)은 스타일러스 펜(201)으로부터 자기장을 인가받고 이로부터 스타일러스 펜(201)의 위치를 검출할 수 있다. 센싱 패널(361)은 복수의 센서를 이용하여 입력을 감지하기 위하여 상호 레이어 구조를 이루는 하나 이상의 패널로 구성될 수 있다.
또한, 센싱 패널(361)은 터치 스크린 패널(TSP)(touch screen panel)로 구현될 수 있으며, 만일 터치 스크린 패널로 구현되는 경우에는 전극으로부터의 출력 신호에 기반하여 손가락에 의한 터치 위치 또는 스타일러스 펜(201)의 위치를 확인할 수도 있다. 스타일러스 펜(201)은, AES(active electrostatic) 방식으로 구현될 수도 있으며, 그 구현 종류에는 제한이 없음을 당업자는 이해할 것이다.
또한, 센싱 패널(361)은 사용자의 손가락 또는 스타일러스 펜(201)이 접촉 또는 근접하는 것을 감지할 수 있다. 예를 들어, 센싱 패널(361)은 스타일러스 펜(201)에 의한 호버링 입력을 감지할 수 있다. 센싱 패널(361)은 호버링 입력에 대응하는 입력 신호를 생성하고, 이를 프로세서(320)로 전달할 수 있다. 센싱 패널(361)은 호버링 입력의 발생 위치, 스타일러스 펜(201), 스타일러스 펜(201)에 구비되는 버튼에 의한 조작 상태를 기반으로, 호버링 입력의 정보를 포함하는 입력 신호를 생성할 수 있다.
이와 같이 스타일러스 펜(201)으로부터의 신호를 센싱할 수 있는 EMR 방식 또는 터치 스크린 패널로 구현된 하드웨어를 센싱 패널(361)이라고 칭할 수 있다. 이러한 센싱 패널(361)은 인체에 의한 터치 입력을 감지하거나 스타일러스 펜(201)에 의한 입력을 감지할 수 있다. 도 3에 도시된 디스플레이(360)의 구성은 일 예에 불과하며, 디스플레이(360)를 구성하는 패널의 종류 및 개수, 패널의 상하층 위치는 전자 장치(101)의 제조 기술에 따라 다양하게 변화될 수 있다.
메모리(330)는, 센싱 패널(361)의 데이터로부터 손가락, 스타일러스 펜(201)과 같은 입력 수단의 위치에 대한 정보(예: 좌표 정보, 및/또는 변위 정보)를 계산하기 위한 프로그램(또는, 어플리케이션, 알고리즘, 또는 처리 루프)을 저장할 수도 있다.
다양한 실시 예에 따르면, 메모리(330)는 필기 입력에 해당하는 스트로크(stroke)(또는 획)와 관련된 기계 학습 알고리즘을 저장할 수 있다. 기계 학습 알고리즘은 제조시 전자 장치(101)에 제공되며, 제조 이후에는 학습을 통해 업데이트될 수 있다.
일 실시 예에 따르면, 기계 학습 알고리즘은 문자 분리와 관련된 알고리즘으로, 예를 들어, 겹쳐쓴 문자들뿐만 아니라 일반 문장의 문자들에 대해 문자 분리를 수행하도록 학습된 것일 수 있다. 일 실시 예에 따르면, 상기 문자 분리와 관련된 기계 학습 알고리즘은, 겹쳐쓰거나 일반 문장으로 필기된 문자들에 대하여 문자 분리를 수행하도록, 겹쳐쓴 문자 샘플들 및 일반 문장 샘플들을 이용하여 학습될 수 있다.
일 실시 예에 따르면, 기계 학습 알고리즘은 스트로크들을 병합하거나 분리하는 알고리즘으로, 동일 문자와 관련된 스트로크들을 병합하고 다른 문자와 관련된 스트로크들은 분리하는 학습을 위해 다층 퍼셉트론(MLP: multi-layer-perceptron), 지원 벡터 기계(SVM: support vector machine), 딥 러닝(deep learning) 중 적어도 하나를 이용할 수 있으며, 이에 한정되는 것은 아니다. 또한, 상기 기계 학습 알고리즘은, 같은 문자 가능성이 있는 스트로크에 대해서는 병합을 나타내는 수치화된 값을 추출하며, 다른 문자 가능성이 있는 스트로크에 대해서는 분리를 나타내는 수치화된 값을 추출하는 2진 분류(2-class) 지도 학습(supervised learning) 방식에 기반하여 학습될 수 있다. 예를 들어, 지도 학습에 따르면, 병합된 스트로크들에 대해서는 '1'값이 출력될 수 있으며, 분리된 스트로크들에 대해서는 '0'값이 출력될 수 있다.
다양한 실시 예에 따르면, 프로세서(320)는 상기 디스플레이(360) 상에 표시되는 필기 입력에 대응하는 필기 데이터를 획득하고, 획득된 필기 데이터에서 지정된 수의 스트로크들 간의 특징 정보를 추출하고, 상기 추출된 특징 정보에 기반하여, 상기 스트로크들에 대한 병합 또는 분리를 수행하고, 상기 병합 또는 분리를 수행한 결과를 필기 인식 엔진(또는 필기 인식 알고리즘)에 제공할 수 있다. 프로세서(320)는 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행할 수 있다. 예를 들어, 프로세서(320)는 병합 또는 분리된 결과를 필기 인식 엔진을 이용하여 사용자에 의해 그려지는 필기 글자들을 인식할 수 있다. 예를 들어, 프로세서(320)는 사용자에 의해 그려지는 필기 데이터를 구성하는 병합 또는 분리된 스트로크들을 식별하고 해석함으로써 필기 글자를 인식할 수 있다.
다양한 실시 예에 따르면, 프로세서(320)는 스트로크들 간의 특징 정보를 추출하여 병합 또는 분리하는 동작을 기계 학습(machine learning) 엔진을 통해 구현할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 한 문자일 가능성 있는 스트로크들을 그룹핑하기 위해 스트로크들에 기반하여 기계 학습 모델을 훈련시키도록 구성될 수 있다. 일 실시 예에 따르면, 프로세서(320)는 스트로크에 대한 특징들을 추출하고 추출된 특징들에 기반하여 스트로크들을 병합 또는 분리하기 위해 기계 학습 엔진을 구동 및 제어할 수 있다. 여기서, 기계 학습 엔진은 전자 장치(101) 내에서 하드웨어 및/또는 소프트웨어 구성요소로 구현될 수 있다. 일 예로, 기계 학습 엔진은 메모리(330)에 저장된 프로그램의 형태로 구현될 수 있다. 이 경우, 상기 기계 학습 엔진은 메모리(330)에 저장된 명령어로 구현되고, 상기 명령어는 상기 프로세서(320)에 의해 실행될 때, 상기 프로세서(320)가 상기 명령어에 해당하는 기능을 수행할 수 있다.
다양한 실시 예에 따르면, 전자 장치(101)는, 디스플레이(360), 문자 분리와 관련된 기계 학습 알고리즘을 저장하는 메모리(330) 및 적어도 하나의 프로세서(320)를 포함하고, 상기 적어도 하나의 프로세서(320)는, 상기 디스플레이(360)를 통해 필기 입력을 수신하고, 상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하고, 상기 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하고, 상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하도록 설정될 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서는, 상기 일련의 연속하는 스트로크들 중 미리 지정된 수의 스트로크들 간의 특징 정보를 추출하도록 설정될 수 있다.
다양한 실시 예에 따르면, 상기 스트로크들 간의 특징 정보는, 스트로크의 직선도, 슬로프 각도(slope angle), 스트로크의 시작점의 위치 정보, 가상 획(ligature)의 슬로프 각도 또는 가상 획의 길이 비율 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따르면, 상기 문자 분리와 관련된 기계 학습 알고리즘은, 겹쳐쓰거나 일반 문장의 문자들에 대하여 문자 분리를 수행하도록 학습될 수 있다.
다양한 실시 예에 따르면, 상기 문자 분리와 관련된 기계 학습 알고리즘은, 겹쳐쓰거나 일반 문장으로 필기된 문자들에 대하여 문자 분리를 수행하도록, 겹쳐쓴 문자 샘플들 및 일반 문장 샘플들을 이용하여 학습될 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서는, 상기 기계 학습 알고리즘에 대한 학습을 위해 다층 퍼셉트론(MLP: multi-layer-perceptron), 지원 벡터 기계(SVM: support vector machine) 또는 딥 러닝(deep learning) 중 적어도 하나를 이용하도록 설정될 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서는, 필기 인식 엔진을 통해 상기 병합 또는 분리를 수행한 결과에 기반하여 상기 필기 입력에 대응하는 필기 인식 결과를 상기 디스플레이 상에 표시하도록 설정될 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서는, 상기 디스플레이의 제1 부분에 상기 필기 입력을 표시하고, 상기 디스플레이의 제2 부분에 상기 필기 입력에 대응하는 필기 인식 결과를 텍스트로 변환하여 표시하도록 설정될 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서는, 상기 수신되는 필기 입력에 대해 전처리(pre-processing)을 수행하고, 상기 전처리된 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하도록 설정될 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서는, 같은 문자 가능성이 있는 스트로크에 대해서는 병합을 나타내는 수치화된 값을 추출하며, 다른 문자 가능성이 있는 스트로크에 대해서는 분리를 나타내는 수치화된 값을 추출하는 2진 분류(2-class) 지도 학습(supervised learning) 방식에 기반하여, 상기 문자 분리와 관련된 기계 학습 알고리즘을 학습하도록 설정될 수 있다.
도 4는 다양한 실시 예에 따른 다양한 쓰기 방식을 설명하기 위한 도면이다.
도 4를 참조하면, 필기 인식에 있어서 스마트폰이나 태블릿 PC와 같은 전자 장치를 사용할 경우, 사용자는 입력 창에 맞추어 필기할 수 있으며, 이에 따라 일반 문장(410)에서와 같이 필기 입력이 그대로 표시될 수 있다.
반면, 도 2b에서의 와치(watch) 타입의 웨어러블 전자 장치와 같이 입력 창이 충분히 크지 않은 전자 장치를 사용할 경우, 사용자는 작은 입력 창에 한 글자씩 입력하거나 글씨를 겹쳐서 쓸 수 있다. 예를 들어, 와치 타입의 웨어러블 전자 장치에서, 겹쳐쓰기(420)의 경우 사용자는 단어 및/또는 문장의 문자들을 작은 입력창으로 인해 같은 영역에 겹쳐서 필기할 경우, 겹쳐쓴 필기를 인식하기 위해서는 룰 기반의 방식을 통해 스트로크들을 병합하여 필기 인식 엔진에 입력함으로써 필기 인식 결과가 출력될 수 있다. 하지만 룰 기반의 방식의 경우 겹쳐쓴 필기 입력에 따른 스트로크들이 많아짐에 따라 인식 속도도 느려지고 인식 결과에 대한 오류도 증가할 수 있다.
따라서 사용자가 겹쳐 쓴 필기에서 문자를 추출할 때, 학습 기반의 병합 및 분리 방법을 통해 입력된 스트로크들을 빠르게 그룹화 및 분리하여, 스트로크들이 많아짐에 상관 없이 신속하고 정확하게 실시간 필기 인식 결과를 제공할 수 있는 방법을 고려할 필요가 있다.
이하의 설명에서는 필기 입력에 해당하는 스트로크들을 빠르게 병합하거나 분리하는 방법으로 기계 학습 알고리즘은, 스트로크들을 병합하거나 분리하는 학습을 위해 다층 퍼셉트론(MLP: multi-layer-perceptron), 지원 벡터 기계(SVM: support vector machine), 딥 러닝(deep learning) 중 적어도 하나를 이용할 수 있으며, 이에 한정되는 것은 아니다.
도 5는 다양한 실시 예에 따른 필기 인식 과정에서의 스트로크 처리를 위한 기계 학습 모델 기능을 설명하기 위한 도면이다.
도 5를 참조하면, 다양한 실시 예에 따르면 필기 입력에 대응하는 스트로크들을 분류하여 필기를 인식하기 위한 필기 인식 엔진(500)에서의 동작은 크게 전처리 동작(510), 기계 학습 기반의 스트로크 병합 동작(520), 특징 추출 및 필기 인식 동작(530) 및/또는 인식 결과 출력 동작(540)을 포함할 수 있다. 일 실시 에에 따르면, 상기 필기 인식 엔진(500)에서의 각 동작은 모듈과 같은 하드웨어 및/또는 소프트웨어 구성요소로 구현될 수 있으며, 이하 설명의 편의를 위해 상기 동작의 주체를 모듈이라고 칭할 수 있다.
다양한 실시 예에 따르면, 전처리 모듈(510)은 필기 입력을 인식하기 위한 전처리를 수행할 수 있다. 예를 들어, 상기 전처리 모듈(510)은 상기 필기 입력에서 노이즈 포인트(noise point)를 제거하고, 라인 분리(line segmentation)를 수행하고, 기울기 보정(skew correction)을 수행할 수 있다.
다양한 실시 예에 따르면, 기계 학습 기반의 스트로크 병합 모듈(520)은 전처리된 필기 입력에 해당하는 스트로크들 중 N 개의 연속하는 스트로크들을 추출한 후, 각 스트로크들 간의 특징을 추출할 수 있다. 일 실시 예에 따르면, 상기 스트로크들 간의 특징은, 각 스트로크의 직선도, 슬로프 각도(slope angle), 스트로크의 시작점의 위치 정보, 가상 획(ligature)의 슬로프 각도 또는 가상 획의 길이 비율 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따르면, 기계 학습 기반의 스트로크 병합 모듈(520)은 N 개의 연속하는 스트로크들을 추출하여, 추출된 각 스트로크들 간의 문자 병합 및/또는 분리를 위한 특징을 추출할 수 있다. 예를 들어, 기계 학습 기반의 스트로크 병합 모듈(520)은 2진 분류(2-class) 지도 학습(supervised learning) 방식을 이용하여, 추출된 특징에 기반하여 해당 특징이 병합 또는 분리에 해당하는 수치화된 값을 갖도록 학습할 수 있다. 예를 들어, 해당 특징이 병합일 경우 '0'의 값을 갖도록 하며, 분리일 경우 '1'의 값을 갖도록 학습할 수 있다. 이와 같이 학습 데이터(또는 훈련 데이터)를 이용하여 학습된 기계 학습 알고리즘을 학습 모델링이라고 칭할 수 있다.
다양한 실시 예에 따르면, 기계 학습 기반의 스트로크 병합 모듈(520)에서 스트로크 병합을 수행할 때, 학습 결과 모델링(550)이 반영될 수 있다. 예를 들어, 기계 학습 기반의 스트로크 병합 모듈(520)에는 필기 입력에 해당하는 스트로크들 간의 특징을 수치화할 때, 학습된 가중치를 반영할 수 있다. 예를 들어, 학습에 사용되는 훈련 데이터의 양이 많아질수록 즉, 학습이 진행될수록 기계 학습 기반의 스트로크 병합 모듈(520)에서의 스트로크들에 대한 병합 또는 분리를 위한 학습 결과의 정확도도 높아지면서 처리 속도도 빨라질 수 있다.
도 5에 도시된 바와 같이 다양한 실시 예에 따르면, 필기 인식 엔진(500)에서 필기 인식을 수행하기 전에, 기계 학습 기반의 스트로크 병합 모듈(520)에서 연속하는 스트로크들 간의 특징 정보를 추출하여 병합 또는 분리를 수행한 묶음 형태의 스트로크들에 대한 데이터를 특징 추출 및 필기 인식 모듈(530)로 제공할 수 있다.
다양한 실시 예에 따르면, 일반적인 겹쳐쓰기 인식 모드에서 전처리된 스트로크를 필기 인식 엔진(500)에 바로 연동하거나 룰(rule) 기반의 알고리즘을 통해 그룹화된 스트로크들을 필기 인식 엔진(500)에 연동하는 방식에 비해, 기계 학습 기반의 스트로크 병합 모듈(520)에서 의해 분류된 묶음 형태의 스트로크들을 필기 인식에 이용함으로써 필기 인식 엔진(500)에서의 인식 속도가 향상될 뿐만 아니라 인식 후보에 대한 수도 줄일 수 있어 최종 인식 결과를 향상시킬 수 있다.
다양한 실시 예에 따르면, 특징 추출 및 필기 인식 모듈(530)은 기계 학습 기반의 스트로크 병합 모듈(520)에 의해 병합된 스트로크들(또는 묶음 형태의 스트로크들)에 대한 특징 및 후보 패스(path)를 추출할 수 있다. 예를 들어, 기계 학습에 의해 병합된 스트로크들 묶음은 하나의 문자로 그룹핑할 수 있는 단위로 간주될 수 있다. 여기서, 묶음 형태의 스트로크들에 대한 특징 정보의 추출은, 문자로 그룹핑할 수 있도록 분할된 블록들에서 특징 정보를 추출하는 것을 의미할 수 있다. 예를 들어, 특징 추출 및 필기 인식 모듈(530)은 필기 학습 데이터베이스(미도시)를 기반으로 상기 특징 정보를 이용하여 최소 단위의 글자 후보에 해당하는 필기 인식을 수행할 수 있다.
인식 결과 출력 모듈(540)은 글자 후보들 중 인식된 최종 결과를 출력할 수 있다.
다양한 실시 예에 따르면, 사용자가 필기한 글씨가 입력될 때 글씨들이 심하게 겹쳐진 경우에도 필기 입력에 대응하는 연속된 스트로크들을 병합 또는 분리하는 기계 학습 기반의 학습을 통해 빠른 필기 인식 속도와 향상된 인식 결과를 제공할 수 있다.
도 6은 다양한 실시 예에 따른 룰 기반 방식과 기계 학습 기반 방식을 비교 설명하기 위한 도면이다.
도 6(a)에서는 겹쳐쓰기에 해당하는 필기 입력에 대해 룰 기반의 방식을 통한 스트로크 병합을 예시하고 있으며, 도 6(b)에서는 기계 학습 기반의 스트로크 병합을 예시하고 있다.
예를 들어, 도 6(a)을 참조하면, 겹쳐쓴 필기 입력(600)에 대응하는 스트로크들을 전처리하여 룰 기반 방식(610)(또는 룰 기반 알고리즘)을 적용할 경우, 스트로크들에 대해 복수의 패스들(paths)(620)이 추출될 수 있다. 도 6(a)에 도시된 바와 같이 룰 기반 방식(610)의 경우 분할된 스트로크들(621, 622, 623, 624, 625, 626)이 많아질수록 패스들(620)도 많아질 수 있다. 또한, 필기 인식 엔진에 입력되는 횟수들도 증가하여 분할된 스트로크들(621, 622, 623, 624, 625, 626)과 관련하여 많은 후보 문자들(631, 632, 633, 634) 중에서 최적의 후보(640)를 산출함에 있어서 최종 패스 결과에 대한 오류가 증가할 수 있다.
반면, 도 6(b)를 참조하면, 다양한 실시 예에 따라 겹쳐쓴 필기 입력(600)에 대응하는 스트로크들을 전처리하여 기계 학습 기반 방식(650)(또는 기계 학습 알고리즘)을 적용할 경우, 병합 또는 분리된 스트로크들(661, 662, 663, 664)과 관련하여 가능한 패스들(660)도 줄어들어 후보 문자들(671, 672) 중에서 최적의 후보(680)을 산출할 수 있다.
도 6(b)에 도시된 바와 같이 다양한 실시 예에 따르면, 기계 학습 기반 방식(660)을 이용할 경우 추론을 통해 하나의 문자로 그룹핑 가능한 스트로크들에 대한 병합 또는 분리가 가능할 수 있으며, 안정적인 인식 결과를 출력할 수 있다. 또한 스트로크들 병합을 통해 필기 인식 엔진의 호출 횟수를 줄일 수 있어, 필기 인식 속도도 향상될 수 있다.
도 7은 다양한 실시 예에 따른 전자 장치의 동작 흐름도(700)이다.
도 7을 참조하면, 동작 방법은 705 동작 내지 720 동작을 포함할 수 있다. 도 7의 동작 방법의 각 단계/동작은, 전자 장치(예: 도 1의 전자 장치(101), 도 3의 전자 장치(101)), 전자 장치의 적어도 하나의 프로세서(예: 도 1의 프로세서(120) 또는 도 3의 프로세서(320)) 중 적어도 하나)에 의해 수행될 수 있다. 한 실시 예에서, 705 동작 내지 720 동작들 중 적어도 하나가 생략되거나, 일부 동작들의 순서가 바뀌거나, 다른 동작이 추가될 수 있다.
도 7을 참조하면, 705 동작에서 전자 장치(101)는 필기 입력을 수신할 수 있다. 일 실시 예에 따르면, 전자 장치(101)의 디스플레이를 통해 사용자에 의해 필기되는 필기 입력을 수신할 수 있으며, 상기 필기 입력이 디스플레이(360)의 제1 부분(예: 입력 창)에 표시될 수 있다.
710 동작에서 전자 장치(101)는 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출할 수 있다.
일 실시 예에 따르면, 전자 장치(101)는 상기 수신되는 필기 입력에 대해 전처리(pre-processing)을 수행하고, 상기 전처리된 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출할 수 있다.
일 실시 예에 따르면, 전자 장치(101)는 상기 일련의 연속하는 스트로크들 중 미리 지정된 수의 스트로크들 간의 특징 정보를 추출할 수 있다. 예를 들어, 전자 장치(101)는 2 개의 연속하는 스트로크들 마다 각 스트로크들 간의 특징을 추출할 수 있다. 일 실시 예에 따르면, 상기 스트로크들 간의 특징 정보는, 스트로크의 직선도, 스트로크의 슬로프 각도, 스트로크의 시작점의 위치 정보, 가상 획(ligature)의 슬로프 각도 또는 가상 획의 길이 비율 중 적어도 하나를 포함할 수 있다.
715 동작에서 전자 장치(101)는 문자 분리와 관련된 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행할 수 있다. 일 실시 예에 따르면, 상기 문자 분리와 관련된 기계 학습 알고리즘은, 겹쳐쓰거나 일반 문장의 문자들에 대하여 문자 분리를 수행하도록 학습된 것일 수 있다. 일 실시 예에 따르면, 상기 문자 분리와 관련된 기계 학습 알고리즘은, 겹쳐쓰거나 일반 문장으로 필기된 문자들에 대하여 문자 분리를 수행하도록, 겹쳐쓴 문자 샘플들 및 일반 문장 샘플들을 이용하여 학습된 것일 수 있다.
일 실시 예에 따르면, 다층 퍼셉트론(MLP: multi-layer-perceptron), 지원 벡터 기계(SVM: support vector machine) 또는 딥 러닝(deep learning) 중 적어도 하나를 이용하여, 상기 기계 학습 알고리즘에 대한 학습이 수행될 수 있다.
일 실시 예에 따르면, 같은 문자 가능성이 있는 스트로크에 대해서는 병합을 나타내는 수치화된 값을 추출하며, 다른 문자 가능성이 있는 스트로크에 대해서는 분리를 나타내는 수치화된 값을 추출하는 2진 분류(2-class) 지도 학습(supervised learning) 방식에 기반하여, 상기 기계 학습 알고리즘에 대한 학습이 수행될 수 있다.
720 동작에서 전자 장치(101)는 상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 필기 인식 엔진을 통해 상기 병합 또는 분리를 수행한 결과에 기반하여 상기 필기 입력에 대응하는 필기 인식 결과를 상기 디스플레이(360) 상에 표시할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 사용자에 의해 필기되는 필기 입력을 디스플레이(360)의 제1 부분(예: 입력 창)에 표시하며, 상기 필기 입력에 대응하는 필기 인식 결과를 디스플레이(360)의 제2 부분(예: 출력 창)에 텍스트로 변환하여 표시할 수 있다.
도 8은 다양한 실시 예에 따른 기계 학습 과정을 설명하기 위한 도면이다.
다양한 실시 예에 따른 기계 학습 알고리즘의 학습 방법은, 도 8에 도시된 바와 같이 겹쳐쓴 필체 샘플 및 일반 문장 샘플이 준비되는 단계(800), N 개의 연속된 스크로크를 추출하는 단계(810), 스트로크들 간의 특징을 추출하는 단계(820), 기계 학습을 적용하는 단계(830) 및 학습된 결과를 모델링하는 단계(840)를 포함할 수 있다.
겹쳐쓴 필체 샘플 및 일반 문장 샘플이 준비되는 단계(800)에서, 필체 샘플들은 복수의 필기 샘플을 포함할 수 있다. 일 실시 예에 따르면, 겹쳐쓰거나 일반 문장으로 쓴 필기를 문자에 대응하도록 그룹화 또는 분리하기 위해 스트로크 병합 및 분리를 수행할 수 있으며, 스트로크 병합 및 분리를 위한 기계 학습을 훈련시키기 위해서는 겹쳐쓴 샘플 및 일반 문장의 샘플들뿐만 아니라 스트로크들이 어떤 문자에 해당하는지에 대한 정보가 필요할 수 있다. 예를 들어, 문자'생활'을 필기 형태로 전자 장치(101) 상에 입력하면 텍스트 형태의 '생활'을 출력하도록 겹쳐쓴 '생활'에 대한 필체 샘플뿐만 아니라 다양한 크기와 모양의 문자'생활'에 대한 필기 데이터가 준비될 수 있다. 또한, 한 문자 영역으로 겹쳐쓴 문자'생활'에 대한 필체 샘플의 경우, 문자'생'과' 문자'활'에 대한 문자 분리 정보도 모두 필체 샘플에 포함될 수 있다.
또한, 문자'생활'뿐만 아니라 다양한 문자에 대한 필기 인식이 가능하도록 이와 관련된 필기 샘플이 모두 필체 샘플 데이터베이스에 저장될 수 있다.
이와 같이 필체 샘플들과 관련된 문자 분리 정보를 포함하는 복수의 필체 샘플들을 이용하여 기계 학습 모델이 생성될 수 있다. 여기서, 기계 학습 모델은 필체 샘플들을 이용하여 학습된(또는 훈련된) 알고리즘일 수 있으며, 예를 들어, 2진 분류(2-class) 지도 학습(supervised learning) 방식에 기반하여, 학습될 수 있다.
N 개의 연속된 스트로크를 추출하는 단계(810)는 필체 샘플 데이터베이스에 저장된 모든 필체 샘플들마다 일련의 연속하는 스트로크들 중 미리 정해진 수의 스트로크들을 추출하는 단계일 수 있다. 예를 들어, 특징 추출을 위해 2개 이상의 스트로크들이 추출될 수 있다.
스트로크들 간의 특징을 추출하는 단계(820)는 문자 병합 및 분리를 위해 미리 정해진 수의 스트로크들 간의 특징 정보를 추출하는 단계를 포함할 수 있다. 예를 들어, 상기 스트로크들 간의 특징 정보는, 스트로크의 직선도, 슬로프 각도, 스트로크의 시작점의 위치 정보, 가상 획의 슬로프 각도 또는 가상 획의 길이 비율 중 적어도 하나를 포함할 수 있으며, 이에 한정되지 않을 수 있다.
기계 학습을 적용하는 단계(830)는 필체 샘플 데이터베이스에 저장된 모든 필체 샘플들에 대해 추출된 특징 정보에 기반하여 기계 학습을 적용하는 단계를 포함할 수 있다.
학습된 결과를 모델링하는 단계(840)는 필체 샘플과 문자 분리 정보 간의 관계를 모델링한 것으로, 학습된 결과는 실제 사용자에 필기되는 필기 입력에 해당하는 일련의 연속하는 스트로크들에 대한 병합 또는 분리 시에 적용될 수 있다.
도 9는 다양한 실시 예에 따른 연속하는 스트로크들에 대한 병합 또는 분리 동작을 설명하기 위한 예시도이다.
도 9를 참조하면, 겹쳐쓴 문자 '생활환경으로'(900)을 예로 들어 설명하면 하기와 같기와 같다. 먼저, 6개의 문자들에서 첫번째 '생'(910)이란 문자를 구성하는 스트로크들을 6개의 스트로크들로 구성되어 있으며, 문자 '생'(910)에 대한 정보가 "0, 0, 0, 0, 0, 0"개로 작성된 것을 확인할 수 있다. 이와 마찬가지로 문자 '활'(920)은 총 8개의 스트로크들로 구성되어 있고 그에 해당되는 정보는 "1, 1, 1, 1, 1, 1, 1, 1,"로 구성될 수 있다. 문자 '환'(930)은 총 5개의 스트로크들로 구성되어 있고 그에 해당되는 정보는 "2, 2, 2, 2, 2"로 구성될 수 있다. 또한 문자 '경'(940)도 총 5개의 스트로크들로 구성되어 있고 그에 해당되는 정보는 "3, 3, 3, 3, 3"로 구성될 수 있다. 문자 '으'(950)는 총 2개의 스트로크들로 구성되어 있고 그에 해당되는 정보는 "4, 4"로 구성될 수 있다. 문자 '로'(960)도 총 2개의 스트로크들로 구성되어 있고 그에 해당되는 정보는 "5"로 구성될 수 있다. 이와 같이 겹쳐쓴 문자 '생활환경으로'(900)과 관련하여 모든 스트로크들을 인덱스 형태로 나타낼 수 있다.
도 9에서는 일련의 연속하는 스트로크들 중 미리 정해진 수(예: 2개)의 스트로크들에 대한 특징 추출을 예시하고 있다. 예를 들어, 추출된 2 개의 스트로크들이 같은 문자에서 추출한 것이라면 병합으로 처리하고, 다른 문자에서 추출된 스트로크일 경우에는 분리로 처리할 수 있다. 이에 따라 문자 '생'의 마지막 스트로크와 문자 '활'의 처음 스트로크는 인덱스 값이 달라지므로 분리될 수 있다.
다양한 실시 예에 따르면, 이러한 방법을 통해 1문자 영역, 2문자 영역, 3 문자 영역과 같이 다양하게 겹쳐쓴 샘플을 생성하여 학습 샘플을 확장할 수 있다. 이를 위해 각 문자를 해당 영역에 맞게 생성하기 위한 방법이 도입될 수 있다. 뿐만 아니라 일반 문장 샘플까지 학습 샘플 생성하여 겹쳐쓰기 모드에서도 일반 문장을 인식할 수 있도록 구성할 수 있다.
도 9에 도시된 바와 같이 다양한 실시 예에 따르면, 하나의 문자로 그룹핑할 수 있는 스트로크들을 기계 학습을 통해 미리 병합할 수 있다.
또한 다양한 실시 예에 따르면 일련의 연속하는 문자들 예를 들어, 한 문자 영역에서 겹쳐쓴 문자들 이외에 둘 이상의 문자 영역에서 겹쳐쓴 문자들일지라도 일련의 연속하는 스트로크들 중 N 개 단위로 병합 또는 분리 가능 여부를 식별하기 때문에 문자 영역의 수, 해당 문자 영역에서의 겹쳐진 문자의 수, 겹쳐진 정도에 상관 없이 필기 인식이 가능할 수 있으며, 일반 문장의 문자도 필기 인식이 가능할 수 있다.
도 10은 다양한 실시 예에 따른 스트로크 관련 특징 추출을 설명하기 위한 예시도이다.
도 10을 참조하면, 전자 장치(101)는 필기 입력(예: 문자 '기')을 구성하는 두 개의 스트로크들에 대한 특징을 추출할 수 있다. 예를 들어, 상기 필기 입력을 구성하는 두 개의 스트로크(1010, 1020)(예: 'ㄱ', 'l') 각각에 대한 최초 포인트 및 마지막 포인트를 이용하여 직선도, 슬로프 각도(또는 기울기)를 식별할 수 있다. 또한 전자 장치(101)는 각 스트로크(1010, 1020)에 위치 정보를 식별할 수 있다. 예를 들어, 전자 장치(101)는 각 스트로크(1010, 1020)의 최초 포인트 및 마지막 포인트에 기반하여 각 스트로크(1010, 1020)의 위치 정보를 식별할 수 있다. 또한 스트로크1(1010)의 마지막 포인트와 스트로크2(1020) 사이에 있는 비어 있는 공간 스트로크(예: 가상의 획(ligature))(1030)에 대한 특징도 추출할 수 있다.
다양한 실시 예에 따르면, 전자 장치(101)는 일련의 연속하는 스트로크들)(예: 'ㄱ', 'l')에 대한 특징 정보를 이용하여 같은 문자일 가능성이 있는 스트로크들(예: 문자 '기')로 병합할 수 있다. 예를 들어, 도 10에서는 전자 장치(101)는 일련의 연속하는 스트로크들 중 2 개의 연속하는 스트로크들 마다 각 스트로크들 간의 특징을 추출하는 경우를 예로 들어 설명하였으나, 이에 한정되는 것은 아니다. 예를 들어, 3 개의 연속하는 스트로크들 간의 특징을 추출할 수 있으며, 필기 입력에 해당하는 일련의 연속하는 스트로크들 중 특징 추출을 위해 사용되는 스트로크에 대한 미리 정해진 수는 전자 장치(101)의 제조사에 의하여 설정될 수 있다. 예를 들어, 미리 정해진 수가 커질수록 스트로크들에 대한 더 많은 특징 정보를 얻을 수 있어 보다 정확한 인식이 가능하며, 상기 미리 정해진 수가 작을수록 빠르게 특징 정보를 얻을 수 있어 인식 속도가 보다 빨라질 수 있으므로, 상기 미리 정해진 수는 필요에 따라 조정 가능할 수 있다.
도 11은 다양한 실시 예에 따른 다양한 문자 영역에 대한 학습 샘플을 을 설명하기 위한 예시도이다.
도 11에서와 같이 다양한 실시 예에 따르면, 전자 장치(101)에서 필기 입력에 대해 기계 학습 알고리즘을 적용할 경우 1 문자 영역(1110), 2 문자 영역(1120), 3 문자 영역(1130, 1140), 상하 겹침 영역(1150, 1160)에서와 같이 문자 영역의 수 및 해당 문자 영역에서의 겹침 정도에 상관 없이 다양하게 겹쳐쓴 필기 입력에 대한 학습 샘플을 학습하여 일반 문장(1170)에서와 같이 겹쳐지지 않은 필기 입력에 대해서도 상기 기계 학습 알고리즘을 적용할 경우에 정확한 인식 결과를 얻을 수 있다.
예를 들어, 1 문자 영역(1110)은 한 문자에 해당하는 문자를 겹쳐서 입력한 경우를 나타내며, 2 문자 영역(1120)은 두 문자에 해당하는 문자들을 겹쳐서 입력한 경우를 나타내고 있다. 다양한 실시 예에 따르면, 2 문자 영역(1120)에 두 문자에 해당하는 문자들을 복수개(예: 네 문자) 겹쳐서 입력할 경우 연속하는 네 문자에 해당하는 필기 인식 결과가 출력될 수 있다.
도 11에서와 같이 다양한 형태로 겹쳐쓰거나 일반 문장으로 필기된 문자들에 해당하는 학습 샘플들을 이용하여 학습을 함으로써, 겹쳐쓴 문자인지 일반 문장의 문자들인지에 구분없이 필기된 모든 문자들에 대해 문자 분리가 가능할 수 있다.
한편, 룰 기반의 방식과 기계 학습 기반의 방식을 이용하여 스트로크들을 병합했을 경우의 인식률을 비교해 보면, 겹쳐쓰기에서의 필기 인식률 및 인식 속도는 룰 기반의 방식에 비해 기계 학습 기반의 방식이 더 높게 나올 수 있음을 테스트를 통해 확인할 수 있다. 예를 들어, 룰 기반 대비 기계 학습 기반의 인식률은 약 1~2% 향상될 수 있으며, 인식 속도도 20~30% 개선될 수 있다. 도 12는 다양한 실시 예에 따른 기계 학습 알고리즘의 예들을 설명하기 위한 예시도이다.
도 12(a)에서는 기계 학습 알고리즘의 일 예로, 신경망 방식을 이용하여 스트로크들을 병합하거나 분리하는 경우를 예시하고 있으며, 도 12(b)에서는 기계 학습 알고리즘의 다른 일 예로, 지원 벡터 기계(SVM: support vector machine) 방식을 이용하여 스트로크들을 병합하거나 분리하는 경우를 예시하고 있다.
도 12(a)의 신경망 방식은 예를 들어, 각 노드들에 대해 왼쪽에서 오른쪽으로 스텝별로 진행하면서 각 스텝마다 병합 또는 분리를 통해 최적의 병합된 스트로크 또는 분리된 스트로크를 찾아내는 과정을 나타내고 있다. 반면, 도 12(b)의 SVM 방식은 클러스터링을 통해 스트로크들을 병합하거나 분리하는 과정을 나타내고 있다.
도 12에서는 예시적으로 2가지의 기계 학습 알고리즘이 도시되었으나, 이외에 다양한 기계 학습 알고리즘이 사용될 수 있으며, 이와 같이 학습된 기계 학습 알고리즘은 메모리(예: 도 3의 메모리(330))에 저장될 수 있다.
도 13은 다양한 실시 예에 따른 전자 장치에서 필기 입력 화면에 대한 예시도이다.
도 13에서는 전자 장치(101)에서 필기 입력과 관련된 어플리케이션 수행에 따른 화면(1300)을 예시하고 있다. 도 13에 도시된 바와 같이, 어플리케이션이 실행되면, 필기 입력을 위한 입력창이 표시될 수 있으며, 사용자가 스타일러스 펜(201)을 이용하여 필기 입력창을 통해 필기(1310)를 입력할 수 있다. 예를 들어, 사용자가 겹쳐쓰기로 글씨를 입력할 경우, 도 13에 도시된 바와 같이 2 이상의 문자 영역의 수에 해당하는 글자들이 서로 겹쳐진 상태로 입력될 수 있다. 일 실시 예에 따르면, 필기 인식 엔진을 사용하기 전에 기계 학습 기반의 방식을 이용할 경우, 전자 장치(101)는 겹쳐쓰기로 필기한 글씨에 해당하는 예를 들어, 문자 영역의 수(1310)(또는 문자 영역의 크기), 해당 문자 영역에서의 겹쳐진 글씨의 수, 겹쳐진 정도에 상관 없이 필기 인식 결과(1320)를 표시할 수 있다.
다양한 실시 예에 따르면, 사용자가 겹쳐쓰기로 필기한 글씨의 경우 일련의 순서로 필기되는 것이기 때문에, 겹쳐진 글씨이더라도 기계 학습 기반의 방식을 통해 하나의 단어로 그룹핑하기 위해 스트로크들을 병합하거나 분리한 이후에 그룹화된 스트로크들에 대한 필기 인식이 수행되므로, 전자 장치(101)는 실시간 필기 입력에 대응하여 신속하게 필기 인식 결과(1320)를 표시할 수 있다.
한편, 도 13에서는 겹쳐쓴 필기(1310)에 대응하여 최종 필기 인식 결과(1320)만이 표시되는 경우를 예시하고 있으나, 필기 입력(1310) 동안에 필기 입력에 대응하는 후보 문자들이 함께 표시되다가 필기 입력(1310)이 완료되면 최종 필기 인식 결과(1320)가 표시되는 형태로 구현될 수도 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 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 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 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 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 두 개의 사용자 장치들(예: 스마트 폰들) 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 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 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.
다양한 실시 예에 따르면, 명령들을 저장하고 있는 저장 매체에 있어서, 상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 동작을 수행하도록 설정된 것으로서, 상기 적어도 하나의 동작은, 전자 장치의 디스플레이를 통해 필기 입력을 수신하는 동작, 상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하는 동작, 문자 분리와 관련된 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하는 동작 및 상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하는 동작을 포함할 수 있다.
그리고 본 명세서와 도면에 발명된 본 발명의 실시 예들은 본 발명의 실시 예에 따른 기술 내용을 쉽게 설명하고 본 발명의 실시 예의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 실시 예의 범위를 한정하고자 하는 것은 아니다. 따라서 본 발명의 다양한 실시 예의 범위는 여기에 발명된 실시 예들 이외에도 본 발명의 다양한 실시 예의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 다양한 실시 예의 범위에 포함되는 것으로 해석되어야 한다.

Claims (15)

  1. 전자 장치에 있어서,
    디스플레이;
    문자 분리와 관련된 기계 학습 알고리즘을 저장하는 메모리; 및
    적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 디스플레이를 통해 필기 입력을 수신하고,
    상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하고,
    상기 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하고,
    상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하도록 설정된, 전자 장치.
  2. 제1항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 일련의 연속하는 스트로크들 중 미리 지정된 수의 스트로크들 간의 특징 정보를 추출하도록 설정된, 전자 장치.
  3. 제1항에 있어서, 상기 스트로크들 간의 특징 정보는,
    스트로크의 직선도, 슬로프 각도(slope angle), 스트로크의 시작점의 위치 정보, 가상 획(ligature)의 슬로프 각도 또는 가상 획의 길이 비율 중 적어도 하나를 포함하는, 전자 장치.
  4. 제1항에 있어서, 상기 문자 분리와 관련된 기계 학습 알고리즘은,
    겹쳐쓰거나 일반 문장의 문자들에 대하여 문자 분리를 수행하도록, 겹쳐쓴 문자 샘플들 및 일반 문장 샘플들을 이용하여 학습된, 전자 장치.
  5. 제4항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 기계 학습 알고리즘에 대한 학습을 위해 다층 퍼셉트론(MLP: multi-layer-perceptron), 지원 벡터 기계(SVM: support vector machine) 또는 딥 러닝(deep learning) 중 적어도 하나를 이용하도록 설정된, 전자 장치.
  6. 제1항에 있어서, 상기 적어도 하나의 프로세서는,
    필기 인식 엔진을 통해 상기 병합 또는 분리를 수행한 결과에 기반하여 상기 필기 입력에 대응하는 필기 인식 결과를 상기 디스플레이 상에 표시하도록 설정된, 전자 장치.
  7. 제1항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 디스플레이의 제1 부분에 상기 필기 입력을 표시하고,
    상기 디스플레이의 제2 부분에 상기 필기 입력에 대응하는 필기 인식 결과를 텍스트로 변환하여 표시하도록 설정된, 전자 장치.
  8. 제1항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 수신되는 필기 입력에 대해 전처리(pre-processing)을 수행하고,
    상기 전처리된 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하도록 설정된, 전자 장치.
  9. 제1항에 있어서, 상기 적어도 하나의 프로세서는,
    같은 문자 가능성이 있는 스트로크에 대해서는 병합을 나타내는 수치화된 값을 추출하며, 다른 문자 가능성이 있는 스트로크에 대해서는 분리를 나타내는 수치화된 값을 추출하는 2진 분류(2-class) 지도 학습(supervised learning) 방식에 기반하여, 상기 문자 분리와 관련된 기계 학습 알고리즘을 학습하도록 설정된, 전자 장치.
  10. 전자 장치에서 학습 기반의 필기 입력을 처리하는 방법에 있어서,
    상기 전자 장치의 디스플레이를 통해 필기 입력을 수신하는 동작;
    상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하는 동작;
    문자 분리와 관련된 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하는 동작; 및
    상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하는 동작을 포함하는, 학습 기반의 필기 입력을 처리하는 방법.
  11. 제10항에 있어서, 상기 일련의 연속하는 스트로크들 간의 특징 정보를 추출하는 동작은,
    상기 일련의 연속하는 스트로크들 중 미리 지정된 수의 스트로크들 간의 특징 정보를 추출하는 동작을 포함하는, 학습 기반의 필기 입력을 처리하는 방법.
  12. 제10항에 있어서, 상기 스트로크들 간의 특징 정보는,
    스트로크의 직선도, 슬로프 각도(slope angle), 스트로크의 시작점의 위치 정보, 가상 획(ligature)의 슬로프 각도 또는 가상 획의 길이 비율 중 적어도 하나를 포함하는, 학습 기반의 필기 입력을 처리하는 방법.
  13. 제10항에 있어서, 상기 문자 분리와 관련된 기계 학습 알고리즘은,
    겹쳐쓰거나 일반 문장의 문자들에 대하여 문자 분리를 수행하도록 학습된, 학습 기반의 필기 입력을 처리하는 방법.
  14. 제10항에 있어서,
    다층 퍼셉트론(MLP: multi-layer-perceptron), 지원 벡터 기계(SVM: support vector machine) 또는 딥 러닝(deep learning) 중 적어도 하나를 이용하여, 상기 기계 학습 알고리즘에 대한 학습을 수행하는 동작을 더 포함하는, 학습 기반의 필기 입력을 처리하는 방법.
  15. 명령들을 저장하고 있는 저장 매체에 있어서, 상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 동작을 수행하도록 설정된 것으로서, 상기 적어도 하나의 동작은,
    전자 장치의 디스플레이를 통해 필기 입력을 수신하는 동작;
    상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하는 동작;
    문자 분리와 관련된 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하는 동작; 및
    상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하는 동작을 포함하는, 저장 매체.
PCT/KR2022/002236 2021-03-31 2022-02-15 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체 WO2022211271A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/373,874 US20240029461A1 (en) 2021-03-31 2023-09-27 Electronic device for processing handwriting input on basis of learning, operation method thereof, and storage medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0042212 2021-03-31
KR1020210042212A KR20220135914A (ko) 2021-03-31 2021-03-31 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/373,874 Continuation US20240029461A1 (en) 2021-03-31 2023-09-27 Electronic device for processing handwriting input on basis of learning, operation method thereof, and storage medium

Publications (1)

Publication Number Publication Date
WO2022211271A1 true WO2022211271A1 (ko) 2022-10-06

Family

ID=83459254

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/002236 WO2022211271A1 (ko) 2021-03-31 2022-02-15 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체

Country Status (3)

Country Link
US (1) US20240029461A1 (ko)
KR (1) KR20220135914A (ko)
WO (1) WO2022211271A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240065997A (ko) * 2022-11-07 2024-05-14 삼성전자주식회사 필기 입력을 인식하는 방법 및 장치
KR102613361B1 (ko) * 2023-01-31 2023-12-13 임동현 디지털 필적에 대한 진정성 감정방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170005378A (ko) * 2014-04-04 2017-01-12 마이스크립트 중첩된 필기 인식 기술을 위한 시스템 및 방법
CN111931710A (zh) * 2020-09-17 2020-11-13 开立生物医疗科技(武汉)有限公司 一种联机手写文字识别方法、装置、电子设备及存储介质
CN112115936A (zh) * 2020-10-10 2020-12-22 京东方科技集团股份有限公司 一种用于文本的识别方法、装置、存储介质以及电子设备
KR102221079B1 (ko) * 2013-06-09 2021-03-02 애플 인크. 실시간 필기 인식 관리

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102221079B1 (ko) * 2013-06-09 2021-03-02 애플 인크. 실시간 필기 인식 관리
KR20170005378A (ko) * 2014-04-04 2017-01-12 마이스크립트 중첩된 필기 인식 기술을 위한 시스템 및 방법
CN111931710A (zh) * 2020-09-17 2020-11-13 开立生物医疗科技(武汉)有限公司 一种联机手写文字识别方法、装置、电子设备及存储介质
CN112115936A (zh) * 2020-10-10 2020-12-22 京东方科技集团股份有限公司 一种用于文本的识别方法、装置、存储介质以及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIANG WAN, CHANGSONG LIU, YANMING ZOU: "On-line Chinese Character Recognition System for Overlapping Samples", 2011 INTERNATIONAL CONFERENCE ON DOCUMENT ANALYSIS AND RECOGNITION, 1 September 2011 (2011-09-01) - 21 September 2011 (2011-09-21), pages 799 - 803, XP055212844, DOI: 10.1109/ICDAR.2011.164 *

Also Published As

Publication number Publication date
US20240029461A1 (en) 2024-01-25
KR20220135914A (ko) 2022-10-07

Similar Documents

Publication Publication Date Title
WO2022211271A1 (ko) 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체
WO2023008745A1 (ko) 전자 장치 및 필기 인식 방법
WO2022030865A1 (ko) 손글씨 정렬 방법 및 장치
WO2021025495A1 (en) Electronic device and method for processing handwriting input thereof
WO2023008677A1 (ko) 전자 장치 및 입력 좌표 예측 방법
WO2020060121A1 (ko) 필기 입력에 대한 보정 방법, 이를 위한 전자 장치 및 저장 매체
WO2022124829A1 (ko) 사용자 음성에 기초한 인터랙션을 제공하는 전자 장치 및 그 방법
WO2022071708A1 (ko) 컨텐츠 추천 서비스를 제공하는 전자 장치 및 그 방법
WO2022181869A1 (ko) 복수의 어플리케이션들에 공유되는 기계 학습 모델을 이용한 장치 및 방법
WO2021091226A1 (en) Method and electronic device for correcting handwriting input
WO2023096162A1 (ko) 전자 장치 및 전자 장치에서 필기 정보 마스킹 및 언마스킹 방법
WO2022030933A1 (ko) 전자 장치 및 그의 필기 입력을 처리하는 방법
WO2022065924A1 (ko) 전자 장치의 이모지 추천 방법 및 그 전자 장치
WO2023149664A1 (ko) 사용자 입력에 대한 인식 성능 개선 방법 및 전자 장치
WO2022131617A1 (ko) 필기 입력을 처리하는 전자 장치 및 그 작동 방법
WO2023195617A1 (ko) 손글씨 동기화 방법 및 전자 장치
WO2023163380A1 (ko) 전자 장치 및 펜 입력 장치와 전자 장치에서 복수의 펜 입력 장치 이용 방법
WO2023177059A1 (ko) 전자 장치 및 터치 가이드 방법
WO2024063346A1 (ko) 텍스트를 표시하기 위한 전자 장치 및 그 방법
WO2023113167A1 (ko) 전자 장치 및 이의 동작 방법
WO2021242025A1 (ko) 전자 장치, 전자 장치에서의 동작 방법 및 비일시적 저장 매체
WO2022119416A1 (ko) 전자 펜을 이용하는 전자 장치 및 그 방법
WO2021235798A1 (ko) 전자 장치 및 전자 장치에서 키보드의 입력을 이용하여 사용자 인증을 수행하는 방법
WO2024080838A1 (ko) 키보드 입력의 오타 보정을 위한 전자 장치 및 방법
WO2022050772A1 (ko) 프리뷰 드로잉 방법 및 이를 위한 전자 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: 22781392

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: 22781392

Country of ref document: EP

Kind code of ref document: A1