WO2023054957A1 - 영상을 제공하는 방법 및 이를 지원하는 전자 장치 - Google Patents

영상을 제공하는 방법 및 이를 지원하는 전자 장치 Download PDF

Info

Publication number
WO2023054957A1
WO2023054957A1 PCT/KR2022/013980 KR2022013980W WO2023054957A1 WO 2023054957 A1 WO2023054957 A1 WO 2023054957A1 KR 2022013980 W KR2022013980 W KR 2022013980W WO 2023054957 A1 WO2023054957 A1 WO 2023054957A1
Authority
WO
WIPO (PCT)
Prior art keywords
audio
image
feature
processor
electronic device
Prior art date
Application number
PCT/KR2022/013980
Other languages
English (en)
French (fr)
Inventor
서동환
김성오
이다솜
이상훈
최성수
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
Priority to US17/953,883 priority Critical patent/US20230124111A1/en
Publication of WO2023054957A1 publication Critical patent/WO2023054957A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/4302—Content synchronisation processes, e.g. decoder synchronisation
    • H04N21/4307—Synchronising the rendering of multiple content streams or additional data on devices, e.g. synchronisation of audio on a mobile phone with the video output on the TV screen
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/57—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for processing of video signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/439—Processing of audio elementary streams
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4524—Management of client data or end-user data involving the geographical location of the client
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0272—Voice signal separating
    • G10L21/028—Voice signal separating using properties of sound source

Definitions

  • the present disclosure relates to a method for providing an image and an electronic device supporting the same.
  • the cocktail party effect refers to a phenomenon in which a talker's story is selectively and intensively accepted in an environment with loud ambient noise.
  • an aspect of the present disclosure is to provide a method for providing an image and an electronic device supporting the same, which acquires information about the location of each object and audio corresponding to the object from an image.
  • An electronic device includes a memory and at least one processor electrically connected to the memory, wherein the at least one processor obtains an image including an image and audio, and obtains at least one image included in the image from the image.
  • the at least one processor obtains information about an object, obtaining a visual feature of the at least one object based on the image and the information about the at least one object, obtaining a spectrogram of the audio, and obtaining the audio
  • obtains an audio feature of the at least one object from a spectrogram of combine the visual feature and the audio feature, and based on the combined visual feature and the audio feature, the at least one object in the image.
  • a method for providing an image in an electronic device includes an operation of acquiring a video including an image and audio, an operation of obtaining information on at least one object included in the image from the image, and based on the information on the image and the at least one object , an operation of obtaining a visual feature of the at least one object, an operation of obtaining a spectrogram of the audio, an operation of obtaining an audio feature of the at least one object from the spectrogram of the audio, the visual feature and the combining audio features; obtaining information about a location of the at least one object, representing a location of the at least one object in the image, based on the combined visual feature and the audio feature; Based on the combined visual feature and the audio feature, obtaining an audio portion corresponding to the at least one object in the audio, and information about the location of the at least one object and corresponding to the at least one object. and storing the audio part to be played in the memory of the electronic device.
  • a method for providing an image and an electronic device supporting the same may obtain information about the location of each object and audio corresponding to the object from the image.
  • various effects identified directly or indirectly through this document may be provided.
  • FIG. 1 is a block diagram of an electronic device in a network environment according to an embodiment of the present disclosure.
  • FIG. 2 is a block diagram of an electronic device according to an embodiment of the present disclosure.
  • FIG. 3 is a block diagram of a processor, according to one embodiment of the present disclosure.
  • FIG. 4 is a diagram illustrating an operation of obtaining visual features for each object from an image according to an embodiment of the present disclosure.
  • FIG. 5 is a diagram for explaining an operation of obtaining an audio feature for each object from an image according to an embodiment of the present disclosure.
  • FIG. 6 is a diagram illustrating an operation of acquiring information about a location of an object in an image and audio according to an embodiment of the present disclosure.
  • FIG. 7 is a diagram illustrating learning data according to an embodiment of the present disclosure.
  • FIG. 8 is a flowchart illustrating a learning process for performing a method of providing an image according to an embodiment of the present disclosure.
  • FIG. 9 is a flowchart illustrating a method of providing an image according to an embodiment of the present disclosure.
  • FIG. 10 is a diagram for explaining a method of providing an image according to an embodiment of the present disclosure.
  • FIG. 11 is a diagram for explaining a method of providing an image according to an embodiment of the present disclosure.
  • FIG. 1 is a block diagram of an electronic device in a network environment according to an embodiment of the present disclosure.
  • an electronic device 101 communicates with an electronic device 102 through a first network 198 (eg, a short-range wireless communication network) or through a second network 199. It may communicate with at least one of the electronic device 104 or 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. It may communicate with at least one of the electronic device 104 or 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 .
  • the electronic device 101 includes a processor 120, a memory 130, an input module 150, an audio output module 155, a display module 160, an audio module 170, 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 the antenna module 197 may be included.
  • at least one of these components eg, the connection terminal 178) may be omitted or one or more other components may be added.
  • some of these components eg, sensor module 176, camera module 180, or antenna module 197) are integrated into a single component (eg, display module 160). It can be.
  • the processor 120 for example, executes software (eg, the program 140) to cause at least one other component (eg, hardware or software component) of the electronic device 101 connected to the processor 120. It can control and perform various data processing or calculations. According to one embodiment, as at least part of data processing or operation, processor 120 transfers instructions or data received from other components (e.g., sensor module 176 or communication module 190) to volatile memory 132. , processing commands or data stored in the volatile memory 132 , and storing resultant data in the non-volatile memory 134 .
  • software eg, the program 140
  • processor 120 transfers instructions or data received from other components (e.g., sensor module 176 or communication module 190) to volatile memory 132. , processing commands or data stored in the volatile memory 132 , and storing resultant data in the non-volatile memory 134 .
  • the processor 120 includes a 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 ( NPU: neural processing unit (NPU), image signal processor, sensor hub processor, or communication processor).
  • a 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 ( NPU: neural processing unit (NPU), image signal processor, sensor hub processor, or communication processor.
  • NPU neural network processing unit
  • the secondary processor 123 may use less power than the main processor 121 or be set to be specialized for a designated function.
  • the secondary processor 123 may be implemented separately from or as part of the main processor 121 .
  • the secondary processor 123 may, for example, take the place of the main processor 121 while the main processor 121 is in an inactive (eg, sleep) state, or the main processor 121 is active (eg, running an application). ) state, 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 auxiliary processor 123 eg, an image signal processor or a communication processor
  • the auxiliary processor 123 may include a hardware structure specialized for processing an artificial intelligence model.
  • AI models can be created through machine learning. Such learning may be performed, for example, in the electronic device 101 itself where 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 foregoing, but is not limited to the foregoing examples.
  • the artificial intelligence model may include, in addition or alternatively, software structures in addition to hardware structures.
  • 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, program 140) and commands related thereto.
  • the memory 130 may include volatile memory 132 or 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 of the electronic device 101 (eg, a user).
  • 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 sound signals 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.
  • a receiver may be used to receive an incoming call. According to one embodiment, the receiver may be implemented separately from the speaker or as part of it.
  • the display module 160 may visually provide information to the outside of the electronic device 101 (eg, a user).
  • the display module 160 may include, for example, a display, a hologram device, or a projector and a control circuit for controlling the device.
  • the display module 160 may include a touch sensor configured to detect a touch or a pressure sensor configured to measure the intensity of force generated by the touch.
  • the audio module 170 may convert sound into an electrical signal or vice versa. According to an embodiment, the audio module 170 acquires sound through the input module 150, the sound output module 155, or an external electronic device connected directly or wirelessly to the electronic device 101 (eg: Sound may be output through the electronic device 102 (eg, a speaker or a headphone).
  • the audio module 170 acquires sound through the input module 150, the sound output module 155, or an external electronic device connected directly or wirelessly to the electronic device 101 (eg: Sound may be output through the electronic device 102 (eg, a speaker or a headphone).
  • 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 detected state. can do.
  • the sensor module 176 may include, for example, a gesture sensor, a gyro sensor, an air pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an infrared (IR) sensor, a bio sensor, It may include a temperature sensor, humidity sensor, or light sensor.
  • the interface 177 may support one or more designated protocols that may be used to directly or wirelessly connect the electronic device 101 to 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.
  • HDMI high definition multimedia interface
  • USB universal serial bus
  • SD card interface Secure Digital Card interface
  • audio interface audio interface
  • connection terminal 178 may include a connector through which the electronic device 101 may 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 electrical signals into mechanical stimuli (eg, vibration or motion) or electrical stimuli that a user may perceive through tactile or kinesthetic senses.
  • 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 one 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 at least part of a power management integrated circuit (PMIC), for example.
  • PMIC power management integrated circuit
  • the battery 189 may supply power to at least one component of the electronic device 101 .
  • the 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). Establishment and communication through the established communication channel may be supported.
  • 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 may be a wireless communication module 192 (eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 194 (eg, a : 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 wireless communication module, or a global navigation satellite system (GNSS) communication module
  • GNSS global navigation satellite system
  • wired communication module 194 eg, a : a local area network (LAN) communication module or a power line communication module.
  • a corresponding communication module is a first network 198 (eg, a short-range communication network such as Bluetooth TM , wireless fidelity (WiFi) direct, or infrared data association (IrDA)) or a second network 199 (eg, It may communicate with the external electronic device 104 through a legacy cellular network, a 5G network, a next-generation communication network, the Internet, or a telecommunications network such as a computer network (eg, LAN or WAN).
  • a first network 198 eg, a short-range communication network such as Bluetooth TM , wireless fidelity (WiFi) direct, or infrared data association (IrDA)
  • a second network 199 eg, It may communicate with the external electronic device 104 through a legacy cellular network, a 5G network, a next-generation communication network, the Internet, or a telecommunications network such as a computer network (eg, LAN or WAN).
  • a computer network eg,
  • 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, NR access technology (new radio access technology).
  • NR access technologies include high-speed transmission of high-capacity data (enhanced mobile broadband (eMBB)), minimization of terminal power and access of multiple terminals (massive machine type communications (mMTC)), or high reliability and low latency (ultra-reliable and low latency (URLLC)).
  • eMBB enhanced mobile broadband
  • mMTC massive machine type communications
  • URLLC ultra-reliable and low latency
  • -latency communications can be supported.
  • the wireless communication module 192 may support a high frequency band (eg, mmWave band) to achieve a high data rate, for example.
  • the wireless communication module 192 uses various technologies for securing performance in a high frequency band, such as beamforming, massive multiple-input and multiple-output (MIMO), and full-dimensional multiplexing. Technologies such as input/output (FD-MIMO: full dimensional MIMO), array antenna, analog beam-forming, or large scale antenna may be supported.
  • the wireless communication module 192 may support various requirements defined for 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 be used to realize 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).
  • peak data rate eg, 20 Gbps or more
  • loss coverage eg, 164 dB or less
  • U-plane latency for realizing URLLC.
  • DL downlink
  • UL uplink each of 0.5 ms or less, or round trip 1 ms or less
  • the antenna module 197 may transmit or receive signals or power to the outside (eg, an external electronic device).
  • the antenna module 197 may include an antenna including a radiator formed of a conductor or a conductive pattern formed on a substrate (eg, PCB).
  • 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 selected from the plurality of antennas by the communication module 190, for example. can be chosen 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) may be additionally formed as a part of the antenna module 197 in addition to the radiator.
  • RFIC radio frequency integrated circuit
  • the antenna module 197 may form a mmWave antenna module.
  • the mmWave antenna module includes a printed circuit board, an RFIC disposed on or adjacent to a first surface (eg, a lower surface) of the printed circuit board and capable of supporting a designated high frequency band (eg, mmWave band); and a plurality of antennas (eg, array antennas) disposed on or adjacent to a second surface (eg, a top surface or a side surface) 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)
  • signal e.g. commands or data
  • commands 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 part of operations executed in the electronic device 101 may be executed in one or more external electronic devices among the external electronic devices 102 , 104 , or 108 .
  • the electronic device 101 when the electronic device 101 needs to perform a certain function or service automatically or in response to a request from a user or another device, the electronic device 101 instead of executing the function or service by itself.
  • one or more external electronic devices may be requested to perform the function or at least part of the service.
  • One or more external electronic devices receiving 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 deliver the execution result to the electronic device 101 .
  • the electronic device 101 may provide the result as at least part of a response to the request as it is or additionally processed.
  • 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.
  • Server 108 may be an intelligent server using machine learning and/or neural networks. According to one embodiment, the external electronic device 104 or server 108 may be included in the second network 199 .
  • the electronic device 101 may be applied to intelligent services (eg, smart home, smart city, smart car, or health care) based on 5G communication technology and IoT-related technology.
  • Electronic devices may be devices of various types.
  • 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.
  • 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 camera e.g., a camera
  • a wearable device e.g., a smart bracelet
  • first, second, or first or secondary may simply be used to distinguish a given component from other corresponding components, and may be used to refer to a given component in another aspect (eg, importance or order) is not limited.
  • a (e.g., first) component is said to be “coupled” or “connected” to another (e.g., second) component, with or without the terms “functionally” or “communicatively.”
  • the certain component may 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, logical blocks, parts, or circuits.
  • a module may be an integrally constructed component or a minimal unit of components or a portion thereof 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
  • a storage medium eg, internal memory 136 or external memory 138
  • a machine eg, electronic device 101
  • a processor eg, the processor 120
  • a 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-temporary only means that the storage medium is a tangible device and does not contain a signal (e.g., electromagnetic waves), and this term refers to the case where data is stored semi-permanently in the storage medium. It does not discriminate when it is temporarily stored.
  • a signal e.g., electromagnetic waves
  • the method according to various embodiments disclosed in this document may be provided by being included in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • a computer program product is distributed in the form of a device-readable storage medium (eg compact disc read only memory (CD-ROM)), or through an application store (eg Play Store TM ) or on two user devices ( It can be distributed (eg downloaded or uploaded) online, directly between smart phones.
  • a device-readable storage medium eg compact disc read only memory (CD-ROM)
  • an application store eg Play Store TM
  • It can be distributed (eg downloaded or uploaded) online, directly between smart phones.
  • at least part of the computer program product may be temporarily stored or temporarily created in a device-readable storage medium such as a manufacturer's server, an application store server, or a relay server's memory.
  • each component (eg, module or program) of the above-described components may include a single object or a plurality of entities, and some of the plurality of entities may be separately disposed in other components. there is.
  • one or more components or operations among the aforementioned corresponding components may be omitted, or one or more other components or operations may be added.
  • a plurality of components eg modules or programs
  • the integrated component may perform one or more functions of each of the plurality of components identically or similarly to those performed by a corresponding component of the plurality of components prior to the integration. .
  • the actions performed by a module, program, or other component are executed sequentially, in parallel, iteratively, or heuristically, or one or more of the actions are executed in a different order, or omitted. or one or more other actions may be added.
  • FIG. 2 is a block diagram of an electronic device according to an embodiment of the present disclosure.
  • the electronic device 101 includes a communication module 210, a display 220, a sound output module 230, an input module 233, and a camera module 235. , a memory 240, and/or a processor 250, and even if at least some of the illustrated components and/or functions are omitted or replaced, various embodiments of the present document may be implemented.
  • the electronic device 101 may further include at least some of the configurations and/or functions of the electronic device 101 of FIG. 1 .
  • At least some of the components of the electronic device 200 may be disposed in a housing (not shown), and at least some (eg, the display 220) , the sound output module 230, the input module 233, and the camera module 235 may be visually exposed to the outside. At least some of the components of the electronic device 101 may be operatively, electrically, and/or functionally connected to each other.
  • communication module 210 may be included in communication module 190 of FIG. 1 .
  • the communication module 210 includes software and/or hardware modules for wirelessly communicating with a cellular network, and includes at least one of the configurations and/or functions of the wireless communication module 192 of FIG. may contain some
  • the communication module 210 transmits and transmits images from the external electronic device 101 (eg, the electronic device 102, the electronic device 104, and/or the server 108). /or can be received.
  • the external electronic device 101 eg, the electronic device 102, the electronic device 104, and/or the server 108.
  • a part of an operation of providing an image is performed in the electronic device 101, and another part of an operation of providing an image is performed by a server (eg, the server 108).
  • a server eg, the server 108
  • information on the result obtained by part of the operation of providing the image performed by the electronic device 101 is transmitted to the server, and from the server by another part of the operation of providing the image performed by the server. The obtained result can be received.
  • display 220 may be included in display module 160 of FIG. 1 .
  • the display 220 may display an image signal provided from the processor 250 .
  • the display 220 may be implemented as a flexible display, a foldable display, or a slider display.
  • the display 220 may include a liquid crystal display (LCD), a light-emitting diode (LED) display, an organic light-emitting diode (OLED) display, and a quantum dot light-emitting diode. (quantum dot light-emitting diodes (QLED)) displays, micro electro mechanical systems (MEMS) displays, electrophoretic displays, or electronic paper displays. It may be implemented, but is not limited thereto.
  • the display 220 may output an image included in the video.
  • the display 220 while outputting an image, includes an image of the image (image frame) and audio (also referred to as “sound source”) being output from the electronic device 101. ) may be displayed to be distinguished from other objects included in the image.
  • the display 220 while outputting the video, is included in the image of the video and outputs the audio being output from the electronic device 101 and/or the time interval and/or the size of the audio (eg, audio amplitude or volume) of visual information can be displayed.
  • the sound output module 230 may be included in the sound output module 155 of FIG. 1 .
  • the sound output module 230 may output audio (eg, a sound source) to the outside of the electronic device 101 .
  • the electronic device 101 may place one or more speakers at the top or bottom of the housing, and the placement position is not limited thereto.
  • the speaker may include at least some of the components and/or functions of the audio module 170 of FIG. 1 .
  • the sound output module 230 is a speaker or receiver, such as a dynamic driver, a balanced armature driver, and/or a piezoelectric speaker, to the sound output module. (230).
  • the processor 250 transmits a plurality of different channels (eg, stereo, or 5.1 channel) can be output.
  • the electronic device 101 is directly connected to an external electronic device (eg, an external speaker or headset) through a connection terminal or a wireless communication module (eg, the wireless communication module 192 of FIG. 1). It can be connected wirelessly through and output an audio signal.
  • the audio output module 230 may output audio included in an image.
  • the sound output module 230 may increase the size of an audio corresponding to an object specified by a user in an image of the image.
  • the audio output module 230 may output a plurality of objects when an image of the video includes a plurality of objects and a plurality of audios corresponding to the plurality of objects are being output. Among them, the size of audio corresponding to an object designated by the user may be increased, and the size of audio corresponding to other objects may be decreased.
  • the audio output module 230 may output a plurality of objects when an image of the video includes a plurality of objects and a plurality of audios corresponding to the plurality of objects are being output. Among them, audio corresponding to an object designated by the user may be output, and audio corresponding to other objects may not be output.
  • the input module 233 may be included in the input module 150 of FIG. 1 .
  • the electronic device 101 may obtain an audio signal.
  • the electronic device 101 may obtain an audio signal corresponding to the background sound of the video.
  • the electronic device 101 may receive an external voice and generate an audio signal using an input module 233 (eg, a microphone or a microphone) included in the electronic device 101 .
  • the electronic device 101 may receive an audio signal from a connected external electronic device (eg, the electronic devices 102 and 104 of FIG. 1 and/or the server 108).
  • the external electronic device may generate an audio signal using the collected voice and transmit the generated audio signal to the electronic device 101 .
  • the electronic device 101 may receive an audio signal from an external electronic device.
  • the electronic device 101 may receive an audio signal of a voice corresponding to the image (or video) from an external electronic device while capturing an image (or video).
  • a plurality of microphones may be disposed in the input module 233 to detect a direction of audio (eg, sound).
  • a plurality of microphones included in the electronic device 101 may perform a beamforming operation required to improve directivity in the process of obtaining an audio signal.
  • the beamforming operation may be implemented with a minimum variance distortionless response (MVDR) or a generalized sidelobe canceller (GSC).
  • MVDR minimum variance distortionless response
  • GSC generalized sidelobe canceller
  • the camera module 235 may capture images of various subjects.
  • the subject may be a person, a device, or an object.
  • the electronic device 101 may create an image of the photographed subject by photographing the subject.
  • the electronic device 101 may display a captured image or an image being captured on the display 220 .
  • the camera module 235 may include a depth camera capable of measuring a distance (eg, a 3D depth camera or a time of flight (TOF) camera).
  • TOF time of flight
  • images may be obtained from each other using a plurality of camera modules.
  • a first image eg, the first image 410 of FIG. 4
  • a second image eg, the second image 420 of FIG. 4
  • the first camera module and the second camera module may provide different fields of view (FOV).
  • the memory 240 may be included in the memory 130 of FIG. 1 and may store at least a portion of the program 140 of FIG. 1 .
  • the memory 240 may include known volatile memory and non-volatile memory.
  • the memory 240 may store various instructions that may be executed by the processor 250 . These instructions may include control commands such as arithmetic and logical operations, data movement, and input/output that can be recognized by the processor 250 .
  • the memory 240 may store information for performing at least a part of an operation of providing an image. Information for performing at least a part of an operation of providing an image stored in the memory 240 will be described later.
  • the processor 250 is a component capable of performing calculations or data processing related to control and/or communication of each component of the electronic device 101, and the processor 120 of FIG. can be included
  • the processor 250 may include the communication module 210, the display 220, the audio output module 230, the memory 240, the input module 233, and/or the camera module 235. It may be operatively, electrically and/or functionally connected to internal components of the electronic device 101 .
  • the processor 250 may overall control an operation of providing an image. In one embodiment of the present disclosure, the processor 250 may include one or more processors for performing an operation of providing an image.
  • the processor 250 may perform learning to generate an artificial intelligence model used in an operation to provide an image as well as an operation to provide an image. An operation of providing an image and learning performed by the processor 250 will be described with reference to FIG. 3 below.
  • arithmetic and data processing functions that the processor 250 can implement in the electronic device 101 are not limited, and operations of the processor 250, which will be described later, are performed using instructions stored in the memory 240. This can be done by running In one embodiment of the present disclosure, in FIG.
  • the electronic device 101 includes a communication module 210, a display 220, a sound output module 230, an input module 233, a camera module 235, a memory ( 240), and/or processor 250, but is not limited thereto.
  • the electronic device 101 among the communication module 210, the display 220, the sound output module 230, the input module 233, or the camera module 235 It may not contain at least one.
  • the electronic device 101 further includes at least one component (eg, the sensor module 176) among the components of the electronic device 101 shown in FIG. 1 according to an embodiment of the present disclosure. can do.
  • FIG. 3 is a block diagram of a processor, according to one embodiment of the present disclosure.
  • FIG. 4 is a diagram 400 illustrating an operation of obtaining visual features for each object from an image, according to an embodiment of the present disclosure.
  • FIG. 5 is a diagram 500 illustrating an operation of obtaining an audio feature for each object from an image according to an embodiment of the present disclosure.
  • FIG. 6 is a diagram 600 illustrating an operation of acquiring information about a location of an object in an image and audio according to an embodiment of the present disclosure.
  • FIG. 7 is a diagram 700 illustrating learning data, according to an embodiment of the present disclosure.
  • the processor 250 provides an image and an artificial intelligence model used in the image providing operation. In order to perform learning to generate , it may include a plurality of configurations.
  • the processor 250 includes a segmentation module 310, a visual feature acquisition module 320, an audio synthesis module 330, a spectrogram acquisition module 340, an audio feature acquisition module ( 350), a feature combination module 360, an object location information acquisition module 370, an audio acquisition module 380, and/or an audio restoration module 390.
  • the segmentation module 310 obtains information on an object included in an image (hereinafter, referred to as "object information") from an image (eg, an image frame) included in the image. can do. For example, the segmentation module 310 generates a map in which at least one object included in the image is masked (eg, a pixel value representing at least one object included in the image has “1”). , A binary map having pixel values of “0” for parts other than at least one object in the image) may be obtained.
  • object information information on an object included in an image
  • the segmentation module 310 generates a map in which at least one object included in the image is masked (eg, a pixel value representing at least one object included in the image has “1”).
  • a binary map having pixel values of “0” for parts other than at least one object in the image) may be obtained.
  • the segmentation module 310 may include a segmentation artificial intelligence network.
  • the segmentation artificial intelligence network may include a panoptic segmentation network or an instance segmentation network.
  • a panoptic segmentation network can combine a semantic segmentation network and an instance segmentation network together, and an all-in-one model can be created using the panoptic segmentation network.
  • an external electronic device eg, an external electronic device (eg, an external electronic device) in order to obtain an efficient all-in-one model that can run on high-resolution images in an environment (eg, a mobile electronic device) operating with limited memory and computing resources). : It may be performed in the electronic devices 102 and 104 and/or the server 108 of FIG. 1 .
  • the segmentation module 310 may perform learning using a plurality of images.
  • the segmentation module 310 may obtain a plurality of images from a plurality of images each including an object in order to perform learning. For example, as shown in FIG. 4 , the segmentation module 310 may obtain a first image 410 from a first image and a second image 420 from a second image. The first image 410 and the second image 420 include a first object 411 (eg, an image portion of a carriage) and a second object 421 (eg, an image portion of a person), respectively. can do. In FIG. 4 , it is illustrated that the segmentation module 310 obtains a first image 410 from a first image and obtains a second image 420 from a second image, but is not limited thereto. For example, the segmentation module 310 may acquire three or more images from each of the three or more images.
  • the segmentation module 310 may acquire three or more images from each of the three or more images.
  • the segmentation module 310 may include a plurality of images obtained from a plurality of images and a ground truth (or annotation) (e.g., at least one of the plurality of images in each image).
  • An artificial intelligence model related to a segmentation artificial intelligence network (eg, a parameter of a segmentation artificial intelligence network) may be generated using an image portion of an object of .
  • each pixel in an acquired image frame may be labeled and a difference between a label of pixels and a ground truth label may be used. For example, a difference between the entropy of the first pixel and the entropy of a pair of adjacent pixels may be used.
  • the correct answer label is the actual label data of each pixel to be derived using the deep neural network-based model, and can be a criterion for estimating the accuracy of the pixel labeled by the deep neural network-based model.
  • the segmentation module 310 when the first image 410 and the second image 420 are input, as shown in FIG. 4, a mask for the first object 411 A first masking map 430 including 431 and a second masking map 440 including a mask 441 for the second object 421 may be obtained.
  • the visual feature acquisition module 320 may obtain a visual feature of an object from an image included in an image and information about the object. For example, the visual feature obtaining module 320 may determine a visual feature (also referred to as a "visual feature map") corresponding to at least one object, based on information about an image and an object included in an image. ) can be obtained.
  • a visual feature also referred to as a "visual feature map”
  • the visual feature acquisition module 320 while performing learning, the first image 410, the second image 420, the first masking map 430, and the second masking map Based on step 440 , a first visual feature map 450 and a second visual feature map 460 for each of the objects 411 and 421 may be obtained.
  • the first visual feature map 450 may be a visual feature map corresponding to the first object 411
  • the second visual feature map 460 may be a visual feature map corresponding to the second object 421 .
  • the visual feature acquisition module 320 may include a visual artificial intelligence network.
  • the visual artificial intelligence network is a convolutional neural network (CNN) (eg, residual network (ResNet), visual geometry group network (VGGNet), Inception (GoogleNet), Xception, LeNet, AlexNet, ZFNet))
  • CNN convolutional neural network
  • the electronic device 101 inputs each of the input image and the reconstructed image to a preset artificial neural network model, extracts an input image feature from the input image, and extracts the reconstructed image feature from the reconstructed image. can do.
  • the audio synthesis module 330 may synthesize a plurality of audios obtained from each of a plurality of images acquired to perform learning.
  • the audio synthesis module 330 outputs the first audio 511 and the second image to be output during the time section of the first image 410 within the first image.
  • the second audio 512 to be output during the time section of the second image 420 may be obtained.
  • frames per second (FPS) of the first and second images are 24 FPS
  • All time intervals of the second audio 512 to be output together with the second image 420 in 2 images may be 1/24 (second).
  • the audio synthesis module 330 may obtain synthesized audio 520 by synthesizing the first audio 511 and the second audio 512 .
  • the audio synthesis module 330 sums the magnitude of the first audio 511 and the magnitude of the second audio 512 over time, and obtains the synthesized audio 520 as the result of the sum. can be obtained
  • the audio synthesis module 330 operates for learning of an artificial intelligence model, and the electronic device 101 performs actual operations (eg, operations illustrated through FIG. 9 to be described later). While doing it, it may not work.
  • the spectrogram acquisition module 340 may obtain a spectrogram of audio included in an image.
  • the spectrogram acquisition module 340 applies the audio included in the image to a short-time fourier transform (STFT), so that the audio size (eg, audio amplitude) according to time and frequency of the audio.
  • STFT short-time fourier transform
  • a spectrogram that visually represents
  • a horizontal axis is a time axis and a vertical axis is a frequency axis
  • a difference in amplitude of audio (or energy) according to a change between the time axis and the frequency axis is expressed as a concentration.
  • a light-colored part of the spectrogram 530 may indicate that audio (or energy) is present, and a dark-colored part may indicate that audio (or energy) is empty.
  • the spectrogram acquisition module 340 may obtain a spectrogram of synthesized audio of audios respectively corresponding to objects included in each of the images during learning. For example, in FIG. 5 , the spectrogram acquisition module 340 may acquire the spectrogram 530 by applying the synthesized audio 520 to the STFT.
  • processor 250 may estimate an echo component (or signal) in synthesized audio 520 .
  • an acoustic echo canceller AEC
  • various types of adaptive filters (or filter algorithms) for echo cancellation may be implemented.
  • the AEC may identify an echo path and synthesize an echo estimate by applying a normalized least mean-square (NLMS) filter to a reference signal (eg, a speaker signal).
  • NLMS normalized least mean-square
  • the processor 250 may not completely remove an echo component from the microphone signal, and thus may include a residual echo signal.
  • the residual echo signal may be estimated as a component obtained by removing the estimated echo signal from the actual echo signal input from the input module 233 (eg, a microphone or a microphone).
  • the audio feature obtaining module 350 may acquire audio features of an object included in an image from the spectrogram 530 of audio included in the image. For example, the audio feature acquisition module 350 determines audio features (“audio features”) respectively corresponding to at least one object included in the image, based on the spectrogram 530 of the audio included in the image. Also referred to as "map”) may be obtained.
  • audio features audio features
  • map audio features
  • the audio feature obtaining module 350 while performing learning, based on synthesized audio (eg, synthesized audio 520), audio for each of the objects included in each of the images features can be obtained.
  • synthesized audio eg, synthesized audio 520
  • the audio feature acquisition module 350 determines a first audio feature 540 for a first object 411 and a second audio feature 540 for a second object 421 based on the synthesized audio 520 .
  • a second audio feature 550 may be obtained.
  • the feature combining module 360 may combine the visual feature transmitted from the visual feature obtaining module 320 and the audio feature transmitted from the audio feature obtaining module 350 .
  • the feature combining module 360 combines visual features and audio features by performing a summation operation, a multiplication operation (eg, a matrix multiplication operation), or a concatenation operation on the visual and audio features (
  • a feature obtained by combining a visual feature and an audio feature may be referred to as a “combined feature”.
  • concatenation may refer to an operation of connecting one end of data and another end of data.
  • a value connected to the end of the reference block and the end of the target block may be input to the visual artificial intelligence network.
  • a visual artificial intelligence network eg, CNN
  • they may be finally concatenated and output.
  • the feature combining module 360 may combine visual features and audio features corresponding to objects, for each object.
  • the visual feature acquisition module 320 and the audio feature acquisition module 350 while performing learning, first object 411 and second object 421 ), the first visual feature 450 and the second visual feature 460 are obtained, and the first audio feature 540 and the second audio feature 550 are obtained.
  • the feature combining module 360 combines the first visual feature 450 and the first audio feature 540 corresponding to the first object 411 and corresponding to the second object 421 during learning.
  • the second visual feature 460 and the second audio feature 550 may be combined.
  • the size of the visual feature transmitted from the visual feature obtaining module 320 and the size of the audio feature transmitted from the audio feature obtaining module 350 may be substantially the same.
  • the size of a visual feature e.g. visual feature map
  • the size of an audio feature e.g. audio feature map
  • the size of the feature in which the visual feature and audio feature are combined is the size of the visual feature (eg, 24 * 24). *24) and the size of the audio feature (eg 24*24).
  • the feature combining module 360 may include combined features (e.g., a first combined feature combining first visual feature 450 and first audio feature 540; A second combined feature in which the feature 460 and the second audio feature 550 are combined) may be transmitted to the object location information acquisition module 370 and the audio acquisition module 380 .
  • combined features e.g., a first combined feature combining first visual feature 450 and first audio feature 540; A second combined feature in which the feature 460 and the second audio feature 550 are combined
  • the object location information acquisition module 370 may obtain information indicating a location of an object within an image of a video for each object based on the combined feature. For example, the object location information acquisition module 370 converts the probability value of each pixel to represent an object (or the probability value of each pixel to represent an object to a binary value (eg, “0” or “1”) for each object.
  • An image also referred to as a "segmentation map” or "object localization mask" having a transformed value
  • an object localization mask (or segmentation map) can divide an image into meaningful regions by accurately extracting object boundaries from an image in order to divide the image into regions similar to each other from a semantic or cognitive point of view. .
  • the model can clearly distinguish the object and the background in the image by covering a gray mask where 1 is marked and a white mask where 0 is marked.
  • the object location information acquisition module 370 may obtain an image having a probability value for each pixel representing the object, based on the combined feature, during learning. .
  • the object location information acquisition module 370 may combine features (eg, a first combined feature in which the first visual feature 450 and the first audio feature 540 are combined), Based on the second combined feature of the two visual features 460 and the second audio feature 550 combined, a first object localization mask 610 for the first object 411 (e.g., the first object ( 411) has a binary value of “1” for the set of pixels 611 representing the first object 411, and an image having a binary value of “0” other than the set of pixels 611 representing the first object 411) and the second object 421 ) for the second object localization mask 620 (e.g., has a binary value of “1” for the set of pixels 621 representing the second object 421, and the set of pixels representing the second object 421 ( 621), an image having a first object localization mask 610 for the first object 411 (
  • the object location information acquisition module 370 may perform an operation of correcting an error based on a distance between a visual feature and an audio feature (eg, a Euclidean distance). there is.
  • the object location information obtaining module 370 may be based on the similarity between vectors of features (visual features and audio features) in a distance metric method. For example, the object location information obtaining module 370 may calculate using cosine similarity between vectors, Mahalanobis distance, or weighted Euclidean distance, , but not limited thereto.
  • the object location information acquisition module 370 uses a metric learning-based loss function (eg, a contrast loss function) to obtain visual and audio characteristics for each object.
  • a metric learning-based loss function eg, a contrast loss function
  • An operation of correcting the error may be performed so that the distance between the two terminals is minimized.
  • the object location information acquisition module 370 may use a contrast loss function to determine the distance between the first visual feature 450 and the first audio feature 540 with respect to the first object 411 .
  • An operation for correcting the error may be performed so that is minimized and the distance between the second visual feature 460 and the second audio feature 550 with respect to the second object 421 is minimized.
  • the loss function may include pre-learned parameters to minimize a loss (error) between an actual input image and a generated object localization mask (or segmentation map).
  • the loss may include a reconstruction loss as well as a contrast loss between the actual input image and the generated object localization mask.
  • the object location information acquisition module 370 uses a designated activation function (eg, softmax function) for each pixel for each object.
  • a designated activation function eg, softmax function
  • An image having a probability value representing this object can be obtained.
  • the softmax function maintains the maximum selectability of the currently optimal solution, and adjusts the selection probability by assigning weights to the remaining solutions according to the estimated values.
  • the object location information acquisition module 370 performs the above-described operations for learning, and then information on the object received from the segmentation module 310 (eg, the object included in the image An operation of correcting the error may be further performed using the masked map).
  • the audio acquisition module 380 calculates, for each object, based on the combined feature, a probability value (or each pixel represents audio corresponding to an object within the spectrogram for audio).
  • An image (“audio mask” or “spectrogram binary map”) having probability values representing audio corresponding to objects converted to binary values (e.g. “0” or “1”) )" can be obtained.
  • the audio acquisition module 380 while performing learning, determines, for each object, the probability that each pixel represents audio corresponding to an object within the spectrogram for audio, based on the combined features.
  • An image having a value can be obtained. For example, in FIG.
  • the audio acquisition module 380 may combine features (eg, a first combined feature in which the first visual feature 450 and the first audio feature 540 are combined, a second visual feature) Based on the second combined feature in which the feature 460 and the second audio feature 550 are combined, a first audio mask 631 corresponding to the first object 411 (e.g., a spectrogram for audio ( 530) has a binary value of “1” for a set of pixels representing the audio part corresponding to the first object 411, and has a binary value “outside the set of pixels representing the audio part corresponding to the first object 411” 0") and the second audio mask 632 (eg, binary value "1" for a set of pixels representing the audio portion corresponding to the second object 421 within the spectrogram 530 for audio).
  • features eg, a first combined feature in which the first visual feature 450 and the first audio feature 540 are combined, a second visual feature
  • a first audio mask 631 corresponding to the first object 411 e.
  • the audio acquisition module 380 may perform an operation of correcting an error based on the combined feature and the spectrogram corresponding to the object as the ground truth.
  • the audio acquisition module 380 may use a loss function (eg, an l1 function, an l2 function, or a cross entropy function) to combine features (eg, the first visual feature 450 and the second visual feature 450) for each object.
  • a loss function eg, an l1 function, an l2 function, or a cross entropy function
  • the audio acquisition module 380 may, as the correct answer, represent the l1-norm value and the l2-norm value as a loss function for the difference of the feature associated with the spectrogram of the audio corresponding to the object.
  • the audio acquisition module 380 uses a designated activation function (eg, a sigmoid function) after or while performing an error correction operation to obtain an object object. For each, the audio masks 631 and 632 may be acquired.
  • a designated activation function eg, a sigmoid function
  • the audio acquisition module 380 may impart a non-linear characteristic using a designated activation function, and a sigmoid In addition to functions, it may include, but is not limited to, a hyperbolic tangent (Tanh) function, a rectified linear unit (ReLU) function, or a Gaussian error linear unit (GeLU) function. does not
  • the audio reconstruction module 390 may acquire an audio part corresponding to an object in the audio of the image based on the audio mask received from the audio acquisition module 380. For example, in FIG. 6 , the audio reconstruction module 390 obtains a first audio mask 631 corresponding to the first object 411 from the audio acquisition module 380 and a second audio mask 631 corresponding to the second object 421 . When the 2 audio masks 632 are acquired, an AND operation (or multiplication operation) is performed with a spectrogram (eg, 530) for audio on each of the first audio mask 631 and the second audio mask 632. can do.
  • a spectrogram eg, 530
  • the audio reconstruction module 390 performs an inverse short-time fourier transform (STFT) on the result of the AND operation (or product operation), thereby generating an audio part 641 corresponding to the first object 411 and a second audio portion 641 corresponding to the first object 411.
  • STFT inverse short-time fourier transform
  • the processor 250 uses the segmentation module 310 as learning data, such as the first image and the second image, in an image.
  • An operation of acquiring images in which one object exists and an operation of acquiring images having noise less than or equal to a specified value (eg, having a signal to noise ratio (SNR) greater than or equal to a specified value) are performed.
  • SNR signal to noise ratio
  • the processor 250 may remove residual echo or residual noise in acquiring the audio portion corresponding to the first object 411 and the audio portion corresponding to the second object 421.
  • residual echo or residual noise may be removed using signal to echo ratio (SER) difference or signal to noise ratio (SNR) difference information.
  • SER signal to echo ratio
  • SNR signal to noise ratio
  • each of the first image 410 and the second image 420 included in the first image is configured for the segmentation module 310 and the visual feature acquisition module 320.
  • An operation eg, concatenation for performing learning using as input data has been exemplified, but is not limited thereto. For example, as shown in FIG.
  • an image 710 obtained by horizontally (or horizontally) combining the first image 410 and the second image 420 included in the first image is generated by the segmentation module 310. and as input data to the visual feature acquisition module 320 .
  • the segmentation module 310 and visual feature acquisition of an image obtained by synthesizing the first image 410 included in the first image and the second image 420 included in the second image vertically (or vertically) It can be used as input data to module 320.
  • the synthesized audio 520 is replaced, as shown in FIG. 7 .
  • the audio 720 obtained by continuously synthesizing the first audio 511 and the second audio 512 left and right according to time may be used as input data.
  • the processor 250 may not include the audio synthesis module 330.
  • an image 710 synthesized from left to right (or up and down) of the first image 410 and the second image 420 included in the first image is acquired by the segmentation module 310 and visual features.
  • the modules included in the processor 250 may perform at least some of the same or similar operations as those described above.
  • the processor 250 displays one image frame in an image (or image frames of each of a plurality of images during learning (eg, a first image 410 and a second image 420) ), obtaining information on the location of the object and an audio portion corresponding to the object is exemplified, but is not limited thereto
  • the processor 250 may perform a plurality of image frames included in the image, respectively. By sequentially performing the above-described operations for , information on the location of an object and an audio portion corresponding to the object may be successively obtained for each of a plurality of image frames.
  • At least some of the operations of the plurality of modules included in the processor 250 may be performed in a server (eg, server 108).
  • the electronic device 101 includes a memory 240 and at least one processor (eg, the processor 250) electrically connected to the memory 240, and the at least one processor ( Example: The processor 250) acquires a video including an image and audio, obtains information on at least one object included in the image from the image, and obtains information on the image and the at least one object.
  • the processor 250 acquires a video including an image and audio, obtains information on at least one object included in the image from the image, and obtains information on the image and the at least one object.
  • Obtaining a visual feature of the at least one object obtaining a spectrogram of the audio, obtaining an audio feature of the at least one object from the spectrogram of the audio, and obtaining the visual feature of the at least one object based on combine a feature and the audio feature, and obtain information about a location of the at least one object, indicating a location of the at least one object in the image, based on the combined visual feature and the audio feature; Based on the combined visual feature and the audio feature, obtaining an audio portion corresponding to the at least one object in the audio, and information about a location of the at least one object and corresponding to the at least one object. It may be configured to store the audio part to the memory 240.
  • the at least one processor obtains, from the image, a map in which the at least one object included in the image is masked. can be configured.
  • the at least one processor performs a summation operation, a multiplication operation, or a concatenation operation on the visual feature and the audio feature, thereby performing the visual feature and the audio feature. It may be configured to combine a feature and the audio feature.
  • the at least one processor (eg, the processor 250) has a probability value for each pixel representing the at least one object based on the combined visual feature and the audio feature. It may be configured to acquire an image.
  • the at least one processor may, based on the combined visual feature and the audio feature, each pixel represent audio corresponding to the at least one object. It may be configured to obtain an image having a probability value, and obtain an audio part corresponding to the at least one object in the audio based on the acquired image.
  • the at least one processor (eg, the processor 250) performs an AND operation on the spectrogram of the audio and the obtained image, based on the at least one processor in the audio.
  • the at least one processor may be configured to obtain an audio portion corresponding to an object of
  • the at least one processor is configured to perform learning for generating an artificial intelligence model, and the operation of performing the learning involves acquiring a plurality of images. operation, in each of the plurality of images (eg, the first image 410 and the second image 420), at least one object (eg, the first object 411 and the second object 421) Obtaining information (for example, the first masking map 430 and the second masking map 440) for ), visual features for each of the at least one object (for example, the first visual feature map 450, the second masking map 450, the second Obtaining a visual feature map 460), spectrograms (eg, first audio 511, second audio 512, synthesized audio 520) corresponding to the at least one object.
  • the plurality of images eg, the first image 410 and the second image 420
  • at least one object eg, the first object 411 and the second object 421
  • Obtaining information for example, the first masking map 430 and the second masking map 440
  • the at least one processor determines the images of the plurality of images and the at least one object in each of the images as a ground truth. Based on the image part, it can be configured to generate an artificial intelligence model associated with a segmentation artificial intelligence network.
  • the operation of obtaining the information on the location of the at least one object is performed so that the distance between the audio feature and the visual feature is minimized using a metric learning-based loss function.
  • the operation of obtaining an audio portion corresponding to the at least one object in the audio may include combining the visual feature and the audio feature for each of the at least one object using a loss function.
  • the method may further include an operation of correcting an error such that a pixel-by-pixel distance between a feature and a spectrogram of audio corresponding to the at least one object is minimized.
  • FIG. 8 is a flowchart 800 for explaining a learning process for performing a method of providing an image according to an embodiment of the present disclosure.
  • the processor 250 may acquire a plurality of images.
  • the processor 250 may obtain a plurality of images including images and audio, respectively.
  • the processor 250 performs an operation of acquiring images in which one object exists in the image as training data and having a noise less than or equal to a specified value (eg, a signal-to-noise ratio greater than or equal to a specified value).
  • a specified value eg, a signal-to-noise ratio greater than or equal to a specified value.
  • An operation of acquiring a plurality of images may be performed.
  • the processor 250 may obtain information on at least one object from each of the images of the plurality of images.
  • the processor 250 generates a map in which at least one object included in each image is masked (eg, a pixel value representing at least one object included in the image is A binary map having “1” and having pixel values of “0” for parts other than at least one object in the image may be obtained.
  • the processor 250 may obtain a plurality of images (eg, a first image 410 and a second image (eg, a first image 410) and a second image (eg, a first image 410) obtained from a plurality of images (eg, a first image and a second image) 420)) and ground truth (or annotation) (eg, an artificial intelligence model related to a segmentation artificial intelligence network (eg, an image portion of the at least one object in each of a plurality of images)). Parameters of segmentation artificial intelligence networks can be created.
  • a plurality of images eg, a first image 410 and a second image (eg, a first image 410) and a second image (eg, a first image 410) obtained from a plurality of images (eg, a first image and a second image) 420)
  • ground truth or annotation
  • an artificial intelligence model related to a segmentation artificial intelligence network eg, an image portion of the at least one object in each of a plurality of images
  • the processor 250 when a plurality of images (the first image 410 and the second image 420) are input, masking maps for each object (eg, the first object 411 A first masking map 430 including a mask 431 for ) and a second masking map 440 including a mask 441 for the second object 421) may be obtained.
  • the processor 250 may obtain a visual feature for each at least one object.
  • the processor 250 may provide information on a plurality of images (a first image 410 and a second image 420) and at least one object (eg, a first masking map 430). ) and the second masking map 440), visual features of at least one object (eg, the first object 411 and the second object 421) may be obtained.
  • the processor 250 may provide information on a plurality of images (the first image 410 and the second image 420) and at least one object (eg, the first masking map 430 and the second image 420). Based on the masking map 440, visual features corresponding to at least one object (eg, the first object 411 and the second object 421) (eg, the first visual feature map 450, the second A visual feature map 460 may be obtained.
  • the processor 250 may obtain a spectrogram of audio corresponding to at least one object.
  • the processor 250 may synthesize a plurality of audios obtained from each of a plurality of images.
  • the processor 250 generates a first audio 511 to be output during a time section of the first image 410 within the first image and a second image within the first image.
  • the second audio 512 to be output during the time section of the second image 420 can be obtained from .
  • frames per second (FPS) of the first and second images are 24 FPS
  • All time intervals of the second audio 512 to be output together with the second image 420 in 2 images may be 1/24 (second).
  • the processor 250 may obtain synthesized audio 520 by synthesizing the first audio 511 and the second audio 512 .
  • the processor 250 may sum the sizes of the first audio 511 and the second audio 512 according to time, and obtain synthesized audio 520 as a result of the sum.
  • the processor 250 applies a short-time fourier transform (STFT) to synthesized audio (eg, synthesized audio 520), so that the size of the audio depends on time and frequency of the audio.
  • STFT short-time fourier transform
  • a spectrogram eg, the spectrogram 530 visually representing (eg, audio amplitude) may be obtained.
  • the processor 250 may obtain an audio feature for each at least one object.
  • the processor 250 based on the spectrogram (eg, the spectrogram 530) of the synthesized audio (eg, the synthesized audio 520), the audio corresponding to at least one object, respectively Features (eg, the first audio feature 540 for the first object 411 and the second audio feature 550 for the second object 421) may be acquired.
  • the spectrogram eg, the spectrogram 530
  • the synthesized audio eg, the synthesized audio 520
  • the audio corresponding to at least one object respectively
  • Features eg, the first audio feature 540 for the first object 411 and the second audio feature 550 for the second object 421
  • operations 803 and 805 are illustrated as being performed before operations 807 and 809 , but are not limited thereto.
  • operations 803 and 805 may be performed after operations 807 and 809 are performed, or may be performed in parallel with operations 807 and 809 .
  • the processor 250 may combine a visual feature and an audio feature for each at least one object.
  • the processor 250 performs a summation operation, a multiplication operation (eg, a matrix multiplication operation), or a concatenation operation on the visual and audio features for each at least one object, thereby You can combine visual and audio features.
  • a multiplication operation eg, a matrix multiplication operation
  • a concatenation operation on the visual and audio features for each at least one object
  • the processor 250 based on the combined visual and audio features, information about the location of the at least one object indicating the location of the at least one object in the image. can be obtained.
  • the processor 250 calculates the probability value that each pixel represents an object (or the probability value that each pixel represents an object is a binary value (eg, “0” or “1”). It is possible to obtain an image (also referred to as a “segmentation map” or “object localization mask”) having a value converted to “).
  • the processor 250 may generate a first combined feature, a second visual feature 460, and a first combined feature in which the combined features (eg, the first visual feature 450 and the first audio feature 540 are combined).
  • a first object localization mask 610 for the first object 411 (e.g., a set of pixels representing the first object 411) based on the second combined feature to which the two audio features 550 are combined. 611) has a binary value of “1”, and a second object localization mask for a second object 421) and a binary value of “0” other than the set of pixels 611 representing the first object 411).
  • 620 eg, has a binary value of “1” for the pixel set 621 representing the second object 421, and has a binary value of “0” other than the pixel set 621 representing the second object 421) image
  • the processor 250 may perform an operation of correcting an error based on a distance between a visual feature and an audio feature (eg, a Euclidean distance).
  • the processor 250 uses a metric learning-based loss function (eg, a contrastive loss function) to minimize an error so that a distance between a visual feature and an audio feature for each object is minimized.
  • Corrective actions can be performed. For example, the processor 250 minimizes the distance between the first visual feature 450 and the first audio feature 540 with respect to the first object 411 using a contrastive loss function, An operation of correcting an error may be performed to minimize a distance between the second visual feature 460 and the second audio feature 550 with respect to the second object 421 .
  • the processor 250 after or while performing the error correction operation, uses a designated activation function (eg, softmax function) to represent each pixel for each object. An image having a probability value may be acquired.
  • the processor 250 after performing the above-described operations for learning, information on objects received from the segmentation module 310 (eg, a map in which an object included in an image is masked) An operation of correcting the error may be further performed using .
  • the processor 250 obtains an audio part corresponding to at least one object in the audio based on the combined visual and audio features.
  • the processor 250 calculates, for each object, a probability value (or each pixel) representing audio corresponding to the object, based on the combined visual and audio features, for each pixel of the spectrogram for audio.
  • An image (“audio mask” or “spectrogram binary map)" can be obtained.
  • the processor 250 may generate a first combined feature, a second visual feature 460, and a first combined feature in which the combined features (eg, the first visual feature 450 and the first audio feature 540 are combined).
  • a first audio mask 631 corresponding to the first object 411 (eg, the first audio mask 631 in the spectrogram 530 for audio)
  • an image having a binary value of “0” may be obtained.
  • the processor 250 may perform an operation of correcting an error based on the combined feature and the spectrogram corresponding to the object as the ground truth. For example, the processor 250 uses a loss function (eg, an l1 function, an l2 function, or a cross entropy function) to determine a combined feature (eg, the first visual feature 450 and the first audio) for each object.
  • a loss function eg, an l1 function, an l2 function, or a cross entropy function
  • a first combined feature in which feature 540 is combined, a second combined feature in which second visual feature 460 and second audio feature 550 are combined) and a spectrogram of the audio corresponding to the object as the correct answer eg :
  • An operation for correcting an error may be performed so that a pixel-by-pixel distance (eg, a Euclidean distance per pixel) between the spectrogram of the first audio 511 and the spectrogram of the second audio 512 is minimized.
  • the processor 250 uses a designated activation function (eg, a sigmoid function) after or during the operation of correcting the error.
  • audio masks 631 and 632 may be obtained for each object.
  • the processor 250 may obtain an audio part corresponding to an object in audio of an image based on an audio mask (eg, the audio masks 631 and 632 ). For example, the processor 250, when the first audio mask 631 corresponding to the first object 411 and the second audio mask 632 corresponding to the second object 421 are obtained, the first For each of the audio mask 631 and the second audio mask 632, an AND operation (or multiplication operation) may be performed with a spectrogram (eg, the spectrogram 530) for audio.
  • an AND operation or multiplication operation
  • the processor 250 performs an inverse short-time fourier transform (STFT) on the result of the AND operation (or product operation), so that the audio part 641 corresponding to the first object 411 and the second object ( An audio portion 642 corresponding to 421) may be obtained.
  • STFT inverse short-time fourier transform
  • FIG. 9 is a flowchart 900 illustrating a method of providing an image according to an embodiment of the present disclosure.
  • the processor 250 may obtain an image including an image and audio.
  • the processor 250 may receive images from the memory 240 (eg, a gallery application) or an external electronic device (eg, the electronic device 102, the electronic device 104, or the server 108). can be obtained.
  • the processor 250 may obtain an image (eg, a preview image) from the camera module 235 .
  • the processor 250 may obtain information about at least one object included in the image of the video.
  • the processor 250 may perform a map in which at least one object included in the image of the video is masked (eg, a pixel value representing at least one object included in the image has “1”, A binary map having pixel values of “0” for the rest of the image except for at least one object) may be obtained.
  • the processor 250 may obtain a map in which at least one object included in the image of the video is masked by using a segmentation artificial intelligence network.
  • the processor 250 may obtain information about an object for each at least one object included in an image of the video. For example, the processor 250 may obtain at least one masking map corresponding to each of at least one object included in the image of the video.
  • the processor 250 may acquire visual characteristics of at least one object. For example, the processor 250 may obtain a visual feature for each at least one object based on the image of the video and information on at least one object.
  • the processor 250 may obtain a spectrogram of audio of at least one object.
  • the processor 250 may obtain audio to be output during a time section of an image within a video.
  • the processor 250 applies a short-time fourier transform (STFT) to the obtained audio to obtain a spectrogram visually representing the magnitude (eg, amplitude of the audio) of the audio according to time and frequency.
  • STFT short-time fourier transform
  • the processor 250 may obtain audio characteristics of at least one object. For example, the processor 250 may obtain at least one audio feature corresponding to at least one object, for each at least one object, based on the audio spectrogram of the at least one object.
  • operations 903 and 905 are illustrated as being performed before operations 907 and 909 , but are not limited thereto.
  • operations 903 and 905 may be performed after operations 907 and 909 are performed, or may be performed in parallel with operations 907 and 909 .
  • the processor 250 may combine a visual feature and an audio feature for each at least one object.
  • the processor 250 performs a summation operation, a multiplication operation (eg, a matrix multiplication operation), or a concatenation operation on the visual and audio features for each at least one object, thereby You can combine visual and audio features.
  • a multiplication operation eg, a matrix multiplication operation
  • a concatenation operation on the visual and audio features for each at least one object
  • the processor 250 provides information about the position of at least one object, indicating the position of at least one object in the image, based on the combined visual and audio features. can be obtained.
  • the processor 250 determines the probability value that each pixel represents an object (or the probability value that each pixel represents an object is a binary value (eg, “0”). Alternatively, an image having a value converted to “1”) may be obtained.
  • the processor 250 may obtain an audio part corresponding to at least one object in the audio based on the combined visual and audio features.
  • the processor 250 determines, for each object, based on the combined visual and audio features, a probability value (or each pixel representing audio corresponding to the object) within the spectrogram for audio.
  • An image eg, an audio mask
  • a probability value representing audio corresponding to an object in which a pixel has a binary value eg, a value converted to “0” or “1”
  • the processor 250 may obtain an audio part corresponding to an object in audio of an image based on an audio mask. For example, when an audio mask corresponding to at least one object is acquired, the processor 250 performs an AND operation (or multiplication operation). The processor 250 may obtain at least one audio part corresponding to at least one object by performing an inverse short-time fourier transform (STFT) on a result of the AND operation (or product operation).
  • STFT inverse short-time fourier transform
  • the processor 250 may store information about the location of at least one object and the audio part in the memory 240.
  • the processor 250 associates (e.g., mapping) information about the location of at least one object obtained in operation 913 and an audio part corresponding to the at least one object obtained in operation 915. so), it can be stored in the memory 240.
  • FIG. 10 is a diagram 1000 for explaining a method of providing an image according to an embodiment of the present disclosure.
  • the processor 250 may output information indicating a location of an object and/or audio while outputting an image.
  • the processor 250 may output information representing a location of an object corresponding to audio while an image is output.
  • the processor 250 outputs audio corresponding to the first object 1021 through the sound output module 230 while the video image 1010 is displayed through the display 220. can do.
  • the processor 250 may change the display (eg, color) of the first object 1021 to indicate that the first object 1021 corresponds to the output audio.
  • the processor 250 displays the first object 1021 opaquely through the display 220 to indicate that the first object 1021 is an object corresponding to output audio, and The display of the second object 1023 unrelated to audio may not be changed.
  • the processor 250 controls the audio corresponding to the object selected by the user so that the size of audio corresponding to the object selected by the user in the image is greater than the size of audio corresponding to other objects.
  • the processor 250 sets the size of audio corresponding to the first object 1021 selected by the user in the image 1010 of the video to be greater than the size of the audio corresponding to the second object 1023.
  • audio corresponding to the first object 1021 may be output through the sound output module 230 .
  • the processor 250 outputs only the audio corresponding to the object selected by the user when the audio corresponding to the object selected by the user and the audio corresponding to other objects in the image are simultaneously output. Output through the module 230, audio corresponding to the other object may not be output through the sound output module.
  • the processor 250 may set to display information indicating a position of an object corresponding to an output audio through the display 220 while an image is output, based on a user input. . In one embodiment of the present disclosure, the processor 250 may change the display of the object selected by the user while the image is output. When audio corresponding to the selected object is output, the processor 250 may change the display of the selected object to indicate that audio corresponding to the selected object is output.
  • the processor 250 may display, through the display 220, information related to the audio of the object selected by the user in the image of the video. For example, the processor 250 transmits, through the display 220, information 1031 representing the volume and time interval of the audio of the first object 1021 selected by the user within the image 1010 of the image to the image. It can be displayed in the information 1030 indicating the volume and time interval of the entire audio of.
  • the processor 250 may display information indicating the position of an object and/or information 1040 indicating a function of outputting audio through the display 220 while outputting an image. there is.
  • the processor 250 may determine an object included in an image and provide information classified for each determined object. For example, the processor 250 may display (eg, effects, colors, highlights) of the first object 1021 and the second object 1023 recognized in the image 1010 of the video differently, Among the information 1030 representing the volume and time interval of the entire audio of the image, information representing the audio volume and time interval of the first object 1021 and the second object 1023 may be displayed differently. For example, the first object 1021 may be displayed in blue and the second object 1023 may be displayed in red through the display 220 .
  • the processor 250 may display (eg, effects, colors, highlights) of the first object 1021 and the second object 1023 recognized in the image 1010 of the video differently, Among the information 1030 representing the volume and time interval of the entire audio of the image, information representing the audio volume and time interval of the first object 1021 and the second object 1023 may be displayed differently. For example, the first object 1021 may be displayed in blue and the second object 1023 may be displayed in red through the display 220 .
  • the audio volume and time interval of the first object 1021 are displayed in blue, and the audio volume and time interval of the second object 1023 are displayed in blue. can be marked in red.
  • audio corresponding to a time interval selected by a user input may be output.
  • the processor 250 divides the information 1030 indicating the volume and time interval of the entire audio of the image based on the first object 1021 and the second object 1023 included in the image. Displays the audio of the time interval selected by the user input (eg, the time interval of the first object 1021 and the time interval of the second object 1023) among the information 1030 through the sound output module 230. can be printed out.
  • the processor 250 displays the second object 1023 (eg : effect, color, highlight) can be changed differently, and the audio of the second object 1023 can be output. Also, the display of the first object 1021 is changed to the form of the original image, and the audio of the first object 1021 may not be output or its size may be reduced.
  • FIG. 11 is a diagram 1100 for explaining a method of providing an image according to an embodiment of the present disclosure.
  • the processor 250 may include an image (eg, images (eg, images of a person) including an object (eg, a human object) in an execution screen 1110 of a gallery application. 1121, 1122, 1123, 1124) may be displayed through the display 220. When an image of the image is selected, the processor 250 transmits information indicating the volume and time interval of the audio of the object of the selected image in the region adjacent to the selected image through the display 220, within the image of the selected image. 1131 may be displayed in information 1130 indicating the volume and time interval of the entire audio of the video of the selected image.
  • an image eg, images (eg, images of a person) including an object (eg, a human object) in an execution screen 1110 of a gallery application. 1121, 1122, 1123, 1124
  • the processor 250 transmits information indicating the volume and time interval of the audio of the object of the selected image in the region adjacent to the selected image through the display 220, within the image of the selected image.
  • 1131
  • the processor 250 displays an area adjacent to the selected image 1121 through the display 220.
  • information 1131 representing the audio volume and time interval of the object of the selected image 1121 is displayed in information 1130 representing the entire audio volume and time interval of the image.
  • the processor 250 determines that among images (eg, images 1121, 1122, 1123, and 1124) of images including an object (eg, a person) as the same object.
  • images eg, images 1121, 1122, 1123, and 1124
  • an image may be displayed by grouping as one object.
  • the processor 250 may display an image in which the image 1123 and the image 1124 are grouped, and the image ( 1123) and the object's audio volume and time interval corresponding to the image 1124 may be displayed together with information 1130 representing the entire audio volume and time interval of the image.
  • a time section corresponding to the image 1123 and a time section corresponding to the image 1124 may be displayed as distinct in the information 1130 representing the volume and time section of the entire audio of the video.
  • a method of providing an image in an electronic device 101 includes an operation of acquiring an image including an image and an audio, and an operation of obtaining information about one or more objects included in the image from the image. , based on the image and the information on the at least one object, obtaining a visual feature of the at least one object, acquiring a spectrogram of the audio, and performing the at least one operation from the spectrogram of the audio. Obtaining an audio feature for an object, combining the visual feature and the audio feature, indicating a position of the at least one object in the image based on the combined visual feature and the audio feature.
  • obtaining information about the location of at least one object obtaining an audio part corresponding to the at least one object in the audio based on the combined visual feature and the audio feature; and It may include an operation of storing information about the location of an object of and an audio part corresponding to the at least one object in the memory 240 of the electronic device 101 .
  • the obtaining of information on the at least one object may include obtaining, from the image, a map in which the at least one object included in the image is masked.
  • the combining of the visual feature and the audio feature may include performing an addition operation, a multiplication operation, or a concatenation operation on the visual feature and the audio feature, so that the visual feature and the audio feature are combined. It may include an operation to combine.
  • the obtaining of information on the location of the at least one object may include obtaining a probability value for each pixel representing the at least one object based on the combined visual feature and the audio feature.
  • the branch may include an operation of obtaining an image.
  • the operation of obtaining the audio portion corresponding to the at least one object may include, based on the combined visual feature and the audio feature, each pixel obtains audio corresponding to the at least one object.
  • the operation of obtaining an audio part corresponding to the at least one object in the audio is based on performing an AND operation on a spectrogram of the audio and the obtained image, It may include an operation of obtaining an audio part corresponding to the at least one object within.
  • the method further includes an operation of performing learning for generating an artificial intelligence model, and the operation of performing the learning includes an operation of acquiring a plurality of images, and an operation of performing learning of the plurality of images.
  • the operation of performing the learning includes an operation of acquiring a plurality of images, and an operation of performing learning of the plurality of images.
  • It may include an operation of obtaining an audio part (eg, the audio part 641 and the audio part 642) to be played.
  • the operation of obtaining information on the at least one object may be based on images of the plurality of images and an image portion of the at least one object in each of the images as a correct answer.
  • the operation of obtaining the information on the position of the at least one object is to correct the error so that the distance between the audio feature and the visual feature is minimized using a metric learning-based loss function. It may further include an operation to do.
  • the operation of obtaining an audio portion corresponding to the at least one object in the audio may include combining the visual feature and the audio feature for each of the at least one object using a loss function.
  • the method may further include an operation of correcting an error such that a pixel-by-pixel distance between a feature and a spectrogram of audio corresponding to the at least one object is minimized.
  • the structure of data used in the above-described embodiments of this document can be recorded on a computer-readable recording medium through various means.
  • the computer-readable recording medium is a storage medium such as a magnetic storage medium (eg, ROM, floppy disk, hard disk, etc.), an optical reading medium (eg, CD-ROM, digital video disc (DVD)) includes

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Telephone Function (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

전자 장치가 제공된다. 전자 장치는, 메모리, 및 상기 메모리와 전기적으로 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 이미지 및 오디오를 포함하는 영상을 획득하고, 상기 이미지로부터 상기 이미지에 포함된 적어도 하나의 객체에 대한 정보를 획득하고, 상기 이미지 및 상기 적어도 하나의 객체에 대한 정보에 기반하여, 상기 적어도 하나의 객체에 대한 시각적 특징을 획득하고, 상기 오디오의 스펙트로그램(spectrogram)을 획득하고, 상기 오디오의 스펙트로그램로부터 상기 적어도 하나의 객체에 대한 오디오 특징을 획득하고, 상기 시각적 특징 및 상기 오디오 특징을 결합하고, 상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 상기 이미지 내에서 상기 적어도 하나의 객체의 위치를 나타내는, 상기 적어도 하나의 객체의 위치에 대한 정보를 획득하고, 상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하고, 및 상기 적어도 하나의 객체의 위치에 대한 정보 및 상기 적어도 하나의 객체에 대응하는 오디오 부분을 상기 메모리에 저장하도록 구성될 수 있다.

Description

영상을 제공하는 방법 및 이를 지원하는 전자 장치
본 개시는 영상을 제공하는 방법 및 이를 지원하는 전자 장치와 관련된다.
칵테일 파티 효과(cocktail party effect)는 시끄러운 주변 소음이 있는 환경에서, 대화자의 이야기를 선택적으로 집중하여 받아들이는 현상을 지칭한다.
최근, 칵테일 파티 효과를 전자 장치에서 구현하기 위한 연구가 진행되고 있다. 예를 들어, 전자 장치가 객체에 대한 이미지 및 오디오를 포함하는 영상을 출력하는 동안, 이미지 내에서 사용자에 의해 선택된 객체를 다른 이미지 부분과 다르게 표시하고, 상기 선택된 객체에 대응하는 오디오를 출력하는 기술에 대한 기술에 대한 연구가 진행되고 있다.
상기 정보는 본 개시의 이해를 돕기 위한 배경 정보로서만 제공된다. 위의 내용 중 어느 것이 본 개시와 관련하여 선행 기술로 적용될 수 있는지 여부에 대하여 결정이 내려지거나 주장이 이루어지지 않는다.
전자 장치는, 영상에 복수의 객체들이 포함되고, 복수의 객체들의 복수의 오디오가 존재하는 경우, 복수의 객체들 각각에 대응하는 복수의 오디오를 확인하기 어려울 수 있다. 예를 들어, 전자 장치에서 영상의 일정 구간에서 복수의 객체들이 표시되고 복수의 오디오가 출력되는 경우, 전자 장치는 복수의 객체들 각각이 복수의 오디오 중 어느 오디오에 대응하는지를 확인하기 어려울 수 있다.
또한, 전자 장치는 영상 내에서 오디오에 대응하는 객체의 정확한 위치를 확인하기 어려우며, 복수의 오디오가 출력되는 경우 복수의 오디오 중에서 사용자에 의해 선택된 객체에 대응하는 오디오를 정확하게 분리하기 어려울 수 있다.
본 개시의 양태들(aspects)은 적어도 위에서 언급된 문제 및/또는 단점을 다루고 적어도 아래에서 설명되는 이점을 제공한다. 이에 따라, 본 개시의 양태는 영상으로부터 객체 별로 객체의 위치에 대한 정보 및 객체에 대응하는 오디오를 획득하는, 이미지를 제공하는 방법 및 이를 지원하는 전자 장치를 제공하기 위한 것이다.
추가적인 양태들은 다음의 설명에서 부분적으로 설명될 것이고, 부분적으로는 설명으로부터 명백해질 것이며, 또는 제시된 실시예의 실행에 의해 학습될 수 있다.
본 개시의 양태에 따라 전자 장치가 제공된다. 전자 장치는, 메모리, 및 상기 메모리와 전기적으로 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 이미지 및 오디오를 포함하는 영상을 획득하고, 상기 이미지로부터 상기 이미지에 포함된 적어도 하나의 객체에 대한 정보를 획득하고, 상기 이미지 및 상기 적어도 하나의 객체에 대한 정보에 기반하여, 상기 적어도 하나의 객체에 대한 시각적 특징을 획득하고, 상기 오디오의 스펙트로그램(spectrogram)을 획득하고, 상기 오디오의 스펙트로그램로부터 상기 적어도 하나의 객체에 대한 오디오 특징을 획득하고, 상기 시각적 특징 및 상기 오디오 특징을 결합하고, 상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 상기 이미지 내에서 상기 적어도 하나의 객체의 위치를 나타내는, 상기 적어도 하나의 객체의 위치에 대한 정보를 획득하고, 상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하고, 및 상기 적어도 하나의 객체의 위치에 대한 정보 및 상기 적어도 하나의 객체에 대응하는 오디오 부분을 상기 메모리에 저장하도록 구성될 수 있다.
본 개시의 다른 양태에 따라 전자 장치에서 영상을 제공하는 방법이 제공된다. 상기 방법은, 이미지 및 오디오를 포함하는 영상을 획득하는 동작, 상기 이미지로부터 상기 이미지에 포함된 적어도 하나의 객체에 대한 정보를 획득하는 동작, 상기 이미지 및 상기 적어도 하나의 객체에 대한 정보에 기반하여, 상기 적어도 하나의 객체에 대한 시각적 특징을 획득하는 동작, 상기 오디오의 스펙트로그램을 획득하는 동작, 상기 오디오의 스펙트로그램로부터 상기 적어도 하나의 객체에 대한 오디오 특징을 획득하는 동작, 상기 시각적 특징 및 상기 오디오 특징을 결합하는 동작, 상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 상기 이미지 내에서 상기 적어도 하나의 객체의 위치를 나타내는, 상기 적어도 하나의 객체의 위치에 대한 정보를 획득하는 동작, 상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하는 동작, 및 상기 적어도 하나의 객체의 위치에 대한 정보 및 상기 적어도 하나의 객체에 대응하는 오디오 부분을 상기 전자 장치의 메모리에 저장하는 동작을 포함할 수 있다.
본 개시의 다양한 실시예에 따른 영상을 제공하는 방법 및 이를 지원하는 전자 장치는, 영상으로부터 객체 별로 객체의 위치에 대한 정보 및 객체에 대응하는 오디오를 획득할 수 있다. 이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
본 개시의 다른 양태, 이점, 및 두드러진 특징은 첨부 도면과 함께 취해진 본 개시의 다양한 실시예들을 개시하는 다음의 상세한 설명으로부터 당업자에게 명확하게 될 것이다.
본 개시의 특정 실시예들의 상기 및 다른 양태, 특징, 및 이점은 첨부 도면과 함께 취해진 다음의 설명으로부터 보다 명확하게 될 것이다.
도 1은, 본 개시의 일 실시예에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는, 본 개시의 일 실시예에 따른, 전자 장치의 블록도이다.
도 3은, 본 개시의 일 실시예에 따른, 프로세서의 블록도이다.
도 4는, 본 개시의 일 실시예에 따른, 영상으로부터 객체 별 시각적 특징을 획득하는 동작을 설명하는 도면이다.
도 5는, 본 개시의 일 실시예에 따른, 영상으로부터 객체 별 오디오 특징을 획득하는 동작을 설명하는 도면이다.
도 6은, 본 개시의 일 실시예에 따른, 이미지 내에서 객체의 위치에 대한 정보 및 오디오를 획득하는 동작을 설명하는 도면이다.
도 7은, 본 개시의 일 실시예에 따른, 학습 데이터를 설명하는 도면이다.
도 8은, 본 개시의 일 실시예에 따른, 영상을 제공하는 방법을 수행하기 위한 학습 과정을 설명하기 위한 흐름도이다.
도 9는, 본 개시의 일 실시예에 따른, 영상을 제공하는 방법을 설명하기 위한 흐름도이다.
도 10은, 본 개시의 일 실시예에 따른, 영상을 제공하는 방법을 설명하는 도면이다.
도 11은, 본 개시의 일 실시예에 따른, 영상을 제공하는 방법을 설명하는 도면이다.
도면들을 통하여, 동일한 참조 번호는 동일하거나 유사한 요소, 특징, 및 구조를 설명하기 위하여 사용되는 점을 유의해야 한다.
첨부된 도면을 참조한 다음 설명은 청구범위 및 그 균등물에 의해 정의된 바와 같은 본 개시의 다양한 실시예들의 포괄적인 이해를 돕기 위해 제공된다. 여기에는 이해를 돕기 위한 다양한 특정 세부 사항이 포함되어 있지만 이는 단지 예시적인 것으로 간주된다. 따라서, 본 기술 분야의 통상의 지식을 가진 자는 본 개시의 범위 및 사상을 벗어나지 않고 여기서 설명된 다양한 실시예의 다양한 변경 및 수정이 이루어질 수 있음을 인식할 것이다. 또한, 명료함과 간결함을 위해 잘 알려진 기능 및 구성에 대한 설명은 생략할 수 있다.
하기 설명 및 특허청구범위에서 사용된 용어 및 단어는 문헌상의 의미에 한정되지 않으며, 본 개시의 명확하고 일관된 이해를 가능하게 하기 위해 발명자가 사용한 것에 불과하다. 따라서, 본 개시의 다양한 실시예들에 대한 다음의 설명은 첨부된 청구범위 및 그 균등물에 의해 정의된 바와 같은 본 발명을 제한하기 위한 것이 아니라 단지 예시의 목적으로 제공된다는 것이 당업자에게 자명할 수 있다.
단수 형태 "a", "an", 및 "the"는 문맥이 명백히 달리 지시하지 않는 한 복수 지시 대상을 포함하는 것으로 이해되어야 한다. 따라서, 예를 들어 "구성요소 표면"에 대한 언급은 그러한 표면 중 하나 이상에 대한 언급을 포함한다.
도 1은, 본 개시의 일 실시예에 따른, 네트워크 환경 내의 전자 장치의 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. 일 실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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: 블루투스TM, 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. 일 실시예에 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. 일 실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시예에 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. 일 실시예에 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.
일 실시예에 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. 일 실시예에 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. 일 실시예에 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.
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, 일 실시예에 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.
일 실시예에 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.
도 2는, 본 개시의 일 실시예에 따른, 전자 장치의 블록도이다.
도 2를 참조하면, 본 개시의 일 실시예에서, 전자 장치(101)는, 통신 모듈(210), 디스플레이(220), 음향 출력 모듈(230), 입력 모듈(233), 카메라 모듈(235), 메모리(240), 및/또는 프로세서(250)를 포함할 수 있으며, 도시된 구성 및/또는 기능 중 적어도 일부가 생략 또는 치환되더라도 본 문서의 다양한 실시예를 구현할 수 있다. 본 개시의 일 실시예에서, 전자 장치(101)는 도 1의 전자 장치(101)의 구성 및/또는 기능 중 적어도 일부를 더 포함할 수 있다. 전자 장치(200)의 구성 중 적어도 일부(예: 통신 모듈(210), 메모리(240), 프로세서(250))는 하우징(미도시) 내에 배치될 수 있고, 적어도 일부(예: 디스플레이(220), 음향 출력 모듈(230), 입력 모듈(233), 카메라 모듈(235))는 외부로 시각적으로 노출될 수 있다. 전자 장치(101)의 각 구성 중 적어도 일부는 서로 작동적(operatively), 전기적(electrically) 및/또는 기능적(functionally)으로 연결될 수 있다.
본 개시의 일 실시예에서, 통신 모듈은(210), 도 1 의 통신 모듈(190)에 포함될 수 있다. 본 개시의 일 실시예에 따르면, 통신 모듈(210)은 셀룰러 네트워크와 무선으로 통신하기 위한 소프트웨어 및/또는 하드웨어 모듈을 포함하며, 도 1의 무선 통신 모듈(192)의 구성 및/또는 기능 중 적어도 일부를 포함할 수 있다.
본 개시의 일 실시예에서, 통신 모듈(210)은, 외부 전자 장치(101)(예: 전자 장치(102), 전자 장치(104), 및/또는 서버(108))로부터, 영상을 송신 및/또는 수신할 수 있다.
본 개시의 일 실시예에서, 통신 모듈(210)은, 영상을 제공하는 동작의 일부가 전자 장치(101)에서 수행되고, 영상을 제공하는 동작의 다른 일부가 서버(예: 서버(108))에서 수행되는 경우, 전자 장치(101)에서 수행된 영상을 제공하는 동작의 일부에 의해 획득된 결과에 대한 정보를 서버로 전송하고, 서버로부터 서버에서 수행된 영상을 제공하는 동작의 다른 일부에 의해 획득된 결과를 수신할 수 있다.
본 개시의 일 실시예에서, 디스플레이(220)는 도 1의 디스플레이 모듈(160)에 포함될 수 있다. 본 개시의 일 실시예에서, 디스플레이(220)는 프로세서(250)로부터 제공되는 영상 신호를 표시할 수 있다. 디스플레이(220)는 플렉서블 디스플레이, 폴더블 디스플레이, 또는 슬라이더블 디스플레이로 구현될 수 있다. 또한, 디스플레이(220)는 액정 디스플레이(liquid crystal display(LCD)), 발광 다이오드(light-emitting diode(LED)) 디스플레이, 유기 발광 다이오드(organic light-emitting diode(OLED)) 디스플레이, 퀀텀닷 발광 다이오드(quantum dot light-emitting diodes(QLED)) 디스플레이, 마이크로 전자기계 시스템(micro electro mechanical systems(MEMS)) 디스플레이, 전기 영동 표시 장치(electrophoretic display)의 디스플레이, 또는 전자종이(electronic paper) 디스플레이 중 어느 하나로 구현될 수 있으나, 이에 한정되지는 않는다.
본 개시의 일 실시예에서, 디스플레이(220)는 영상에 포함된 이미지를 출력할 수 있다.
본 개시의 일 실시예에서, 디스플레이(220)는, 영상을 출력하는 동안, 영상의 이미지(이미지 프레임(frame))에 포함되고 전자 장치(101)에서 출력 중인 오디오("음원"으로도 지칭됨)에 대응하는 객체를, 이미지에 포함된 다른 객체와 구별되도록 표시할 수 있다. 본 개시의 일 실시예에서, 디스플레이(220)는, 영상을 출력하는 동안, 영상의 이미지에 포함되고 전자 장치(101)에서 출력 중인 오디오가 출력되는 시간 구간 및/또는 오디오의 크기(예: 오디오의 진폭 또는 음량)를 나타내는 시각적 정보를 표시할 수 있다.
본 개시의 일 실시예에서, 음향 출력 모듈(230)(예: 스피커)은 도 1의 음향 출력 모듈(155)에 포함될 수 있다. 본 개시의 일 실시예에 따르면, 음향 출력 모듈(230)은 오디오(예: 음원)를 전자 장치(101)의 외부로 출력할 수 있다. 전자 장치(101)는 하우징의 상단 또는 하단에 하나 이상의 스피커를 배치할 수 있으며, 배치 위치는 이에 한정되지 않는다. 예를 들면, 스피커는 도 1의 오디오 모듈(170)의 구성 및/또는 기능 중 적어도 일부를 포함할 수 있다.
본 개시의 일 실시예에서, 음향 출력 모듈(230)은, 다이나믹 드라이버(dynamic driver), 밸런스드 아마추어 드라이버(balanced armature driver), 및/또는 피에조 스피커(piezoelectric speaker)와 같은 스피커 또는 리시버를 음향 출력 모듈(230)로써 포함할 수 있다. 본 개시의 일 실시예에서, 전자 장치(101)가 복수의 스피커들을 포함하는 경우, 프로세서(250)는, 복수의 스피커들 중 적어도 일부 스피커들을 통하여 서로 다른 복수의 채널들(예: 스테레오, 또는 5.1 채널)을 갖는 오디오 신호를 출력할 수 있다. 본 개시의 다른 실시예로, 전자 장치(101)는, 외부 전자 장치(예: 외부 스피커 또는 헤드셋)와 연결 단자를 통해 직접, 또는 무선 통신 모듈(예: 도 1의 무선 통신 모듈(192))을 통하여 무선으로 연결되어 오디오 신호를 출력할 수 있다.
본 개시의 일 실시예에서, 음향 출력 모듈(230)은, 영상에 포함된 오디오를 출력할 수 있다.
본 개시의 일 실시예에서, 음향 출력 모듈(230)은, 영상을 출력하는 동안, 영상의 이미지 내에서 사용자에 의해 지정된 객체에 대응하는 오디오의 크기를 증가시킬 수 있다.
본 개시의 일 실시예에서, 음향 출력 모듈(230)은, 영상을 출력하는 동안, 영상의 이미지가 복수의 객체들을 포함하고 복수의 객체들에 대응하는 복수의 오디오가 출력 중인 경우, 복수의 객체들 중에서 사용자에 의해 지정된 객체에 대응하는 오디오의 크기를 증가시키고, 나머지 객체에 대응하는 오디오의 크기를 감소시킬 수 있다.
본 개시의 일 실시예에서, 음향 출력 모듈(230)은, 영상을 출력하는 동안, 영상의 이미지가 복수의 객체들을 포함하고 복수의 객체들에 대응하는 복수의 오디오가 출력 중인 경우, 복수의 객체들 중에서 사용자에 의해 지정된 객체에 대응하는 오디오를 출력하고, 나머지 객체에 대응하는 오디오를 출력하지 않을 수 있다.
본 개시의 일 실시예에서, 입력 모듈(233)은, 도 1의 입력 모듈(150)에 포함될 수 있다. 본 개시의 일 실시예에 따르면, 전자 장치(101)는 오디오 신호를 획득할 수 있다. 본 개시의 다양한 실시예에 따르면, 전자 장치(101)는 이미지(예: 영상)를 촬영하는 경우, 영상의 배경음에 해당하는 오디오 신호를 획득할 수 있다. 전자 장치(101)는, 전자 장치(101)에 포함된 입력 모듈(233)(예: 마이크 또는 마이크로폰)을 이용하여 외부 음성을 입력 받고, 오디오 신호를 생성할 수 있다.
본 개시의 일 실시예에 따르면, 전자 장치(101)는 연결된 외부 전자 장치(예: 도 1의 전자 장치(102, 104) 및/또는 서버(108))로부터 오디오 신호를 수신할 수 있다. 예를 들면, 외부 전자 장치는 수집한 음성을 이용하여 오디오 신호를 생성할 수 있고, 전자 장치(101)로 생성한 오디오 신호를 전송할 수 있다. 전자 장치(101)는 외부 전자 장치로부터 오디오 신호를 수신할 수 있다. 본 개시의 일 실시예에 따르면, 전자 장치(101)는 이미지(또는 영상)를 촬영함과 동시에 외부 전자 장치로부터 이미지(또는 영상)에 대응하는 음성의 오디오 신호를 수신할 수 있다.
본 개시의 일 실시예에 따르면, 입력 모듈(233)은, 오디오(예: 소리)의 방향을 감지할 수 있도록 복수개의 마이크들이 배치될 수 있다. 예를 들면, 전자 장치(101)에 포함된 복수의 마이크들이, 오디오 신호를 획득하는 과정에서 지향성을 향상시키기 위해 필요한 빔포밍(beamforming) 동작을 수행할 수 있다. 본 개시의 일 실시예에서, 빔포밍 동작은, MVDR(minimum variance distortionless response) 또는 범용 사이드로브 제거기(GSC; generalized sidelobe canceller)로 구현될 수 있다.
본 개시의 일 실시예에서, 카메라 모듈(235)은, 다양한 피사체의 영상을 촬영할 수 있다. 예를 들면, 피사체는 인물, 장치, 또는 물체가 될 수 있다. 전자 장치(101)는 피사체를 촬영하여 촬영한 피사체의 이미지를 생성할 수 있다. 본 개시의 일 실시예에서, 전자 장치(101)는, 촬영한 이미지 또는 촬영 중인 이미지를 디스플레이(220) 상에 표시할 수 있다. 일 실시예에 따르면, 카메라 모듈(235)은 거리를 측정할 수 있는 깊이 카메라(depth camera)(예: 3차원(3D) 깊이 카메라, TOF(time of flight) 카메라)를 포함할 수 있다.
본 개시의 일 실시예에서, 복수의 카메라 모듈들을 이용하여, 서로 이미지를 획득할 수 있다. 예를 들면, 제1 카메라 모듈로 제 1 이미지(예: 도 4의 제 1 이미지(410))를 획득할 수 있고, 제2 카메라 모듈로 제 2 이미지(예: 도 4의 제 2 이미지(420))를 획득할 수 있다. 예를 들면, 제1 카메라 모듈과 제2 카메라 모듈은 서로 다른 화각(FOV, field of view)을 제공할 수 있다.
본 개시의 일 실시예에서, 메모리(240)는 도 1의 메모리(130)에 포함될 수 있으며, 도 1의 프로그램(140) 중 적어도 일부를 저장할 수 있다. 본 개시의 일 실시예에 따르면, 메모리(240)는 공지의 휘발성 메모리(volatile memory) 및 비휘발성 메모리(non-volatile memory)를 포함할 수 있다. 메모리(240)는 프로세서(250)에서 수행될 수 있는 다양한 인스트럭션들을 저장할 수 있다. 이와 같은 인스트럭션들은 프로세서(250)에 의해 인식될 수 있는 산술 및 논리 연산, 데이터 이동, 입출력 등의 제어 명령을 포함할 수 있다. 본 개시의 일 실시예에서, 메모리(240)는 영상을 제공하는 동작의 적어도 일부를 수행하기 위한 정보를 저장할 수 있다. 메모리(240)가 저장하는, 영상을 제공하는 동작의 적어도 일부를 수행하기 위한 정보에 대해서는, 후술하도록 한다.
본 개시의 일 실시예에서, 프로세서(250)는 전자 장치(101)의 각 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 수행할 수 있는 구성으로써, 도 1의 프로세서(120)에 포함될 수 있다. 본 개시의 일 실시예에서, 프로세서(250)는 통신 모듈(210), 디스플레이(220), 음향 출력 모듈(230), 메모리(240), 입력 모듈(233) 및/또는 카메라 모듈(235)과 전자 장치(101)의 내부 구성요소와 작동적(operatively), 전기적(electrically) 및/또는 기능적(functionally)으로 연결될 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 영상을 제공하는 동작을 전반적으로 제어할 수 있다. 본 개시의 일 실시예에서, 프로세서(250)는, 영상을 제공하는 동작을 수행하기 위한 하나 이상의 프로세서들을 포함할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 영상을 제공하는 동작뿐만 아니라, 영상을 제공하기 위한 동작에 이용되는 인공지능 모델을 생성하기 위한 학습을 수행할 수 있다. 프로세서(250)가 수행하는 영상을 제공하는 동작 및 학습에 대하여, 도 3 이하를 참조하여 설명하도록 한다. 본 개시의 다양한 실시예에 따르면, 프로세서(250)가 전자 장치(101) 내에서 구현할 수 있는 연산 및 데이터 처리 기능에는 한정됨이 없으며, 후술할 프로세서(250)의 동작은 메모리(240)에 저장된 인스트럭션들을 실행함에 따라 수행될 수 있다. 본 개시의 일 실시예에서, 도 2에서는 전자 장치(101)가, 통신 모듈(210), 디스플레이(220), 음향 출력 모듈(230), 입력 모듈(233), 카메라 모듈(235), 메모리(240), 및/또는 프로세서(250)를 포함하는 것으로 예시하고 있지만, 이에 제한되지 않는다. 예를 들어, 전자 장치(101)는, 본 개시의 실시예에 따라, 통신 모듈(210), 디스플레이(220), 음향 출력 모듈(230), 입력 모듈(233), 또는 카메라 모듈(235) 중 적어도 하나를 포함하지 않을 수 있다. 다른 예를 들어, 전자 장치(101)는, 본 개시의 실시예에 따라, 도 1에 도시된 전자 장치(101)의 구성들 중에서 적어도 하나의 구성(예: 센서 모듈(176))을 더 포함할 수 있다.
도 3은, 본 개시의 일 실시예에 따른, 프로세서의 블록도이다.
도 4는, 본 개시의 일 실시예에 따른, 영상으로부터 객체 별 시각적 특징을 획득하는 동작을 설명하는 도면(400)이다.
도 5는, 본 개시의 일 실시예에 따른, 영상으로부터 객체 별 오디오 특징을 획득하는 동작을 설명하는 도면(500)이다.
도 6은, 본 개시의 일 실시예에 따른, 이미지 내에서 객체의 위치에 대한 정보 및 오디오를 획득하는 동작을 설명하는 도면(600)이다.
도 7은, 본 개시의 일 실시예에 따른, 학습 데이터를 설명하는 는 도면(700)이다.
도 3, 도 4, 도 5, 도 6, 및 도 7을 참조하면, 본 개시의 일 실시예에서, 프로세서(250)는, 영상을 제공하는 동작 및 영상을 제공하는 동작에 이용되는 인공지능 모델을 생성하기 위한 학습을 수행하기 위하여, 복수의 구성들을 포함할 수 있다. 예를 들어, 프로세서(250)는, 세그멘테이션(segmentation) 모듈(310), 시각적 특징 획득 모듈(320), 오디오 합성 모듈(330), 스펙트로그램(spectrogram) 획득 모듈(340), 오디오 특징 획득 모듈(350), 특징 결합 모듈(360), 객체 위치 정보 획득 모듈(370), 오디오 획득 모듈(380), 및/또는 오디오 복원 모듈(390)을 포함할 수 있다.
본 개시의 일 실시예에서, 세그멘테이션 모듈(310)은, 영상에 포함된 이미지(예: 이미지 프레임)로부터, 이미지에 포함된 객체에 대한 정보(이하, "객체에 대한 정보"로 지칭함)를 획득할 수 있다. 예를 들어, 세그멘테이션 모듈(310)은, 이미지 내에 포함된 적어도 하나의 객체가 마스킹(masking)된 맵(map)(예: 이미지 내에 포함된 적어도 하나의 객체를 나타내는 픽셀 값이 "1"을 가지고, 이미지 내에서 적어도 하나의 객체를 제외한 나머지 부분에 대한 픽셀 값이 "0"을 가지는 이진(binary) 맵)을 획득할 수 있다.
본 개시의 일 실시예에서, 세그멘테이션 모듈(310)은 세그멘테이션 인공지능 네트워크(segmentation artificial intelligence network)를 포함할 수 있다. 본 개시의 일 실시예에서, 세그멘테이션 인공지능 네트워크는, 파놉틱 분할망(panoptic segmentation network) 또는 인스턴스 분할망(instance segmentation network)를 포함할 수 있다. 예를 들면, 파놉틱 분할망은 시맨틱 분할망(semantic segmentation network)과 인스턴스 분할망을 함께 결합할 수 있고, 파놉틱 분할망을 이용하여, 올인원 모델(all-in-one model)을 생성할 수 있다. 본 개시의 일 실시 예에서, 제한된 메모리와 컴퓨팅 자원으로 동작하는 환경(예: 모바일 전자 장치)에서 고해상도 이미지에 관해 실행할 수 있는 효율적인 올인원 모델을 획득하기 위해서 외부 전자 장치(예: 외부 전자 장치(예: 도 1의 전자 장치(102, 104) 및/또는 서버(108))에서 수행될 수도 있다.
본 개시의 일 실시예에서, 세그멘테이션 모듈(310)은 복수의 영상들을 이용하여 학습을 수행할 수 있다.
본 개시의 일 실시예에서, 세그멘테이션 모듈(310)은, 학습을 수행하기 위하여, 각각 객체를 포함하는 복수의 영상들로부터 복수의 이미지들을 획득할 수 있다. 예를 들어, 세그멘테이션 모듈(310)은, 도 4에 도시된 바와 같이, 제 1 영상으로부터 제 1 이미지(410)를 획득하고, 제 2 영상으로부터 제 2 이미지(420)를 획득할 수 있다. 제 1 이미지(410) 및 제 2 이미지(420)는, 각각, 제 1 객체(411)(예: 마차에 대한 이미지 부분) 및 제 2 객체(421)(예: 사람에 대한 이미지 부분)를 포함할 수 있다. 도 4에서, 세그멘테이션 모듈(310)이 제 1 영상으로부터 제 1 이미지(410)를 획득하고, 제 2 영상으로부터 제 2 이미지(420)를 획득하는 것으로 예시하고 있지만 이에 제한되지 않는다. 예를 들어, 세그멘테이션 모듈(310)은 3개의 이상의 영상들 각각으로부터 3개 이상의 이미지들을 획득할 수 있다.
본 개시의 일 실시예에서, 세그멘테이션 모듈(310)은, 복수의 영상들로부터 획득된 복수의 이미지들 및 정답(ground truth)(또는 주석)(예: 복수의 영상들의 이미지들 각각에서 상기 적어도 하나의 객체에 대한 이미지 부분)를 이용하여, 세그멘테이션 인공지능 네트워크와 관련된 인공지능 모델(예: 세그멘테이션 인공지능 네트워크의 파라미터(parameter))을 생성할 수 있다. 본 개시의 일 실시예에 따르면, 획득된 이미지 프레임 내의 각각의 픽셀들을 레이블링 및 픽셀들의 레이블과 정답 레이블(ground truth label)의 차이를 이용할 수 있다. 예를 들면, 제1 픽셀의 엔트로피 및 인접 픽셀 쌍의 엔트로피 차이를 이용할 수 있다. 본 개시의 일 실시예에서. 정답 레이블은 심층 신경망 기반의 모델을 이용하여 도출해내고 싶은 각 픽셀의 실제 레이블 데이터로, 심층 신경망 기반의 모델에 의해 레이블된 픽셀의 정확도를 가늠하는 기준이 될 수 있다.
본 개시의 일 실시예에서, 세그멘테이션 모듈(310)은, 제 1 이미지(410) 및 제 2 이미지(420)가 입력된 경우, 도 4에 도시된 바와 같이, 제 1 객체(411)에 대한 마스크(431)를 포함하는 제 1 마스킹 맵(430) 및 제 2 객체(421)에 대한 마스크(441)를 포함하는 제 2 마스킹 맵(440)을 획득할 수 있다.
본 개시의 일 실시예에서, 시각적 특징 획득 모듈(320)은, 영상에 포함된 이미지 및 객체에 대한 정보로부터 객체에 대한 시각적 특징(visual feature)을 획득할 수 있다. 예를 들어, 시각적 특징 획득 모듈(320)은, 영상에 포함된 이미지 및 객체에 대한 정보에 기반하여, 적어도 하나의 객체에 각각 대응하는 시각적 특징(visual feature)("시각적 특징 맵"으로도 지칭됨)을 획득할 수 있다.
본 개시의 일 실시예에서, 시각적 특징 획득 모듈(320)은, 학습을 수행하는 동안, 제 1 이미지(410), 제 2 이미지(420), 제 1 마스킹 맵(430), 및 제 2 마스킹 맵(440)에 기반하여, 객체들(411, 421) 각각에 대한 제 1 시각적 특징 맵(450) 및 제 2 시각적 특징 맵(460)을 획득할 수 있다. 제 1 시각적 특징 맵(450)은 제 1 객체(411)에 대응하는 시각적 특징 맵이고, 제 2 시각적 특징 맵(460)은 제 2 객체(421)에 대응하는 시각적 특징 맵일 수 있다.
본 개시의 일 실시예에서, 시각적 특징 획득 모듈(320)은 visual artificial intelligence network를 포함할 수 있다. 본 개시의 일 실시예에서, visual artificial intelligence network는, CNN(convolutional neural network)(예: ResNet(residual network), visual geometry group network(VGGNet), Inception(GoogleNet), Xception, LeNet, AlexNet, ZFNet)으로 구현될 수 있다. 예를 들면, 전자 장치(101)는 입력 이미지 및 재구성 이미지 각각을 미리 설정된 인공 신경망 모델에 입력함으로써, 입력 이미지로부터 입력 이미지 특징(feature)을 추출하고, 재구성 이미지로부터 재구성 이미지 특징(feature)을 추출할 수 있다.
본 개시의 일 실시예에서, 오디오 합성 모듈(330)은, 학습을 수행하기 위하여 획득되는 복수의 영상들 각각으로부터 획득된 복수의 오디오들을 합성할 수 있다. 본 개시의 일 실시예에서, 도 4 및 도 5에서, 오디오 합성 모듈(330)은, 제 1 영상 내에서 제 1 이미지(410)의 시간 구간 동안 출력될 제 1 오디오(511) 및 제 2 영상 내에서 제 2 이미지(420)의 시간 구간 동안 출력될 제 2 오디오(512)를 획득할 수 있다. 예를 들어, 제 1 영상 및 제 2 영상의 FPS(frame per second)가 24 FPS인 경우, 제 1 영상 내에서 제 1 이미지(410)와 함께 출력될 제 1 오디오(511)의 시간 구간 및 제 2 영상 내에서 제 2 이미지(420)와 함께 출력될 제 2 오디오(512)의 시간 구간은 모두 1/24 (초)일 수 있다. 본 개시의 일 실시예에서, 도 5에서, 오디오 합성 모듈(330)은, 제 1 오디오(511) 및 제 2 오디오(512)를 합성함으로써, 합성 오디오(520)를 획득할 수 있다. 본 개시의 일 실시예에서, 오디오 합성 모듈(330)은, 시간에 따라, 제 1 오디오(511)의 크기 및 제 2 오디오(512)의 크기를 합산하고, 합산 결과로서 합성 오디오(520)를 획득할 수 있다.
본 개시의 일 실시예에서, 오디오 합성 모듈(330)은 인공지능 모델에 대한 학습을 위하여 동작하며, 전자 장치(101)가 실제 동작(예: 후술할 도 9를 통하여 예시된 동작들)을 수행하는 동안에는, 동작하지 않을 수 있다.
본 개시의 일 실시예에서, 스펙트로그램(spectrogram) 획득 모듈(340)은, 영상에 포함된 오디오에 대한 스펙트로그램을 획득할 수 있다. 예를 들어, 스펙트로그램 획득 모듈(340)은, 영상에 포함된 오디오를 STFT(short-time fourier transform)에 적용함으로써, 오디오에 대하여 시간 및 주파수 별에 따라 오디오의 크기(예: 오디오의 진폭)를 시각적으로 나타내는 스펙트로그램을 획득할 수 있다. 예를 들면, 가로가 시간 축이고 세로가 주파수 축으로, 시간 축과 주파수 축의 변화에 따른 오디오(또는 에너지)의 진폭 차이를 농도로 나타낸다. 스펙트로그램(530)의 색이 밝은 부분은 오디오(또는 에너지)가 있는 것을 의미하고 색이 어두운 부분은 오디오(또는 에너지)가 비어 있는 것을 나타낼 수 있다.
본 개시의 일 실시예에서, 스펙트로그램 획득 모듈(340)은, 학습을 수행하는 동안, 영상들 각각에 포함된 객체들에 각각 대응하는 오디오들의 합성 오디오에 대한 스펙트로그램을 획득할 수 있다. 예를 들어, 도 5에서, 스펙트로그램 획득 모듈(340)은, 합성 오디오(520)를 STFT에 적용함으로써, 스펙트로그램(530)을 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 합성 오디오(520)에서 에코 성분(또는 신호)을 추정할 수 있다. 예를 들면, AEC(acoustic echo canceller)를 포함할 수 있으며, 에코 제거를 위한 다양한 타입의 적응형 필터(또는 필터 알고리즘)로 구현될 수 있다. 본 개시의 일 실시예에서, AEC는 NLMS(normalized least mean-square) 필터를 기준 신호(예: 스피커 신호)에 적용함으로써 에코 경로를 식별하고 에코 추정치를 합성할 수 있다. 본 개시의 일 실시예에서, 프로세서(250)는, 마이크 신호에서 에코 성분을 완벽하게 제거하지 못할 수 있으며, 이로 인해 잔여 에코 신호를 포함할 수 있다. 잔여 에코 신호는 입력 모듈(233)(예: 마이크 또는 마이크로폰)로부터 입력된 실제 에코 신호에서 추정된 에코 신호를 제거한 성분으로 추정될 수 있다.
본 개시의 일 실시예에서, 오디오 특징 획득 모듈(350)은, 영상에 포함된 오디오의 스펙트로그램(530)으로부터, 이미지에 포함된 객체에 대한 오디오 특징을 획득할 수 있다. 예를 들어, 오디오 특징 획득 모듈(350)은, 영상에 포함된 오디오의 스펙트로그램(530)에 기반하여, 이미지에 포함된 적어도 하나의 객체에 각각 대응하는 오디오 특징(audio feature)("오디오 특징 맵"으로도 지칭됨)을 획득할 수 있다.
본 개시의 일 실시예에서, 오디오 특징 획득 모듈(350)은, 학습을 수행하는 동안, 합성 오디오(예: 합성 오디오(520))에 기반하여, 이미지들 각각에 포함된 객체들 각각에 대한 오디오 특징들을 획득할 수 있다. 예를 들어, 도 5에서, 오디오 특징 획득 모듈(350)은, 합성 오디오(520)에 기반하여, 제 1 객체(411)에 대한 제 1 오디오 특징(540) 및 제 2 객체(421)에 대한 제 2 오디오 특징(550)을 획득할 수 있다.
본 개시의 일 실시예에서, 특징 결합 모듈(360)은, 시각적 특징 획득 모듈(320)로부터 전달되는 시각적 특징 및 오디오 특징 획득 모듈(350)로부터 전달되는 오디오 특징을 결합할 수 있다. 예를 들어, 특징 결합 모듈(360)은, 시각적 특징 및 오디오 특징에 대한 합산 연산, 곱셈 연산(예: 행렬 곱 연산), 또는 잇기(concatenation) 연산을 수행함으로써, 시각적 특징 및 오디오 특징을 결합(이하, 시각적 특징 및 오디오 특징이 결합됨으로써 획득되는 특징을 "결합된 특징"으로 지칭함)할 수 있다. 본 개시의 일 실시예에서, 잇기(concatenation)는 데이터의 끝과 다른 데이터의 끝을 연결하는 연산을 의미할 수 있다. 예를 들면, 참조 블록의 끝과 타겟 블록의 끝이 연결된 값이 visual artificial intelligence network에 입력될 수 있다. 예를 들면, 복수개의 평행(parallel)한 레이어들로 구성된 visual artificial intelligence network(예: CNN)에서, 최종적으로 잇기(concatenation)되어 출력될 수 있다.
본 개시의 일 실시예에서, 특징 결합 모듈(360)은, 객체 별로, 객체에 대응하는 시각적 특징 및 오디오 특징을 결합할 수 있다. 본 개시의 일 실시예에서, 도 4 및 도 5에서, 시각적 특징 획득 모듈(320) 및 오디오 특징 획득 모듈(350)은, 학습을 수행하는 동안, 제 1 객체(411) 및 제 2 객체(421)에 따른 순서로, 제 1 시각적 특징(450) 및 제 2 시각적 특징(460)을 획득하고, 제 1 오디오 특징(540) 및 제 2 오디오 특징(550)을 획득하도록, 설정될 수 있다. 특징 결합 모듈(360)은, 학습을 수행하는 동안, 제 1 객체(411)에 대응하는 제 1 시각적 특징(450) 및 제 1 오디오 특징(540)을 결합하고, 제 2 객체(421)에 대응하는 제 2 시각적 특징(460) 및 제 2 오디오 특징(550)을 결합할 수 있다.
본 개시의 일 실시예에서, 시각적 특징 획득 모듈(320)로부터 전달되는 시각적 특징의 크기 및 오디오 특징 획득 모듈(350)로부터 전달되는 오디오 특징의 크기는 실질적으로 동일할 수 있다. 예를 들어, 시각적 특징(예: 시각적 특징 맵)의 크기가 24*24(가로로 24개의 픽셀들 및 세로로 24개의 픽셀들)인 경우, 오디오 특징(예: 오디오 특징 맵)의 크기 또한 24*24일 수 있다. 본 개시의 일 실시예에서, 객체에 대응하는 시각적 특징 및 오디오 특징이 결합된 경우, 시각적 특징 및 오디오 특징이 결합된 특징의 크기(예: 24*24)는, 시각적 특징의 크기(예: 24*24) 및 오디오 특징의 크기(예: 24*24)와 동일할 수 있다.
본 개시의 일 실시예에서, 특징 결합 모듈(360)은, 결합된 특징들(예: 제 1 시각적 특징(450) 및 제 1 오디오 특징(540)이 결합된 제 1 결합된 특징, 제 2 시각적 특징(460) 및 제 2 오디오 특징(550)이 결합된 제 2 결합된 특징)을 객체 위치 정보 획득 모듈(370) 및 오디오 획득 모듈(380)로 전달할 수 있다.
본 개시의 일 실시예에서, 객체 위치 정보 획득 모듈(370)은, 결합된 특징에 기반하여, 객체 별로, 영상의 이미지 내에서 객체의 위치를 나타내는 정보를 획득할 수 있다. 예를 들어, 객체 위치 정보 획득 모듈(370)은, 객체 별로, 각 픽셀이 객체를 나타낼 확률 값(또는 각 픽셀이 객체를 나타낼 확률 값이 이진 값(예: "0" 또는 "1")으로 변환된 값)을 가지는 이미지("세그멘테이션 맵(segmentation map)" 또는 "객체 국소화 마스크(object localization mask)"로도 지칭됨)를 획득할 수 있다. 예를 들면, 객체 국소화 마스크(또는 세그멘테이션 맵)는 이미지를 의미적인 면이나 인지적인 관점에서 서로 비슷한 영역으로 분할하기 위해, 이미지에서 정확하게 객체의 경계선까지 추출하여 영상을 의미있는 영역으로 나누어줄 수 있다. 예를 들어, 객체 국소화 마스크는, 이미지의 객체(예: 제 1 객체(411), 제 2 객체(421))와 배경을 구분한다고 하면, 객체에 해당하는 픽셀 영역에는 "1"을, 그 외 배경 영역에는 "0"을 표기하고, 그 후 모델은 1이 표시된 곳에 회색 마스크(mask) 씌우고, 0이 표시된 곳에 흰색 마스크를 씌워 이미지에서 객체와 배경을 명확하게 구분할 수 있다.
본 개시의 일 실시예에서, 객체 위치 정보 획득 모듈(370)은, 학습을 수행하는 동안, 결합된 특징에 기반하여, 객체 별로, 각 픽셀이 객체를 나타낼 확률 값을 가지는 이미지를 획득할 수 있다. 예를 들어, 도 6에서, 객체 위치 정보 획득 모듈(370)은, 결합된 특징들(예: 제 1 시각적 특징(450) 및 제 1 오디오 특징(540)이 결합된 제 1 결합된 특징, 제 2 시각적 특징(460) 및 제 2 오디오 특징(550)이 결합된 제 2 결합된 특징)에 기반하여, 제 1 객체(411)에 대한 제 1 객체 국소화 마스크(610)(예: 제 1 객체(411)를 나타내는 픽셀들 집합(611)에 대하여 이진 값 "1"을 가지며, 제 1 객체(411)를 나타내는 픽셀들 집합(611) 외에 이진 값 "0"을 가지는 이미지) 및 제 2 객체(421)에 대한 제 2 객체 국소화 마스크(620)(예: 제 2 객체(421)를 나타내는 픽셀들 집합(621)에 대하여 이진 값 "1"을 가지며, 제 2 객체(421)를 나타내는 픽셀들 집합(621) 외에 이진 값 "0"을 가지는 이미지)를 획득할 수 있다. 본 개시의 일 실시예에서, 객체 위치 정보 획득 모듈(370)은, 시각적 특징 및 오디오 특징 간 거리(예: 유클리디안 거리(euclidean distance))에 기반하여, 오차를 보정하는 동작을 수행할 수 있다. 다른 실시예에서, 객체 위치 정보 획득 모듈(370)은, 거리 척도(distance metric) 방법으로, 특징들(시각적 특징 및 오디오 특징)의 벡터간 유사도에 기반할 수 있다. 예를 들면, 객체 위치 정보 획득 모듈(370)은, 벡터간의 코사인 유사도(cosine similarity), 마하라노비스 거리(mahalanobis distance), 또는 가중치 기반 유클리디안 거리(weighted euclidean distance)를 이용하여 계산할 수 있으며, 이에 한정하지는 않는다. 본 개시의 일 실시예에서, 객체 위치 정보 획득 모듈(370)은, metric learning 기반의 손실 함수(loss function)(예: 대조 손실(contrastive loss) 함수)를 이용하여, 객체 별 시각적 특징 및 오디오 특징 간 거리가 최소화되도록, 오차를 보정하는 동작을 수행할 수 있다. 예를 들어, 객체 위치 정보 획득 모듈(370)은, 대조 손실(contrastive loss) 함수를 이용하여, 제 1 객체(411)에 대하여 제 1 시각적 특징(450) 및 제 1 오디오 특징(540) 간 거리가 최소화되고, 제 2 객체(421)에 대하여 제 2 시각적 특징(460) 및 제 2 오디오 특징(550) 간 거리가 최소화되도록 오차를 보정하는 동작을 수행할 수 있다. 본 개시의 일 실시예에서, 손실 함수는 실제 입력 영상과 생성한 객체 국소화 마스크(또는 세그멘테이션 맵) 간의 손실(오차)를 최소화하도록 미리 학습된 파라미터를 포함할 수 있다. 예를 들면, 손실은 실제 입력 영상과 생성한 객체 국소화 마스크 간의 대조 손실(contrastive loss)과 함께, 복원 손실(reconstruction loss)을 포함할 수 있다. 본 개시의 일 실시예에서, 객체 위치 정보 획득 모듈(370)은, 오차를 보정하는 동작을 수행한 후 또는 수행하는 동안, 지정된 활성화 함수(예: softmax 함수)를 이용하여, 객체 별로, 각 픽셀이 객체를 나타낼 확률 값을 가지는 이미지를 획득할 수 있다. 예를 들면, 지정된 활성화 함수 중, softmax 함수는 현재 최적이라고 생각되는 솔루션(solution)의 선택 가능성은 최대로 유지하고, 나머지 솔루션들에 대해서는 추정된 값에 따라 가중치를 부여하여 선택 확률을 조절할 수 있다. 본 개시의 일 실시예에서, 객체 위치 정보 획득 모듈(370)은, 학습을 위하여 전술한 동작들을 수행한 후, 세그멘테이션 모듈(310)로부터 전달 받은 객체에 대한 정보(예: 이미지 내에 포함된 객체가 마스킹된 맵)를 이용하여, 오차를 보정하는 동작을 더 수행할 수 있다.
본 개시의 일 실시예에서, 오디오 획득 모듈(380)은, 결합된 특징에 기반하여, 객체 별로, 각 픽셀이 오디오에 대한 스펙트로그램 내에서 객체에 대응하는 오디오를 나타낼 확률 값(또는 각 픽셀이 객체에 대응하는 오디오를 나타낼 확률 값이 이진 값(예: "0" 또는 "1")으로 변환된 값)을 가지는 이미지("오디오 마스크(audio mask)" 또는 "스펙트로그램 이진 맵(spectrogram binary map)"로도 지칭됨)를 획득할 수 있다.
본 개시의 일 실시예에서, 오디오 획득 모듈(380)은, 학습을 수행하는 동안, 결합된 특징에 기반하여, 객체 별로, 각 픽셀이 오디오에 대한 스펙트로그램 내에서 객체에 대응하는 오디오를 나타낼 확률 값을 가지는 이미지를 획득할 수 있다. 예를 들어, 도 6에서, 오디오 획득 모듈(380)은, 결합된 특징들(예: 제 1 시각적 특징(450) 및 제 1 오디오 특징(540)이 결합된 제 1 결합된 특징, 제 2 시각적 특징(460) 및 제 2 오디오 특징(550)이 결합된 제 2 결합된 특징)에 기반하여, 제 1 객체(411)에 대응하는 제 1 오디오 마스크(631)(예: 오디오에 대한 스펙트로그램(530) 내에서 제 1 객체(411)에 대응하는 오디오 부분을 나타내는 픽셀들 집합에 대하여 이진 값 "1"을 가지며, 제 1 객체(411)에 대응하는 오디오 부분을 나타내는 픽셀들 집합 외에 이진 값 "0"을 가지는 이미지) 및 제 2 오디오 마스크(632)(예: 오디오에 대한 스펙트로그램(530) 내에서 제 2 객체(421)에 대응하는 오디오 부분을 나타내는 픽셀들 집합에 대하여 이진 값 "1"을 가지며, 제 2 객체(421)에 대응하는 오디오 부분을 나타내는 픽셀들 집합 외에 이진 값 "0"을 가지는 이미지)를 획득할 수 있다. 본 개시의 일 실시예에서, 오디오 획득 모듈(380)은, 결합된 특징과, 정답(ground truth)로서 객체에 대응하는 스펙트로그램에 기반하여, 오차를 보정하는 동작을 수행할 수 있다. 예를 들어, 오디오 획득 모듈(380)은, 손실 함수(예: l1 함수, l2 함수, 또는 cross entropy 함수)를 이용하여, 객체 별로, 결합된 특징(예: 제 1 시각적 특징(450) 및 제 1 오디오 특징(540)이 결합된 제 1 결합된 특징, 제 2 시각적 특징(460) 및 제 2 오디오 특징(550)이 결합된 제 2 결합된 특징) 및 정답으로서 객체에 대응하는 오디오의 스펙트로그램(예: 제 1 오디오(511)의 스펙트로그램, 제 2 오디오(512)의 스펙트로그램) 간 픽셀 별 거리(예: 픽셀 마다의 유클리디안 거리)가 최소화되도록, 오차를 보정하는 동작을 수행할 수 있다. 본 개시의 일 실시예에서, 오디오 획득 모듈(380)은, 정답으로서 객체에 대응하는 오디오의 스펙트로그램과 결합된 특징의 차이에 대한, 손실 함수로, l1-norm값 및 l2-norm값을 나타낼 수 있고, l1-norm은 상기 차이를 나타내는 벡터 성분들의 절대값을 합한 결과이며, l2-norm은 상기 차이를 나타내는 벡터 성분의 제곱합(sum of squares)의 루트값을 나타낼 수 있다. 일 실시예에서, 오디오 획득 모듈(380)은, 오차를 보정하는 동작을 수행한 후 또는 수행하는 동안, 지정된 활성화 함수(activation function)(예: 시그모이드 함수(sigmoid function)를 이용하여, 객체 별로, 오디오 마스크들(631, 632)을 획득할 수 있다. 예를 들면, 오디오 획득 모듈(380)은, 지정된 활성화 함수를 이용하여 비선형(non-linear) 특성을 부여할 수 있으며, 시그모이드 함수 외에, 하이퍼볼릭 탄젠트(hyperbolic tangent; Tanh) 함수, 정류된 선형 단위(rectified linear unit; ReLU) 함수, 또는 가우스 오차 선형 단위(Gaussian error linear unit; GeLU) 함수를 포함할 수 있으나, 이에 한정되지는 않는다.
본 개시의 일 실시예에서, 오디오 복원 모듈(390)은, 오디오 획득 모듈(380)로부터 전달 받은, 오디오 마스크에 기반하여, 영상의 오디오 내에서 객체에 대응하는 오디오 부분을 획득할 수 있다. 예를 들어, 도 6에서, 오디오 복원 모듈(390)은, 오디오 획득 모듈(380)로부터 제 1 객체(411)에 대응하는 제 1 오디오 마스크(631) 및 제 2 객체(421)에 대응하는 제 2 오디오 마스크(632)가 획득된 경우, 제 1 오디오 마스크(631) 및 제 2 오디오 마스크(632) 각각에 대하여, 오디오에 대한 스펙트로그램(예: 530)과 AND 연산(또는 곱 연산)을 수행할 수 있다. 오디오 복원 모듈(390)은, 상기 AND 연산(또는 곱 연산) 결과에 대하여, inverse STFT(short-time fourier transform)을 수행함으로써, 제 1 객체(411)에 대응하는 오디오 부분(641) 및 제 2 객체(421)에 대응하는 오디오 부분(642)을 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 전술한 학습을 수행하기 전, 전처리 동작으로서, 세그멘테이션 모듈(310)을 이용하여, 학습 데이터로서 제 1 영상 및 제 2 영상과 같이, 영상 내에 하나의 객체가 존재하는 영상들을 획득하는 동작 및 지정된 값 이하의 노이즈(noise)를 가지는(예: 지정된 값 이상의 신호 대 잡음비(signal to noise ratio; SNR)를 가지는) 영상들을 획득하는 동작을 수행할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 제 1 객체(411)에 대응하는 오디오 부분 및 제 2 객체(421)에 대응하는 오디오 부분을 획득함에 있어서, 잔여 에코 또는 잔여 잡음을 제거할 수 있다. 예를 들면, 신호 대 에코비(signal to echo ratio; SER) 차이 또는 신호 대 잡음비(SNR) 차이 정보를 이용하여 잔여 에코 또는 잔여 잡음을 제거할 수 있다. 본 개시의 일 실시예에서, 전술한 예시들에서는, 제 1 영상에 포함된 제 1 이미지(410) 및 제 2 이미지(420) 각각을 세그멘테이션 모듈(310) 및 시각적 특징 획득 모듈(320)에 대한 입력 데이터로서 이용하여, 학습을 수행하는 동작(예: 잇기(concatenation))을 예시하였지만 이에 제한되지 않는다. 예를 들어, 도 7에 도시된 바와 같이, 제 1 영상에 포함된 제 1 이미지(410) 및 제 2 이미지(420)를 좌우(또는 가로로) 합성한 이미지(710)를 세그멘테이션 모듈(310) 및 시각적 특징 획득 모듈(320)에 대한 입력 데이터로서 이용될 수 있다. 다른 예를 들어, 제 1 영상에 포함된 제 1 이미지(410) 및 제 2 영상에 포함된 제 2 이미지(420)를 상하(또는 세로로) 합성한 이미지를 세그멘테이션 모듈(310) 및 시각적 특징 획득 모듈(320)에 대한 입력 데이터로서 이용될 수 있다. 본 개시의 일 실시예에서, 제 1 이미지(410) 및 제 2 이미지(420)가 좌우로 합성된 이미지(710)를 입력 데이터로서 이용하는 경우, 합성 오디오(520)를 대체하여, 도 7에 도시된 바와 같은, 제 1 오디오(511) 및 제 2 오디오(512)가 시간에 따라 좌우로 연속적으로 합성된 오디오(720)가 입력 데이터로서 이용될 수 있다. 이러한 경우, 프로세서(250)는 오디오 합성 모듈(330)을 포함하지 않을 수 있다. 본 개시의 일 실시예에서, 제 1 영상에 포함된 제 1 이미지(410) 및 제 2 이미지(420)를 좌우(또는 상하로) 합성한 이미지(710)가 세그멘테이션 모듈(310) 및 시각적 특징 획득 모듈(320)에 대한 입력 데이터로서 이용되는 경우, 프로세서(250)에 포함된 모듈들은 전술한 동작들과 적어도 일부가 동일 또는 유사한 동작을 수행할 수 있다.
도 3 내지 도 7에서, 프로세서(250)가 영상 내 하나의 이미지 프레임(또는 학습을 수행하는 동안 복수의 영상들 각각의 이미지 프레임들(예: 제 1 이미지(410) 및 제 2 이미지(420))에 대하여, 객체의 위치에 대한 정보 및 객체에 대응하는 오디오 부분을 획득하는 것을 예시하고 있지만, 이에 제한되지 않는다. 예를 들어, 프로세서(250)는, 영상 내에 포함된 복수의 이미지 프레임들 각각에 대하여 순차적으로 전술한 동작들을 수행함으로써, 복수의 이미지 프레임들 각각에 대하여, 연속적으로, 객체의 위치에 대한 정보 및 객체에 대응하는 오디오 부분을 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)에 포함된 복수의 모듈들의 동작들 중 적어도 일부는, 서버(예: 서버(108))에서 수행될 수도 있다.
다양한 실시예들에 따른 전자 장치(101)는, 메모리(240), 및 상기 메모리(240)와 전기적으로 연결된 적어도 하나의 프로세서(예: 프로세서(250))를 포함하고, 상기 적어도 하나의 프로세서(예: 프로세서(250))는, 이미지 및 오디오를 포함하는 영상을 획득하고, 상기 이미지로부터 상기 이미지에 포함된 적어도 하나의 객체에 대한 정보를 획득하고, 상기 이미지 및 상기 적어도 하나의 객체에 대한 정보에 기반하여, 상기 적어도 하나의 객체에 대한 시각적 특징을 획득하고, 상기 오디오의 스펙트로그램(spectrogram)을 획득하고, 상기 오디오의 스펙트로그램로부터 상기 적어도 하나의 객체에 대한 오디오 특징을 획득하고, 상기 시각적 특징 및 상기 오디오 특징을 결합하고, 상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 상기 이미지 내에서 상기 적어도 하나의 객체의 위치를 나타내는, 상기 적어도 하나의 객체의 위치에 대한 정보를 획득하고, 상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하고, 및 상기 적어도 하나의 객체의 위치에 대한 정보 및 상기 적어도 하나의 객체에 대응하는 오디오 부분을 상기 메모리(240)에 저장하도록 구성될 수 있다.
본 개시의 다양한 실시예에서, 상기 적어도 하나의 프로세서(예: 프로세서(250))는, 상기 이미지로부터, 상기 이미지에 포함된 상기 적어도 하나의 객체가 마스킹(masking)된 맵(map)을 획득하도록 구성될 수 있다.
본 개시의 다양한 실시예에서, 상기 적어도 하나의 프로세서(예: 프로세서(250))는, 상기 시각적 특징 및 상기 오디오 특징에 대한 합산 연산, 곱셈 연산, 또는 잇기(concatenation) 연산을 수행함으로써, 상기 시각적 특징 및 상기 오디오 특징을 결합하도록 구성될 수 있다.
본 개시의 다양한 실시예에서, 상기 적어도 하나의 프로세서(예: 프로세서(250))는, 상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 각 픽셀이 상기 적어도 하나의 객체를 나타낼 확률 값을 가지는 이미지를 획득하도록 구성될 수 있다.
본 개시의 다양한 실시예에서, 상기 적어도 하나의 프로세서(예: 프로세서(250))는, 상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 각 픽셀이 상기 적어도 하나의 객체에 대응하는 오디오를 나타내는 확률 값을 가지는 이미지를 획득하고, 및 상기 획득된 이미지에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하도록 구성될 수 있다.
본 개시의 다양한 실시예에서, 상기 적어도 하나의 프로세서(예: 프로세서(250))는, 상기 오디오의 스펙트로그램 및 상기 획득된 이미지에 대한 AND 연산을 수행함에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하도록 구성될 수 있다.
본 개시의 다양한 실시예에서, 상기 적어도 하나의 프로세서(예: 프로세서(250))는, 인공지능 모델을 생성하기 위한 학습을 수행하도록 구성되고, 상기 학습을 수행하는 동작은, 복수의 영상들을 획득하는 동작, 상기 복수의 영상들의 이미지들(예: 제 1 이미지(410), 제 2 이미지(420)) 각각에서, 적어도 하나의 객체(예: 제 1 객체(411), 제 2 객체(421))에 대한 정보(예: 제 1 마스킹 맵(430), 제 2 마스킹 맵(440))를 획득하는 동작, 상기 적어도 하나의 객체 별로 시각적 특징(예: 제 1 시각적 특징 맵(450), 제 2 시각적 특징 맵(460))을 획득하는 동작, 상기 적어도 하나의 객체에 대응하는 오디오(예: 제 1 오디오(511), 제 2 오디오(512), 합성 오디오(520))의 스펙트로그램(예: 스펙트로그램(530))을 획득하는 동작, 상기 적어도 하나의 객체 별로 오디오 특징(예: 제 1 오디오 특징(540), 제 2 오디오 특징(550))을 획득하는 동작, 상기 적어도 하나의 객체 별로 상기 오디오 특징 및 상기 시각적 특징을 결합하는 동작, 상기 결합된 시각적 특징 및 오디오 특징에 기반하여, 상기 이미지들 각각에서 상기 적어도 하나의 객체의 위치를 나타내는, 상기 적어도 하나의 객체의 위치에 대한 정보(예: 제 1 국소화 마스크(610), 제 2 국소화 마스크(620))를 획득하는 동작, 및 상기 결합된 시각적 특징 및 오디오 특징에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분(예: 오디오 부분(641), 오디오 부분(642))을 획득하는 동작을 포함할 수 있다.
본 개시의 다양한 실시예에서, 상기 적어도 하나의 프로세서(예: 프로세서(250))는, 상기 복수의 영상들의 이미지들과, 정답(ground truth)으로서 상기 이미지들 각각에서 상기 적어도 하나의 객체에 대한 이미지 부분에 기반하여, 세그멘테이션 인공지능 네트워크(segmentation artificial intelligence network)와 관련된 인공지능 모델을 생성하도록 구성될 수 있다.
본 개시의 다양한 실시예에서, 상기 적어도 하나의 객체의 위치에 대한 정보를 획득하는 동작은, metric learning 기반의 손실 함수(loss function)를 이용하여 상기 오디오 특징 및 상기 시각적 특징 간 거리가 최소가 되도록, 오차를 보정하는 동작을 더 포함할 수 있다.
본 개시의 다양한 실시예에서, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하는 동작은, 손실 함수를 이용하여, 상기 적어도 하나의 객체 별로, 상기 시각적 특징 및 오디오 특징이 결합된 특징과, 상기 적어도 하나의 객체에 대응하는 오디오의 스펙트로그램 간 픽셀 별 거리가 최소가 되도록, 오차를 보정하는 동작을 더 포함할 수 있다.
도 8은, 본 개시의 일 실시예에 따른, 영상을 제공하는 방법을 수행하기 위한 학습 과정을 설명하기 위한 흐름도(800)이다.
도 8을 참조하면, 동작 801에서, 본 개시의 일 실시예에서, 프로세서(250)는, 복수의 영상들을 획득할 수 있다. 예를 들어, 프로세서(250)는, 각각 이미지 및 오디오를 포함하는 복수의 영상들을 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 학습 데이터로서 영상 내에 하나의 객체가 존재하는 영상들을 획득하는 동작 및 지정된 값 이하의 노이즈(noise)를 가지는(예: 지정된 값 이상의 신호 대 잡음비(signal to noise ratio; SNR)를 가지는) 복수의 영상들을 획득하는 동작을 수행할 수 있다.
동작 803에서, 본 개시의 일 실시예에서, 프로세서(250)는, 복수의 영상들의 이미지들 각각에서, 적어도 하나의 객체에 대한 정보를 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 이미지들 각각에 포함된 적어도 하나의 객체가 마스킹(masking)된 맵(map)(예: 이미지 내에 포함된 적어도 하나의 객체를 나타내는 픽셀 값이 "1"을 가지고, 이미지 내에서 적어도 하나의 객체를 제외한 나머지 부분에 대한 픽셀 값이 "0"을 가지는 이진(binary) 맵)을 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 복수의 영상들(예: 제 1 영상 및 제 2 영상)로부터 획득된 복수의 이미지들(예: 제 1 이미지(410) 및 제 2 이미지(420)) 및 정답(ground truth)(또는 주석)(예: 복수의 영상들의 이미지들 각각에서 상기 적어도 하나의 객체에 대한 이미지 부분)를 이용하여, 세그멘테이션 인공지능 네트워크와 관련된 인공지능 모델(예: 세그멘테이션 인공지능 네트워크의 파라미터(parameter))을 생성할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 복수의 이미지들(제 1 이미지(410) 및 제 2 이미지(420))가 입력된 경우, 객체 별 마스킹 맵들(예: 제 1 객체(411)에 대한 마스크(431)를 포함하는 제 1 마스킹 맵(430) 및 제 2 객체(421)에 대한 마스크(441)를 포함하는 제 2 마스킹 맵(440))을 획득할 수 있다.
동작 805에서, 본 개시의 일 실시예에서, 프로세서(250)는, 적어도 하나의 객체 별로, 시각적 특징을 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 복수의 이미지들(제 1 이미지(410) 및 제 2 이미지(420)) 및 적어도 하나의 객체에 대한 정보(예: 제 1 마스킹 맵(430) 및 제 2 마스킹 맵(440))에 기반하여, 적어도 하나의 객체(예: 제 1 객체(411) 및 제 2 객체(421))에 대한 시각적 특징을 획득할 수 있다. 예를 들어, 프로세서(250)는, 복수의 이미지들(제 1 이미지(410) 및 제 2 이미지(420)) 및 적어도 하나의 객체에 대한 정보(예: 제 1 마스킹 맵(430) 및 제 2 마스킹 맵(440))에 기반하여, 적어도 하나의 객체(예: 제 1 객체(411) 및 제 2 객체(421))에 대응하는 시각적 특징(예: 제 1 시각적 특징 맵(450), 제 2 시각적 특징 맵(460))을 획득할 수 있다.
동작 807에서, 본 개시의 일 실시예에서, 프로세서(250)는, 적어도 하나의 객체에 대응하는 오디오의 스펙트로그램을 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 복수의 영상들 각각으로부터 획득된 복수의 오디오들을 합성할 수 있다. 일 실시예에서, 도 4 및 도 5에 도시된 바와 같이, 프로세서(250)는, 제 1 영상 내에서 제 1 이미지(410)의 시간 구간 동안 출력될 제 1 오디오(511) 및 제 2 영상 내에서 제 2 이미지(420)의 시간 구간 동안 출력될 제 2 오디오(512)를 획득할 수 있다. 예를 들어, 제 1 영상 및 제 2 영상의 FPS(frame per second)가 24 FPS인 경우, 제 1 영상 내에서 제 1 이미지(410)와 함께 출력될 제 1 오디오(511)의 시간 구간 및 제 2 영상 내에서 제 2 이미지(420)와 함께 출력될 제 2 오디오(512)의 시간 구간은 모두 1/24 (초)일 수 있다. 프로세서(250)는, 제 1 오디오(511) 및 제 2 오디오(512)를 합성함으로써, 합성 오디오(520)를 획득할 수 있다. 프로세서(250)는, 시간에 따라, 제 1 오디오(511)의 크기 및 제 2 오디오(512)의 크기를 합산하고, 합산 결과로서 합성 오디오(520)를 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 합성 오디오(예: 합성 오디오(520))를 STFT(short-time fourier transform)에 적용함으로써, 오디오에 대하여 시간 및 주파수 별에 따라 오디오의 크기(예: 오디오의 진폭)를 시각적으로 나타내는 스펙트로그램(예: 스펙트로그램(530))을 획득할 수 있다.
동작 809에서, 본 개시의 일 실시예에서, 프로세서(250)는, 적어도 하나의 객체 별로, 오디오 특징을 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 합성 오디오(예: 합성 오디오(520))의 스펙트로그램(예: 스펙트로그램(530))에 기반하여, 적어도 하나의 객체에 각각 대응하는 오디오 특징(예: 제 1 객체(411)에 대한 제 1 오디오 특징(540) 및 제 2 객체(421)에 대한 제 2 오디오 특징(550))을 획득할 수 있다.
도 8에서는, 동작 803 및 동작 805가, 동작 807 및 동작 809 보다 먼저 수행되는 것으로 예시하고 있지만 이에 제한되지 않는다. 예를 들어, 동작 803 및 동작 805는, 동작 807 및 동작 809가 수행된 후 수행되거나, 동작 807 및 동작 809와 병렬적으로 수행될 수 있다.
동작 811에서, 본 개시의 일 실시예에서, 프로세서(250)는, 적어도 하나의 객체 별로, 시각적 특징 및 오디오 특징을 결합할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 적어도 하나의 객체 별로, 시각적 특징 및 오디오 특징에 대한 합산 연산, 곱셈 연산(예: 행렬 곱 연산), 또는 잇기(concatenation) 연산을 수행함으로써, 시각적 특징 및 오디오 특징을 결합할 수 있다.
동작 813에서, 본 개시의 일 실시예에서, 프로세서(250)는, 결합된 시각적 특징 및 오디오 특징에 기반하여, 이미지 내에서 적어도 하나의 객체의 위치를 나타내는, 적어도 하나의 객체의 위치에 대한 정보를 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 적어도 하나의 객체 별로, 각 픽셀이 객체를 나타낼 확률 값(또는 각 픽셀이 객체를 나타낼 확률 값이 이진 값(예: "0" 또는 "1")으로 변환된 값)을 가지는 이미지("세그멘테이션 맵(segmentation map)" 또는 "객체 국소화 마스크(object localization mask)"로도 지칭됨)를 획득할 수 있다. 예를 들어, 프로세서(250)는, 결합된 특징들(예: 제 1 시각적 특징(450) 및 제 1 오디오 특징(540)이 결합된 제 1 결합된 특징, 제 2 시각적 특징(460) 및 제 2 오디오 특징(550)이 결합된 제 2 결합된 특징)에 기반하여, 제 1 객체(411)에 대한 제 1 객체 국소화 마스크(610)(예: 제 1 객체(411)를 나타내는 픽셀들 집합(611)에 대하여 이진 값 "1"을 가지며, 제 1 객체(411)를 나타내는 픽셀들 집합(611) 외에 이진 값 "0"을 가지는 이미지) 및 제 2 객체(421)에 대한 제 2 객체 국소화 마스크(620)(예: 제 2 객체(421)를 나타내는 픽셀들 집합(621)에 대하여 이진 값 "1"을 가지며, 제 2 객체(421)를 나타내는 픽셀들 집합(621) 외에 이진 값 "0"을 가지는 이미지)를 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 시각적 특징 및 오디오 특징 간 거리(예: 유클리디안 거리(euclidean distance))에 기반하여, 오차를 보정하는 동작을 수행할 수 있다. 본 개시의 일 실시예에서, 프로세서(250)는, metric learning 기반의 손실 함수(예: 대조 손실(contrastive loss) 함수)를 이용하여, 객체 별 시각적 특징 및 오디오 특징 간 거리가 최소화되도록, 오차를 보정하는 동작을 수행할 수 있다. 예를 들어, 프로세서(250)는, 대조 손실(contrastive loss) 함수를 이용하여, 제 1 객체(411)에 대하여 제 1 시각적 특징(450) 및 제 1 오디오 특징(540) 간 거리가 최소화되고, 제 2 객체(421)에 대하여 제 2 시각적 특징(460) 및 제 2 오디오 특징(550) 간 거리가 최소화되도록 오차를 보정하는 동작을 수행할 수 있다. 본 개시의 일 실시예에서, 프로세서(250)는, 오차를 보정하는 동작을 수행한 후 또는 수행하는 동안, 지정된 활성화 함수(예: softmax 함수)를 이용하여, 객체 별로, 각 픽셀이 객체를 나타낼 확률 값을 가지는 이미지를 획득할 수 있다. 본 개시의 일 실시예에서, 프로세서(250)는, 학습을 위하여 전술한 동작들을 수행한 후, 세그멘테이션 모듈(310)로부터 전달 받은 객체에 대한 정보(예: 이미지 내에 포함된 객체가 마스킹된 맵)를 이용하여, 오차를 보정하는 동작을 더 수행할 수 있다.
동작 815에서, 본 개시의 일 실시예에서, 프로세서(250)는, 결합된 시각적 특징 및 오디오 특징에 기반하여, 오디오 내에서 적어도 하나의 객체에 대응하는 오디오 부분을 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 결합된 시각적 특징 및 오디오 특징에 기반하여, 객체 별로, 오디오에 대한 스펙트로그램의 각 픽셀이 객체에 대응하는 오디오를 나타낼 확률 값(또는 각 픽셀이 객체에 대응하는 오디오를 나타낼 확률 값이 이진 값(예: "0" 또는 "1")으로 변환된 값)을 가지는 이미지("오디오 마스크(audio mask)" 또는 "스펙트로그램 이진 맵(spectrogram binary map)"로도 지칭됨)를 획득할 수 있다. 예를 들어, 프로세서(250)는, 결합된 특징들(예: 제 1 시각적 특징(450) 및 제 1 오디오 특징(540)이 결합된 제 1 결합된 특징, 제 2 시각적 특징(460) 및 제 2 오디오 특징(550)이 결합된 제 2 결합된 특징)에 기반하여, 제 1 객체(411)에 대응하는 제 1 오디오 마스크(631)(예: 오디오에 대한 스펙트로그램(530) 내에서 제 1 객체(411)에 대응하는 오디오 부분을 나타내는 픽셀들 집합에 대하여 이진 값 "1"을 가지며, 제 1 객체(411)에 대응하는 오디오 부분을 나타내는 픽셀들 집합 외에 이진 값 "0"을 가지는 이미지) 및 제 2 오디오 마스크(632)(예: 오디오에 대한 스펙트로그램(530) 내에서 제 2 객체(421)에 대응하는 오디오 부분을 나타내는 픽셀들 집합에 대하여 이진 값 "1"을 가지며, 제 2 객체(421)에 대응하는 오디오 부분을 나타내는 픽셀들 집합 외에 이진 값 "0"을 가지는 이미지)를 획득할 수 있다. 프로세서(250)는, 결합된 특징과, 정답(ground truth)로서 객체에 대응하는 스펙트로그램에 기반하여, 오차를 보정하는 동작을 수행할 수 있다. 예를 들어, 프로세서(250)는, 손실 함수(예: l1 함수, l2 함수, 또는 cross entropy 함수)를 이용하여, 객체 별로, 결합된 특징(예: 제 1 시각적 특징(450) 및 제 1 오디오 특징(540)이 결합된 제 1 결합된 특징, 제 2 시각적 특징(460) 및 제 2 오디오 특징(550)이 결합된 제 2 결합된 특징) 및 정답으로서 객체에 대응하는 오디오의 스펙트로그램(예: 제 1 오디오(511)의 스펙트로그램, 제 2 오디오(512)의 스펙트로그램) 간 픽셀 별 거리(예: 픽셀 마다의 유클리디안 거리)가 최소화되도록, 오차를 보정하는 동작을 수행할 수 있다. 본 개시의 일 실시예에서, 프로세서(250)는, 오차를 보정하는 동작을 수행한 후 또는 수행하는 동안, 지정된 활성화 함수(activation function)(예: 시그모이드 함수(sigmoid function))를 이용하여, 객체 별로, 오디오 마스크들(631, 632)을 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 오디오 마스크(예: 오디오 마스크들(631, 632))에 기반하여, 영상의 오디오 내에서 객체에 대응하는 오디오 부분을 획득할 수 있다. 예를 들어, 프로세서(250)는, 제 1 객체(411)에 대응하는 제 1 오디오 마스크(631) 및 제 2 객체(421)에 대응하는 제 2 오디오 마스크(632)가 획득된 경우, 제 1 오디오 마스크(631) 및 제 2 오디오 마스크(632) 각각에 대하여, 오디오에 대한 스펙트로그램(예: 스펙트로그램(530))과 AND 연산(또는 곱 연산)을 수행할 수 있다. 프로세서(250)는, 상기 AND 연산(또는 곱 연산) 결과에 대하여, inverse STFT(short-time fourier transform)을 수행함으로써, 제 1 객체(411)에 대응하는 오디오 부분(641) 및 제 2 객체(421)에 대응하는 오디오 부분(642)을 획득할 수 있다.
도 9는, 본 개시의 일 실시예에 따른, 영상을 제공하는 방법을 설명하기 위한 흐름도(900)이다.
도 9를 참조하면, 동작 901에서, 본 개시의 일 실시예에서, 프로세서(250)는, 이미지 및 오디오를 포함하는 영상을 획득할 수 있다. 예를 들어, 프로세서(250)는, 메모리(240)(예: 갤러리(gallery) 어플리케이션) 또는 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108))로부터 영상을 획득할 수 있다. 다른 예를 들어, 프로세서(250)는 카메라 모듈(235)로부터 영상(예: 프리뷰(preview) 영상)을 획득할 수 있다.
동작 903에서, 본 개시의 일 실시예에서, 프로세서(250)는, 영상의 이미지에 포함된 적어도 하나의 객체에 대한 정보를 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 영상의 이미지에 포함된 적어도 하나의 객체가 마스킹된 맵(예: 이미지 내에 포함된 적어도 하나의 객체를 나타내는 픽셀 값이 "1"을 가지고, 이미지 내에서 적어도 하나의 객체를 제외한 나머지 부분에 대한 픽셀 값이 "0"을 가지는 이진 맵)을 획득할 수 있다. 예를 들어, 프로세서(250)는, 세그멘테이션 인공지능 네트워크(segmentation artificial intelligence network)를 이용하여, 영상의 이미지에 포함된 적어도 하나의 객체가 마스킹된 맵을 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 영상의 이미지에 포함된 적어도 하나의 객체 별로, 객체에 대한 정보를 획득할 수 있다. 예를 들어, 프로세서(250)는, 영상의 이미지에 포함된 적어도 하나의 객체에 각각에 대응하는 적어도 하나의 마스킹 맵을 획득할 수 있다.
동작 905에서, 본 개시의 일 실시예에서, 프로세서(250)는, 적어도 하나의 객체의 시각적 특징을 획득할 수 있다. 예를 들어, 프로세서(250)는, 영상의 이미지 및 적어도 하나의 객체에 대한 정보에 기반하여, 적어도 하나의 객체 별로, 시각적 특징을 획득할 수 있다.
동작 907에서, 본 개시의 일 실시예에서, 프로세서(250)는, 적어도 하나의 객체에 대한 오디오의 스펙트로그램을 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 영상 내에서 이미지의 시간 구간 동안 출력될 오디오를 획득할 수 있다. 프로세서(250)는, 획득된 오디오를 STFT(short-time fourier transform)에 적용함으로써, 오디오에 대하여 시간 및 주파수 별에 따라 오디오의 크기(예: 오디오의 진폭)를 시각적으로 나타내는 스펙트로그램을 획득할 수 있다.
동작 909에서, 본 개시의 일 실시예에서, 프로세서(250)는, 적어도 하나의 객체에 대한 오디오 특징을 획득할 수 있다. 예를 들어, 프로세서(250)는, 적어도 하나의 객체에 대한 오디오의 스펙트로그램에 기반하여, 적어도 하나의 객체 별로, 적어도 하나의 객체에 각각 대응하는 적어도 하나의 오디오 특징을 획득할 수 있다.
도 9에서는, 동작 903 및 동작 905가, 동작 907 및 동작 909 보다 먼저 수행되는 것으로 예시하고 있지만 이에 제한되지 않는다. 예를 들어, 동작 903 및 동작 905는, 동작 907 및 동작 909가 수행된 후 수행되거나, 동작 907 및 동작 909와 병렬적으로 수행될 수 있다.
동작 911에서, 본 개시의 일 실시예에서, 프로세서(250)는, 적어도 하나의 객체 별로, 시각적 특징 및 오디오 특징을 결합할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 적어도 하나의 객체 별로, 시각적 특징 및 오디오 특징에 대한 합산 연산, 곱셈 연산(예: 행렬 곱 연산), 또는 잇기(concatenation) 연산을 수행함으로써, 시각적 특징 및 오디오 특징을 결합할 수 있다.
동작 913에서, 본 개시의 일 실시예에서, 프로세서(250)는, 결합된 시각적 특징 및 오디오 특징에 기반하여, 이미지 내에서 적어도 하나의 객체의 위치를 나타내는, 적어도 하나의 객체의 위치에 대한 정보를 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 적어도 하나의 객체 별로, 각 픽셀(pixel)이 객체를 나타낼 확률 값(또는 각 픽셀이 객체를 나타낼 확률 값이 이진 값(예: "0" 또는 "1")으로 변환된 값)을 가지는 이미지를 획득할 수 있다.
동작 915에서, 본 개시의 일 실시예에서, 프로세서(250)는, 결합된 시각적 특징 및 오디오 특징에 기반하여, 오디오 내에서 적어도 하나의 객체에 대응하는 오디오 부분을 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 결합된 시각적 특징 및 오디오 특징에 기반하여, 객체 별로, 각 픽셀이 오디오에 대한 스펙트로그램 내에서 객체에 대응하는 오디오를 나타낼 확률 값(또는 각 픽셀이 객체에 대응하는 오디오를 나타낼 확률 값이 이진 값(예: "0" 또는 "1")으로 변환된 값)을 가지는 이미지(예: 오디오 마스크)를 획득할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 오디오 마스크에 기반하여, 영상의 오디오 내에서 객체에 대응하는 오디오 부분을 획득할 수 있다. 예를 들어, 프로세서(250)는, 적어도 하나의 객체에 대응하는 오디오 마스크가 획득된 경우, 획득된 오디오 마스크에 대하여, 오디오에 대한 스펙트로그램(예: 스펙트로그램(530))과 AND 연산(또는 곱 연산)을 수행할 수 있다. 프로세서(250)는, 상기 AND 연산(또는 곱 연산) 결과에 대하여, inverse STFT(short-time fourier transform)을 수행함으로써, 적어도 하나의 객체에 대응하는 적어도 하나의 오디오 부분을 획득할 수 있다.
동작 917에서, 본 개시의 일 실시예에서, 프로세서(250)는, 적어도 하나의 객체의 위치에 대한 정보 및 오디오 부분을 메모리(240)에 저장할 수 있다. 예를 들어, 프로세서(250)는, 동작 913에서 획득된 적어도 하나의 객체의 위치에 대한 정보 및 동작 915에서 획득된 적어도 하나의 객체에 대응하는 오디오 부분을, 연관하여(예: 매핑(mapping)하여), 메모리(240)에 저장할 수 있다.
도 10은, 본 개시의 일 실시예에 따른, 영상을 제공하는 방법을 설명하는 도면(1000)이다.
도 10을 참조하면, 본 개시의 일 실시예에서, 프로세서(250)는, 영상을 출력하는 동안, 객체의 위치를 나타내는 정보 및/또는 오디오를 출력할 수 있다. 본 개시의 일 실시예에서, 프로세서(250)는, 영상이 출력되는 동안, 오디오에 대응하는 객체의 위치를 나타내는 정보를 출력할 수 있다. 예를 들어, 도 10에서, 프로세서(250)는, 영상의 이미지(1010)가 디스플레이(220)를 통하여 표시되는 동안 음향 출력 모듈(230)를 통하여 제 1 객체(1021)에 대응하는 오디오를 출력할 수 있다. 프로세서(250)는, 제 1 객체(1021)가, 출력되는 오디오에 대응하는 객체임을 나타내기 위하여, 제 1 객체(1021)의 표시(예: 색상)를 변경할 수 있다. 예를 들어, 프로세서(250)는, 제 1 객체(1021)가, 출력되는 오디오에 대응하는 객체임을 나타내기 위하여, 디스플레이(220)를 통하여 제 1 객체(1021)를 불투명하게 표시하고, 출력되는 오디오와 무관한 제 2 객체(1023)의 표시는 변경하지 않을 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 영상 내에서 사용자에 의해 선택된 객체에 대응하는 오디오의 크기가 다른 객체에 대응하는 오디오의 크기 보다 크도록, 사용자에 의해 선택된 객체에 대응하는 오디오를 음향 출력 모듈(230)을 통하여 출력할 수 있다. 예를 들어, 프로세서(250)는, 영상의 이미지(1010) 내에서 사용자에 의해 선택된 제 1 객체(1021)에 대응하는 오디오의 크기가 제 2 객체(1023)에 대응하는 오디오의 크기 보다 크도록, 제 1 객체(1021)에 대응하는 오디오를 음향 출력 모듈을(230) 통하여 출력할 수 있다. 다만, 이에 제한되지 않으며, 프로세서(250)는, 영상 내에서 사용자에 의해 선택된 객체에 대응하는 오디오 및 다른 객체에 대응하는 오디오가 동시에 출력되는 경우, 사용자에 의해 선택된 객체에 대응하는 오디오만을 음향 출력 모듈(230)을 통하여 출력하고, 상기 다른 객체에 대응하는 오디오를 음향 출력 모듈을 통하여 출력하지 않을 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 사용자 입력에 기반하여, 영상이 출력되는 동안, 출력되는 오디오에 대응하는 객체의 위치를 나타내는 정보를 디스플레이(220)를 통하여 표시하도록 설정할 수 있다. 본 개시의 일 실시예에서, 프로세서(250)는, 영상이 출력되는 동안, 사용자에 의해 선택된 객체의 표시를 변경할 수 있다. 프로세서(250)는, 선택된 객체에 대응하는 오디오가 출력되는 경우, 선택된 객체에 대응하는 오디오가 출력됨을 나타내기 위하여, 선택된 객체의 표시를 변경할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 영상의 이미지 내에서 사용자에 의해 선택된 객체의 오디오와 관련된 정보를 디스플레이(220)를 통하여 표시할 수 있다. 예를 들어, 프로세서(250)는, 디스플레이(220)를 통하여, 영상의 이미지(1010) 내에서 사용자에 의해 선택된 제 1 객체(1021)의 오디오의 음량 및 시간 구간을 나타내는 정보(1031)를 영상의 전체 오디오의 음량 및 시간 구간을 나타내는 정보(1030) 내에 표시할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 영상을 출력하는 동안 객체의 위치를 나타내는 정보 및/또는 오디오를 출력하는 기능을 나타내는 정보(1040)를, 디스플레이(220)를 통하여 표시할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 영상에 포함되어 있는 객체를 판단할 수 있고, 판단된 객체 별로 구분되는 정보를 제공할 수 있다. 예를 들면, 프로세서(250)는, 영상의 이미지(1010) 내에서 인식된 제 1 객체(1021)와 제 2 객체(1023)의 표시(예: 효과, 색상, 하이라이트)를 다르게 할 수 있고, 영상의 전체 오디오의 음량 및 시간 구간을 나타내는 정보(1030) 중, 제 1 객체(1021)와 제 2 객체(1023)의 오디오 음량 및 시간 구간을 나타내는 정보를 다르게 표시할 수 있다. 예를 들면, 디스플레이(220)을 통해, 제 1 객체(1021)를 파란색으로 표시하고, 제 2 객체(1023)를 빨간색으로 표시할 수 있다. 또한, 영상의 전체 오디오의 음량 및 시간 구간을 나타내는 정보(1030) 중, 제 1 객체(1021)의 오디오 음량 및 시간 구간을 파란색으로 표시하고, 제 2 객체(1023)의 오디오 음량 및 시간 구간을 빨간색으로 표시할 수 있다.
본 개시의 일 실시예에서, 영상의 전체 오디오의 음량 및 시간 구간을 나타내는 정보(1030) 중, 사용자 입력으로 선택된 시간 구간에 대응하는 오디오를 출력할 수 있다. 예를 들면, 프로세서(250)는, 영상에 포함되어 있는 제 1 객체(1021) 및 제 2 객체(1023)에 기반하여, 영상의 전체 오디오의 음량 및 시간 구간을 나타내는 정보(1030)를 구분되게 표시하고, 상기 정보(1030) 중, 사용자 입력으로 선택된 시간 구간(예: 제 1 객체(1021)의 시간 구간, 제 2 객체(1023)의 시간 구간)의 오디오를 음향 출력 모듈(230)을 통해 출력할 수 있다. 예를 들면, 제 1 객체(1021)의 오디오를 출력하는 도중, 제 2 객체(1023)의 시간 구간에 사용자 입력이 획득되는 경우, 프로세서(250)는, 제 2 객체(1023)의 표시(예: 효과, 색상, 하이라이트)를 다르게 변경하고, 제 2 객체(1023)의 오디오를 출력할 수 있다. 또한, 제 1 객체(1021)의 표시는 원본 영상의 형태로 변경되고, 제 1 객체(1021)의 오디오는 출력되지 않거나, 크기가 작아질 수 있다.
도 11은, 본 개시의 일 실시예에 따른, 영상을 제공하는 방법을 설명하는 도면(1100)이다.
도 11을 참조하면, 본 개시의 일 실시예에서, 프로세서(250)는, 갤러리 어플리케이션의 실행 화면(1110) 내에 객체(예: 사람에 대한 객체)를 포함하는 영상의 이미지(예: 이미지들(1121, 1122, 1123, 1124))을 디스플레이(220)를 통하여 표시할 수 있다. 프로세서(250)는, 상기 영상의 이미지가 선택되는 경우, 디스플레이(220)를 통하여, 선택된 이미지와 인접한 영역에, 선택된 이미지의 영상 내에서, 선택된 이미지의 객체의 오디오의 음량 및 시간 구간을 나타내는 정보(1131)를 선택된 이미지의 영상의 전체 오디오의 음량 및 시간 구간을 나타내는 정보(1130) 내에 표시할 수 있다. 예를 들어, 프로세서(250)는, 영상들의 이미지들(1121, 1122, 1123, 1124) 중에서, 이미지(1121)이 선택되는 경우, 디스플레이(220)를 통하여, 선택된 이미지(1121)와 인접한 영역에, 선택된 이미지(1121)의 영상 내에서, 선택된 이미지(1121)의 객체의 오디오의 음량 및 시간 구간을 나타내는 정보(1131)를 영상의 전체 오디오의 음량 및 시간 구간을 나타내는 정보(1130) 내에 표시할 수 있다.
본 개시의 일 실시예에서, 프로세서(250)는, 객체(예: 사람에 대한 객체)를 포함하는 영상의 이미지(예: 이미지들(1121, 1122, 1123, 1124)) 중, 동일한 객체로 판단되거나, 사용자 입력으로 동일한 객체로 설정되는 경우, 하나의 객체로 그룹핑(grouping)하여 이미지(미도시)를 표시할 수 있다. 예를 들면, 프로세서(250)는, 이미지(1123)과 이미지(1124)가 동일한 객체로 판단 또는 선택되는 경우, 이미지(1123)과 이미지(1124)를 그룹핑한 이미지를 표시할 수 있고, 이미지(1123)과 이미지(1124)에 대응하는 객체의 오디오의 음량 및 시간 구간을, 영상의 전체 오디오의 음량 및 시간 구간을 나타내는 정보(1130)에 함께 표시할 수 있다. 예를 들면, 이미지(1123)에 대응하는 시간 구간 및 이미지(1124)에 대응하는 시간 구간이, 영상의 전체 오디오의 음량 및 시간 구간을 나타내는 정보(1130)에서 구별되게 표시할 수 있다.
다양한 실시예들에 따른 전자 장치(101)에서 영상을 제공하는 방법은, 이미지 및 오디오를 포함하는 영상을 획득하는 동작, 상기 이미지로부터 상기 이미지에 포함된 적어도 하나의 객체에 대한 정보를 획득하는 동작, 상기 이미지 및 상기 적어도 하나의 객체에 대한 정보에 기반하여, 상기 적어도 하나의 객체에 대한 시각적 특징을 획득하는 동작, 상기 오디오의 스펙트로그램을 획득하는 동작, 상기 오디오의 스펙트로그램로부터 상기 적어도 하나의 객체에 대한 오디오 특징을 획득하는 동작, 상기 시각적 특징 및 상기 오디오 특징을 결합하는 동작, 상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 상기 이미지 내에서 상기 적어도 하나의 객체의 위치를 나타내는, 상기 적어도 하나의 객체의 위치에 대한 정보를 획득하는 동작, 상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하는 동작, 및 상기 적어도 하나의 객체의 위치에 대한 정보 및 상기 적어도 하나의 객체에 대응하는 오디오 부분을 상기 전자 장치(101)의 메모리(240)에 저장하는 동작을 포함할 수 있다.
본 개시의 다양한 실시예에서, 상기 적어도 하나의 객체에 대한 정보를 획득하는 동작은, 상기 이미지로부터, 상기 이미지에 포함된 상기 적어도 하나의 객체가 마스킹된 맵을 획득하는 동작을 포함할 수 있다.
본 개시의 다양한 실시예에서, 상기 시각적 특징 및 상기 오디오 특징을 결합하는 동작은, 상기 시각적 특징 및 상기 오디오 특징에 대한 합산 연산, 곱셈 연산, 또는 잇기 연산을 수행함으로써, 상기 시각적 특징 및 상기 오디오 특징을 결합하는 동작을 포함할 수 있다.
본 개시의 다양한 실시예에서, 상기 적어도 하나의 객체의 위치에 대한 정보를 획득하는 동작은, 상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 각 픽셀이 상기 적어도 하나의 객체를 나타낼 확률 값을 가지는 이미지를 획득하는 동작을 포함할 수 있다.
본 개시의 다양한 실시예에서, 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하는 동작은, 상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 각 픽셀이 상기 적어도 하나의 객체에 대응하는 오디오를 나타내는 확률 값을 가지는 이미지를 획득하는 동작, 및 상기 획득된 이미지에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하는 동작을 포함할 수 있다.
본 개시의 다양한 실시예에서, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하는 동작은, 상기 오디오의 스펙트로그램 및 상기 획득된 이미지에 대한 AND 연산을 수행함에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하는 동작을 포함할 수 있다.
본 개시의 다양한 실시예에서, 상기 방법은, 인공지능 모델을 생성하기 위한 학습을 수행하는 동작을 더 포함하고, 상기 학습을 수행하는 동작은, 복수의 영상들을 획득하는 동작, 상기 복수의 영상들의 이미지들(예: 제 1 이미지(410), 제 2 이미지(420)) 각각에서, 적어도 하나의 객체(예: 제 1 객체(411), 제 2 객체(421))에 대한 정보를 획득하는 동작, 상기 적어도 하나의 객체 별로 시각적 특징(예: 제 1 시각적 특징 맵(450), 제 2 시각적 특징 맵(460))을 획득하는 동작, 상기 적어도 하나의 객체에 대응하는 오디오(예: 제 1 오디오(511), 제 2 오디오(512), 합성 오디오(520))의 스펙트로그램(예: 스펙트로그램(530))을 획득하는 동작, 상기 적어도 하나의 객체 별로 오디오 특징을 획득하는 동작, 상기 적어도 하나의 객체 별로 상기 오디오 특징 및 상기 시각적 특징을 결합하는 동작, 상기 결합된 시각적 특징 및 오디오 특징에 기반하여, 상기 이미지들 각각에서 상기 적어도 하나의 객체의 위치를 나타내는, 상기 적어도 하나의 객체의 위치에 대한 정보(예: 제 1 국소화 마스크(610), 제 2 국소화 마스크(620))를 획득하는 동작, 및 상기 결합된 시각적 특징 및 오디오 특징에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분(예: 오디오 부분(641), 오디오 부분(642))을 획득하는 동작을 포함할 수 있다.
본 개시의 다양한 실시예에서, 상기 적어도 하나의 객체에 대한 정보를 획득하는 동작은, 상기 복수의 영상들의 이미지들과, 정답으로서 상기 이미지들 각각에서 상기 적어도 하나의 객체에 대한 이미지 부분에 기반하여, 세그멘테이션 인공지능 네트워크와 관련된 인공지능 모델을 생성하는 동작을 포함할 수 있다.
본 개시의 다양한 실시예에서, 상기 적어도 하나의 객체의 위치에 대한 정보를 획득하는 동작은, metric learning 기반의 손실 함수를 이용하여 상기 오디오 특징 및 상기 시각적 특징 간 거리가 최소가 되도록, 오차를 보정하는 동작을 더 포함할 수 있다.
본 개시의 다양한 실시예에서, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하는 동작은, 손실 함수를 이용하여, 상기 적어도 하나의 객체 별로, 상기 시각적 특징 및 오디오 특징이 결합된 특징과, 상기 적어도 하나의 객체에 대응하는 오디오의 스펙트로그램 간 픽셀 별 거리가 최소가 되도록, 오차를 보정하는 동작을 더 포함할 수 있다.
또한, 상술한 본 문서의 실시예에서 사용된 데이터의 구조는 컴퓨터로 읽을 수 있는 기록매체에 여러 수단을 통하여 기록될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, CD-ROM, digital video disc(DVD))와 같은 저장매체를 포함한다.

Claims (15)

  1. 전자 장치에 있어서,
    메모리; 및
    상기 메모리와 전기적으로 연결된 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    이미지 및 오디오를 포함하는 영상을 획득하고,
    상기 이미지로부터 상기 이미지에 포함된 적어도 하나의 객체에 대한 정보를 획득하고,
    상기 이미지 및 상기 적어도 하나의 객체에 대한 정보에 기반하여, 상기 적어도 하나의 객체에 대한 시각적 특징을 획득하고,
    상기 오디오의 스펙트로그램(spectrogram)을 획득하고,
    상기 오디오의 스펙트로그램로부터 상기 적어도 하나의 객체에 대한 오디오 특징을 획득하고,
    상기 시각적 특징 및 상기 오디오 특징을 결합하고,
    상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 상기 이미지 내에서 상기 적어도 하나의 객체의 위치를 나타내는, 상기 적어도 하나의 객체의 위치에 대한 정보를 획득하고,
    상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하고, 및
    상기 적어도 하나의 객체의 위치에 대한 정보 및 상기 적어도 하나의 객체에 대응하는 오디오 부분을 상기 메모리에 저장하도록 구성된 전자 장치.
  2. 제 1 항에 있어서,
    상기 적어도 하나의 프로세서는, 상기 이미지로부터, 상기 이미지에 포함된 상기 적어도 하나의 객체가 마스킹(masking)된 맵(map)을 획득하도록 구성된 전자 장치.
  3. 제 1 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 시각적 특징 및 상기 오디오 특징에 대한 합산 연산, 곱셈 연산, 또는 잇기(concatenation) 연산을 수행함으로써, 상기 시각적 특징 및 상기 오디오 특징을 결합하도록 구성된 전자 장치.
  4. 제 1 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 각 픽셀이 상기 적어도 하나의 객체를 나타낼 확률 값을 가지는 이미지를 획득하도록 구성된 전자 장치.
  5. 제 1 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 각 픽셀이 상기 적어도 하나의 객체에 대응하는 오디오를 나타내는 확률 값을 가지는 이미지를 획득하고, 및
    상기 획득된 이미지에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하도록 구성된 전자 장치.
  6. 제 5 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 오디오의 스펙트로그램 및 상기 획득된 이미지에 대한 AND 연산을 수행함에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하도록 구성된 전자 장치.
  7. 제 1 항에 있어서,
    상기 적어도 하나의 프로세서는 인공지능 모델을 생성하기 위한 학습을 수행하도록 더 구성되고,
    상기 학습을 수행하기 위하여, 상기 적어도 하나의 프로세서는,
    복수의 영상들을 획득하는 동작;
    상기 복수의 영상들의 이미지들 각각에서, 적어도 하나의 객체에 대한 정보를 획득하는 동작;
    상기 적어도 하나의 객체 별로 시각적 특징을 획득하고,
    상기 적어도 하나의 객체에 대응하는 오디오의 스펙트로그램을 획득하고,
    상기 적어도 하나의 객체 별로 오디오 특징을 획득하고,
    상기 적어도 하나의 객체 별로 상기 오디오 특징 및 상기 시각적 특징을 결합하고,
    상기 결합된 시각적 특징 및 오디오 특징에 기반하여, 상기 이미지들 각각에서 상기 적어도 하나의 객체의 위치를 나타내는, 상기 적어도 하나의 객체의 위치에 대한 정보를 획득하고, 및
    상기 결합된 시각적 특징 및 오디오 특징에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하도록 구성된 전자 장치.
  8. 제 7 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 복수의 영상들의 이미지들과, 정답(ground truth)으로서 상기 이미지들 각각에서 상기 적어도 하나의 객체에 대한 이미지 부분에 기반하여, 세그멘테이션 인공지능 네트워크(segmentation artificial intelligence network)와 관련된 인공지능 모델을 생성하도록 구성된 전자 장치.
  9. 제 7 항에 있어서,
    상기 적어도 하나의 객체의 위치에 대한 정보를 획득하기 위하여, 상기 적어도 하나의 프로세서는, metric learning 기반의 손실 함수(loss function)를 이용하여 상기 오디오 특징 및 상기 시각적 특징 간 거리가 최소가 되도록, 오차를 보정하도록 더 구성된 전자 장치.
  10. 제 7 항에 있어서,
    상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하기 위하여, 상기 적어도 하나의 프로세서는, 손실 함수를 이용하여, 상기 적어도 하나의 객체 별로, 상기 시각적 특징 및 오디오 특징이 결합된 특징과, 상기 적어도 하나의 객체에 대응하는 오디오의 스펙트로그램 간 픽셀 별 거리가 최소가 되도록, 오차를 보정하도록 더 구성된 전자 장치.
  11. 전자 장치에서 영상을 제공하는 방법에 있어서,
    이미지 및 오디오를 포함하는 영상을 획득하는 동작;
    상기 이미지로부터 상기 이미지에 포함된 적어도 하나의 객체에 대한 정보를 획득하는 동작;
    상기 이미지 및 상기 적어도 하나의 객체에 대한 정보에 기반하여, 상기 적어도 하나의 객체에 대한 시각적 특징을 획득하는 동작;
    상기 오디오의 스펙트로그램을 획득하는 동작;
    상기 오디오의 스펙트로그램로부터 상기 적어도 하나의 객체에 대한 오디오 특징을 획득하는 동작;
    상기 시각적 특징 및 상기 오디오 특징을 결합하는 동작;
    상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 상기 이미지 내에서 상기 적어도 하나의 객체의 위치를 나타내는, 상기 적어도 하나의 객체의 위치에 대한 정보를 획득하는 동작;
    상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하는 동작; 및
    상기 적어도 하나의 객체의 위치에 대한 정보 및 상기 적어도 하나의 객체에 대응하는 오디오 부분을 상기 전자 장치의 메모리에 저장하는 동작을 포함하는 방법.
  12. 제 11 항에 있어서,
    상기 적어도 하나의 객체에 대한 정보를 획득하는 동작은,
    상기 이미지로부터, 상기 이미지에 포함된 상기 적어도 하나의 객체가 마스킹된 맵을 획득하는 동작을 포함하는 방법.
  13. 제 11 항에 있어서,
    상기 시각적 특징 및 상기 오디오 특징을 결합하는 동작은,
    상기 시각적 특징 및 상기 오디오 특징에 대한 합산 연산, 곱셈 연산, 또는 잇기 연산을 수행함으로써, 상기 시각적 특징 및 상기 오디오 특징을 결합하는 동작을 포함하는 방법.
  14. 제 11 항에 있어서,
    상기 적어도 하나의 객체의 위치에 대한 정보를 획득하는 동작은,
    상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 각 픽셀이 상기 적어도 하나의 객체를 나타낼 확률 값을 가지는 이미지를 획득하는 동작을 포함하는 방법.
  15. 제 13 항에 있어서,
    상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하는 동작은,
    상기 결합된 시각적 특징 및 상기 오디오 특징에 기반하여, 각 픽셀이 상기 적어도 하나의 객체에 대응하는 오디오를 나타내는 확률 값을 가지는 이미지를 획득하는 동작; 및
    상기 획득된 이미지에 기반하여, 상기 오디오 내에서 상기 적어도 하나의 객체에 대응하는 오디오 부분을 획득하는 동작을 포함하는 방법.
PCT/KR2022/013980 2021-10-01 2022-09-19 영상을 제공하는 방법 및 이를 지원하는 전자 장치 WO2023054957A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/953,883 US20230124111A1 (en) 2021-10-01 2022-09-27 Method for providing video and electronic device supporting the same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0131180 2021-10-01
KR1020210131180A KR20230047844A (ko) 2021-10-01 2021-10-01 영상을 제공하는 방법 및 이를 지원하는 전자 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/953,883 Continuation US20230124111A1 (en) 2021-10-01 2022-09-27 Method for providing video and electronic device supporting the same

Publications (1)

Publication Number Publication Date
WO2023054957A1 true WO2023054957A1 (ko) 2023-04-06

Family

ID=85783071

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/013980 WO2023054957A1 (ko) 2021-10-01 2022-09-19 영상을 제공하는 방법 및 이를 지원하는 전자 장치

Country Status (3)

Country Link
US (1) US20230124111A1 (ko)
KR (1) KR20230047844A (ko)
WO (1) WO2023054957A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101373020B1 (ko) * 2011-12-01 2014-03-19 삼성전자주식회사 정적 영상에서 애니메이션 아트 효과를 생성하기 위한 방법 및 시스템
KR20200020590A (ko) * 2018-08-16 2020-02-26 한화테크윈 주식회사 시각화된 객체에서 특정영역의 소리를 추출하는 감시 카메라 시스템 및 그 동작 방법
KR20200054344A (ko) * 2018-10-25 2020-05-20 현대모비스 주식회사 스테레오 카메라를 이용한 인스턴스 객체별 거리값 검출 장치 및 방법
KR20210022600A (ko) * 2012-05-14 2021-03-03 한국전자통신연구원 오디오 데이터 제공 방법 및 장치, 오디오 메타데이터 제공 방법 및 장치, 오디오 데이터 재생 방법 및 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10712738B2 (en) * 2016-05-09 2020-07-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for industrial internet of things data collection for vibration sensitive equipment
US11610599B2 (en) * 2019-12-06 2023-03-21 Meta Platforms Technologies, Llc Systems and methods for visually guided audio separation
US11694084B2 (en) * 2020-04-14 2023-07-04 Sony Interactive Entertainment Inc. Self-supervised AI-assisted sound effect recommendation for silent video
US11308329B2 (en) * 2020-05-07 2022-04-19 Adobe Inc. Representation learning from video with spatial audio

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101373020B1 (ko) * 2011-12-01 2014-03-19 삼성전자주식회사 정적 영상에서 애니메이션 아트 효과를 생성하기 위한 방법 및 시스템
KR20210022600A (ko) * 2012-05-14 2021-03-03 한국전자통신연구원 오디오 데이터 제공 방법 및 장치, 오디오 메타데이터 제공 방법 및 장치, 오디오 데이터 재생 방법 및 장치
KR20200020590A (ko) * 2018-08-16 2020-02-26 한화테크윈 주식회사 시각화된 객체에서 특정영역의 소리를 추출하는 감시 카메라 시스템 및 그 동작 방법
KR20200054344A (ko) * 2018-10-25 2020-05-20 현대모비스 주식회사 스테레오 카메라를 이용한 인스턴스 객체별 거리값 검출 장치 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TANZILA RAHMAN; LEONID SIGAL: "Weakly-supervised Audio-visual Sound Source Detection and Separation", ARXIV.ORG, 25 March 2021 (2021-03-25), XP081920940 *

Also Published As

Publication number Publication date
KR20230047844A (ko) 2023-04-10
US20230124111A1 (en) 2023-04-20

Similar Documents

Publication Publication Date Title
WO2019235901A1 (en) Electronic device including stylus pen and method for controlling microphone of the same
WO2022098204A1 (ko) 가상현실 서비스를 제공하는 전자 장치 및 방법
WO2022154470A1 (ko) 마이크 모듈을 포함하는 전자 장치
WO2022025444A1 (ko) 화면을 표시하는 방법 및 그 장치
WO2022154337A1 (ko) 이미지를 업스케일하는 전자 장치 및 이의 제어 방법
WO2023085749A1 (ko) 빔포밍을 제어하는 전자 장치 및 이의 동작 방법
WO2022154440A1 (ko) 오디오 데이터를 처리하는 전자 장치 및 그 동작 방법
WO2023063608A1 (ko) 이미지를 제공하는 방법 및 이를 지원하는 전자 장치
WO2022203456A1 (ko) 음성 신호 처리를 위한 전자 장치 및 방법
WO2023054957A1 (ko) 영상을 제공하는 방법 및 이를 지원하는 전자 장치
WO2022186646A1 (ko) 이미지 생성을 위한 전자 장치 및 전자 장치의 동작 방법
WO2022149812A1 (ko) 카메라 모듈을 포함하는 전자 장치 및 그 전자 장치의 동작 방법
WO2022154166A1 (ko) 콘텐츠 생성 기능을 제공하기 위한 방법 및 이를 지원하는 전자 장치
WO2022039457A1 (ko) 카메라 및 마이크를 포함하는 전자 장치
WO2022164023A1 (ko) 오디오 데이터를 처리하는 방법 및 이를 지원하는 전자 장치
WO2024122913A1 (ko) 기계 학습 모델을 이용하여 영상을 획득하는 전자 장치 및 그 동작 방법
WO2024014869A1 (ko) 번역 처리 방법 및 전자 장치
WO2023287023A1 (ko) 음향 신호를 생성하는 전자 장치 및 방법
WO2022025376A1 (ko) Ar 오디오 데이터 제공 방법 및 장치
WO2024071694A1 (ko) 위험을 감지하는 전자 장치, 그의 동작 방법 및 프로그램을 저장하는 저장 매체
WO2023286959A1 (ko) 영상 저장 방법 및 이를 지원하는 전자 장치
WO2023080401A1 (ko) 이어폰을 이용한 전자 장치의 사운드 레코딩 방법 및 장치
WO2023013894A1 (ko) 촬영된 영상에 시각 효과를 적용하고 태그를 설정하는 방법 및 장치
WO2023277585A1 (ko) 신경망을 통해 이미지를 처리하는 방법 및 그 전자 장치
WO2023282458A1 (ko) 전자 장치 및 전자 장치의 동작 방법

Legal Events

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

Ref document number: 22876731

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: 22876731

Country of ref document: EP

Kind code of ref document: A1