WO2023219236A1 - 스마트 안경에 광고를 디스플레이하는 방법 - Google Patents

스마트 안경에 광고를 디스플레이하는 방법 Download PDF

Info

Publication number
WO2023219236A1
WO2023219236A1 PCT/KR2023/002505 KR2023002505W WO2023219236A1 WO 2023219236 A1 WO2023219236 A1 WO 2023219236A1 KR 2023002505 W KR2023002505 W KR 2023002505W WO 2023219236 A1 WO2023219236 A1 WO 2023219236A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
advertisement
smart glasses
neural network
processor
Prior art date
Application number
PCT/KR2023/002505
Other languages
English (en)
French (fr)
Inventor
이광희
Original Assignee
주식회사 비브스튜디오스
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 주식회사 비브스튜디오스 filed Critical 주식회사 비브스튜디오스
Publication of WO2023219236A1 publication Critical patent/WO2023219236A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G06F3/04842—Selection of displayed objects or displayed text elements
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
    • G02B27/01—Head-up displays
    • G02B27/017—Head mounted
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement

Definitions

  • the present invention relates to a method for displaying advertisements, and more specifically, to technology for displaying augmented reality-based advertisements on smart glasses.
  • Augmented reality is a field of virtual reality (VR) and is a computer graphics technique that synthesizes virtual objects or information into the current world seen by the user's eyes to make them appear as if they existed in the original environment. . Because of these characteristics, it can be applied to a variety of real-world environments and is attracting attention as a next-generation display technology suitable for a ubiquitous environment.
  • Smart glasses are a device that provides both the original function of glasses to see objects in front and the functions of a computer, and are a type of wearable device that can be worn on the face. Additionally, smart glasses provide users with desired information through a monocular or binocular display. It supports wireless communication technologies such as Bluetooth and Wi-Fi, and allows you to search and share information in real time through an Internet connection.
  • Smart glasses can provide various services to users through application development. For example, in a hospital, information about the patient's condition can be provided through smart glasses to a surgeon who is performing surgery using both hands. Additionally, in the logistics field, such as delivery companies, workers wearing smart glasses can use both hands freely and check the transportation information of goods at the same time, improving work efficiency. Smart glasses can be used convergently in various fields such as medicine, tourism, education, and logistics.
  • Republic of Korea Patent Publication No. 2014-0080720 discloses a tour guide device based on augmented reality images.
  • the present disclosure was developed in response to the above-described background technology, and its purpose is to provide a method of displaying augmented reality-based advertisements on smart glasses that can recognize surrounding objects and control advertisement exposure states.
  • a method performed by a computing device for realizing the above-described problem is disclosed.
  • the method includes performing object discrimination based on environmental information acquired by the smart glasses; determining safety based on the object determination result; And it may include the step of outputting an augmented reality-based advertisement to the smart glasses in consideration of the decision result.
  • the step of performing the object discrimination may include performing object separation to recognize objects included in the environment information, and then performing the object discrimination.
  • the step of determining whether the object is safe may include determining whether it is unsafe or safe by considering an object that has been separated and determined within the environmental information.
  • the step of outputting the advertisement may include determining at least one of whether to display the advertisement, the type of advertisement, the size of the advertisement, or the display position in consideration of the determination result.
  • the step of outputting the advertisement may further include activating an augmented reality-based advertisement link item when the determination result is determined to be safe and no movement is detected for more than a preset time.
  • the step of outputting the advertisement may further include activating an augmented reality-based advertisement link item when the determination result is determined to be safe and the advertisement is located in an area containing preference information.
  • the step of performing object discrimination may include classification, object detection, based on at least one of computer vision, image processing, or machine learning models. , segmentation, or instance segmentation.
  • a computer program stored in a computer-readable storage medium When the computer program is executed on one or more processors, it performs the following operations for displaying an advertisement on smart glasses, which operations include: performing object discrimination based on environmental information obtained from the smart glasses. ; An operation of determining safety based on the object determination result; And it may include an operation of outputting an augmented reality-based advertisement to the smart glasses in consideration of the decision result.
  • a computing device for realizing the above-described problem is disclosed.
  • the device includes a processor including at least one core; and a memory including program codes executable by the processor, wherein the processor performs object discrimination based on environmental information obtained from the smart glasses and determines whether the object is safe based on the object discrimination result. It may be configured to output an augmented reality-based advertisement to the smart glasses by considering the decision result.
  • the present disclosure can provide a method of displaying advertisements on smart glasses that can increase the efficiency of advertisements while ensuring user safety.
  • FIG. 1 is a block diagram of a computing device for displaying augmented reality-based advertisements on smart glasses according to an embodiment of the present disclosure.
  • Figure 2 is a conceptual diagram showing a neural network according to an embodiment of the present disclosure.
  • Figure 3 is a diagram for explaining a process of performing segmentation separation according to an embodiment of the present disclosure.
  • FIG. 4 is a diagram illustrating a process for activating an augmented reality-based advertisement link item in consideration of preference information according to an embodiment of the present disclosure.
  • Figure 5 is a flowchart showing a method of displaying an advertisement on smart glasses according to an embodiment of the present disclosure.
  • Figure 6 is a conceptual diagram of a computing environment according to an embodiment of the present disclosure.
  • a component may be, but is not limited to, a process running on a processor, a processor, an object, a thread of execution, a program, and/or a computer.
  • an application running on a computing device and the computing device can be a component.
  • One or more components may reside within a processor and/or thread of execution.
  • a component may be localized within one computer.
  • a component may be distributed between two or more computers. Additionally, these components can execute from various computer-readable media having various data structures stored thereon.
  • Components can transmit signals, for example, with one or more data packets (e.g., data and/or signals from one component interacting with other components in a local system, a distributed system, to other systems and over a network such as the Internet). Depending on the data being transmitted, they may communicate through local and/or remote processes.
  • data packets e.g., data and/or signals from one component interacting with other components in a local system, a distributed system, to other systems and over a network such as the Internet.
  • a network such as the Internet
  • the term “or” is intended to mean an inclusive “or” and not an exclusive “or.” That is, unless otherwise specified or clear from context, “X utilizes A or B” is intended to mean one of the natural implicit substitutions. That is, either X uses A; X uses B; Or, if X uses both A and B, “X uses A or B” can apply to either of these cases. Additionally, the term “and/or” as used herein should be understood to refer to and include all possible combinations of one or more of the related listed items.
  • the term “at least one of A or B” should be interpreted to mean “a case containing only A,” “a case containing only B,” and “a case of combining A and B.”
  • network function artificial neural network, and neural network may be used interchangeably.
  • FIG. 1 is a block diagram of a computing device for displaying augmented reality-based advertisements on smart glasses according to an embodiment of the present disclosure.
  • the configuration of the computing device 100 shown in FIG. 1 is only a simplified example.
  • the computing device 100 may include different configurations for performing the computing environment of the computing device 100, and only some of the disclosed configurations may configure the computing device 100.
  • the computing device 100 may be included in (equipped with) an area of smart glasses or may be implemented in the form of a device that communicates with smart glasses, and may be implemented in various ways other than these examples. You can.
  • the computing device 100 may include a processor 110, a memory 130, and a network unit 150.
  • the configuration of the computing device 100 is not limited to this.
  • the processor 110 may be composed of one or more cores, and may include a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), and a tensor processing unit (TPU) of a computing device. unit) may include a processor for data analysis and deep learning.
  • the processor 110 may read a computer program stored in the memory 130 and perform data processing for machine learning according to an embodiment of the present disclosure. According to an embodiment of the present disclosure, the processor 110 may perform an operation for learning a neural network.
  • the processor 110 is used for learning neural networks, such as processing input data for learning in deep learning (DL), extracting features from input data, calculating errors, and updating the weights of the neural network using backpropagation. Calculations can be performed.
  • DL deep learning
  • At least one of the CPU, GPGPU, and TPU of the processor 110 may process learning of the network function.
  • CPU and GPGPU can work together to process learning of network functions and data classification using network functions.
  • the processors of a plurality of computing devices can be used together to process learning of network functions and data classification using network functions.
  • a computer program executed in a computing device according to an embodiment of the present disclosure may be a CPU, GPGPU, or TPU executable program.
  • the processor 110 may perform object discrimination based on environmental information acquired by smart glasses and determine whether the object is safe based on the object discrimination result.
  • the processor 110 may output an augmented reality-based advertisement to the smart glasses when the safety judgment is determined to be safe.
  • the environmental information may be an image containing the gaze of a user wearing smart glasses or other additional information.
  • the processor 110 may perform object discrimination after performing object separation to recognize objects included in the environment information.
  • the processor 110 separates objects by considering at least one of classification, object detection, instance segmentation, computer vision, image processing, and machine learning models. and object discrimination can be performed.
  • the processor 110 may perform segmentation by applying environmental information to a pre-trained first machine learning model. Additionally, the processor 110 may determine the object by performing segmentation on information on the surrounding environment where the user is located. Additionally, the processor 110 may determine whether each separately determined object within the environment information is safe (unsafe or safe). Preferably, the processor 110 may determine whether the determined object is unsafe or safe by applying it to a pre-trained second machine learning model. In addition, the processor 110 can determine whether the determined object is safe using models such as rule-based learning and machine learning for judgment.
  • the learning model used to determine safety is not limited to this, and algorithms that have been developed or will be developed in the future may be applied.
  • the processor 110 can output augmented reality-based advertisements through smart glasses only when the judgment result is safe. In other words, the processor 110 controls the advertisement exposure state by segmenting the environmental information obtained by the smart glasses and considering the results of recognizing surrounding objects (objects) to increase the efficiency of advertisements within the limit of ensuring user safety. You can.
  • the memory 130 may store any type of information generated or determined by the processor 110 and any type of information received by the network unit 150.
  • the memory 130 is a flash memory type, hard disk type, multimedia card micro type, or card type memory (e.g. (e.g. SD or -Only Memory), and may include at least one type of storage medium among magnetic memory, magnetic disk, and optical disk.
  • the computing device 100 may operate in connection with web storage that performs a storage function of the memory 130 on the Internet.
  • the description of the memory described above is merely an example, and the present disclosure is not limited thereto.
  • the network unit 150 includes Public Switched Telephone Network (PSTN), x Digital Subscriber Line (xDSL), Rate Adaptive DSL (RADSL), Multi Rate DSL (MDSL), and VDSL (A variety of wired communication systems can be used, such as Very High Speed DSL), Universal Asymmetric DSL (UADSL), High Bit Rate DSL (HDSL), and Local Area Network (LAN).
  • PSTN Public Switched Telephone Network
  • xDSL Digital Subscriber Line
  • RADSL Rate Adaptive DSL
  • MDSL Multi Rate DSL
  • VDSL VDSL
  • wired communication systems such as Very High Speed DSL), Universal Asymmetric DSL (UADSL), High Bit Rate DSL (HDSL), and Local Area Network (LAN).
  • the network unit 150 presented in this specification includes Code Division Multi Access (CDMA), Time Division Multi Access (TDMA), Frequency Division Multi Access (FDMA), Orthogonal Frequency Division Multi Access (OFDMA), and SC-FDMA (A variety of wireless communication systems can be used, such as Single Carrier-FDMA) and other systems.
  • CDMA Code Division Multi Access
  • TDMA Time Division Multi Access
  • FDMA Frequency Division Multi Access
  • OFDMA Orthogonal Frequency Division Multi Access
  • SC-FDMA A variety of wireless communication systems can be used, such as Single Carrier-FDMA and other systems.
  • the network unit 150 may be configured regardless of communication mode, such as wired or wireless, and may include a local area network (LAN), a personal area network (PAN), or a wide area network (WAN). It can be composed of various communication networks such as Wide Area Network. Additionally, the network may be the well-known World Wide Web (WWW), or may use wireless transmission technology used for short-distance communication, such as Infrared Data Association (IrDA) or Bluetooth.
  • IrDA Infrared Data Association
  • the network unit 150 may use any type of known wired or wireless communication system.
  • the network unit 150 can transmit and receive information related to machine learning.
  • the network unit 150 may transmit and receive environmental information and safety determination information in relationships with various devices or systems.
  • the environmental information and safety judgment information transmitted and received may be learning data, inference data, or inference result data of a neural network model.
  • the environmental information and safety determination information may include the information of the above-described examples, but are not limited to the above-described examples and may be configured in various ways within the range understandable by those skilled in the art.
  • the network unit 150 can transmit and receive information processed by the processor 110, a user interface, etc. through communication with other terminals.
  • the network unit 150 may provide a user interface generated by the processor 110 to a client (e.g. user terminal).
  • the network unit 150 may receive external input from a user authorized as a client and transmit it to the processor 110.
  • the processor 110 may process operations such as output, modification, change, and addition of information provided through the user interface based on the user's external input received from the network unit 150.
  • the computing device 100 is a computing system that transmits and receives information through communication with a client and may include a server.
  • the client may be any type of terminal that can access the server.
  • the computing device 100 which is a server, receives information for machine learning from an external database, performs object discrimination, and generates an augmented reality-based advertisement when the safety determination result is safe based on the object discrimination result.
  • the user interface can be provided to a user terminal (eg, the smart glasses themselves or a user terminal connected to the smart glasses).
  • the user terminal outputs the user interface received from the computing device 100, which is a server, and can input or process information through interaction with the user.
  • the computing device 100 may include any type of terminal that receives data resources generated by an arbitrary server and performs additional information processing.
  • Figure 2 is a conceptual diagram showing a neural network according to an embodiment of the present disclosure.
  • a machine learning model may include a neural network that determines object discrimination and/or safety.
  • a neural network can generally consist of a set of interconnected computational units, which can be referred to as nodes. These nodes may also be referred to as neurons.
  • a neural network consists of at least one node. Nodes (or neurons) that make up neural networks may be interconnected by one or more links.
  • one or more nodes connected through a link may form a relative input node and output node relationship.
  • the concepts of input node and output node are relative, and any node in an output node relationship with one node may be in an input node relationship with another node, and vice versa.
  • input node to output node relationships can be created around links.
  • One or more output nodes can be connected to one input node through a link, and vice versa.
  • the value of the data of the output node may be determined based on the data input to the input node.
  • the link connecting the input node and the output node may have a weight. Weights may be variable and may be varied by the user or algorithm in order for the neural network to perform the desired function. For example, when one or more input nodes are connected to one output node by respective links, the output node is set to the values input to the input nodes connected to the output node and the links corresponding to each input node. The output node value can be determined based on the weight.
  • one or more nodes are interconnected through one or more links to form an input node and output node relationship within the neural network.
  • the characteristics of the neural network can be determined according to the number of nodes and links within the neural network, the correlation between the nodes and links, and the value of the weight assigned to each link. For example, if the same number of nodes and links exist and two neural networks with different weight values of the links exist, the two neural networks may be recognized as different from each other.
  • a neural network may consist of a set of one or more nodes.
  • a subset of nodes that make up a neural network can form a layer.
  • Some of the nodes constituting the neural network may form one layer based on the distances from the first input node.
  • a set of nodes with a distance n from the initial input node may constitute n layers.
  • the distance from the initial input node can be defined by the minimum number of links that must be passed to reach the node from the initial input node.
  • this definition of a layer is arbitrary for explanation purposes, and the order of a layer within a neural network may be defined in a different way than described above.
  • a layer of nodes may be defined by distance from the final output node.
  • the initial input node may refer to one or more nodes in the neural network through which data is directly input without going through links in relationships with other nodes.
  • a neural network network in the relationship between nodes based on links, it may mean nodes that do not have other input nodes connected by links.
  • the final output node may refer to one or more nodes that do not have an output node in their relationship with other nodes among the nodes in the neural network.
  • hidden nodes may refer to nodes constituting a neural network other than the first input node and the last output node.
  • the neural network according to an embodiment of the present disclosure is a neural network in which the number of nodes in the input layer may be the same as the number of nodes in the output layer, and the number of nodes decreases and then increases again as it progresses from the input layer to the hidden layer. You can.
  • the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes in the input layer may be less than the number of nodes in the output layer, and the number of nodes decreases as it progresses from the input layer to the hidden layer. there is.
  • the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes in the input layer may be greater than the number of nodes in the output layer, and the number of nodes increases as it progresses from the input layer to the hidden layer. You can.
  • a neural network according to another embodiment of the present disclosure may be a neural network that is a combination of the above-described neural networks.
  • a deep neural network may refer to a neural network that includes multiple hidden layers in addition to the input layer and output layer.
  • Deep neural networks can be used to identify latent structures in data. In other words, it is possible to identify the potential structure of a photo, text, video, voice, or music (e.g., what object is in the photo, what the content and emotion of the text are, what the content and emotion of the voice are, etc.) .
  • Deep neural networks include convolutional neural network (CNN), recurrent neural network (RNN), auto encoder, Generative Adversarial Networks (GAN), restricted Boltzmann machine (RBM), It may include deep belief network (DBN), Q network, U network, Siamese network, etc.
  • CNN convolutional neural network
  • RNN recurrent neural network
  • RBM restricted Boltzmann machine
  • DNN deep belief network
  • Q network Q network
  • U network Siamese network
  • the neural network may include an autoencoder.
  • An autoencoder may be a type of artificial neural network to output output data similar to input data.
  • the autoencoder may include at least one hidden layer, and an odd number of hidden layers may be placed between input and output layers.
  • the number of nodes in each layer may be reduced from the number of nodes in the input layer to an intermediate layer called the bottleneck layer (encoding), and then expanded symmetrically and reduced from the bottleneck layer to the output layer (symmetrical to the input layer).
  • Autoencoders can perform nonlinear dimensionality reduction.
  • the number of input layers and output layers can be corresponded to the dimension after preprocessing of the input data.
  • the number of nodes in the hidden layer included in the encoder may have a structure that decreases as the distance from the input layer increases. If the number of nodes in the bottleneck layer (the layer with the fewest nodes located between the encoder and decoder) is too small, not enough information may be conveyed, so if it is higher than a certain number (e.g., more than half of the input layers, etc.) ) may be maintained.
  • a certain number e.g., more than half of the input layers, etc.
  • Neural networks can be trained in at least one of supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning.
  • Learning a neural network can be a process of applying knowledge to perform a specific action to the neural network.
  • Neural networks can be trained to minimize output errors.
  • neural network learning learning data is repeatedly input into the neural network, the output of the neural network and the error of the target for the learning data are calculated, and the error of the neural network is backpropagated from the output layer of the neural network to the input layer in the direction of reducing the error ( This is the process of updating the weight of each node in a neural network through backpropagation.
  • teacher learning learning data in which the correct answer is labeled in each learning data is used (i.e., labeled learning data), and in the case of non-teacher learning, the correct answer may not be labeled in each learning data.
  • the learning data may be data in which each learning data is labeled with a category.
  • Labeled training data is input to the neural network, and the error can be calculated by comparing the output (category) of the neural network with the label of the training data.
  • the error can be calculated by comparing the input learning data with the neural network output. The calculated error is back-propagated in the neural network in the reverse direction (i.e., from the output layer to the input layer), and the connection weight of each node in each layer of the neural network can be updated according to back-propagation.
  • the amount of change in the connection weight of each updated node may be determined according to the learning rate.
  • the neural network's calculation of input data and backpropagation of errors can constitute a learning cycle (epoch).
  • the learning rate may be applied differently depending on the number of repetitions of the learning cycle of the neural network. For example, in the early stages of neural network training, a high learning rate can be used to ensure that the neural network quickly achieves a certain level of performance to increase efficiency, and in the later stages of training, a low learning rate can be used to increase accuracy.
  • the learning data may be a subset of actual data (i.e., the data to be processed using the learned neural network), and therefore, the error for the learning data decreases, but the error for the actual data increases.
  • a learning cycle may exist.
  • Overfitting is a phenomenon in which errors in actual data increase due to excessive learning on training data. For example, a phenomenon in which a neural network that learned a cat by showing a yellow cat fails to recognize that it is a cat when it sees a non-yellow cat may be a type of overfitting. Overfitting can cause errors in machine learning algorithms to increase. To prevent such overfitting, various optimization methods can be used. To prevent overfitting, methods such as increasing the learning data, regularization, dropout to disable some of the network nodes during the learning process, and use of a batch normalization layer can be applied. You can.
  • the processor 110 may obtain environmental information from smart glasses.
  • the environmental information may be an image containing the gaze direction of a user wearing smart glasses or other additional information.
  • environmental information may include information obtained from cameras and image sensors included in smart glasses.
  • environmental information may include information collected from a plurality of sensors (eg, acceleration sensor, motion sensor, microphone, etc.) included in smart glasses.
  • Environmental information may include various objects depending on where the user is currently located.
  • Figure 3 is a diagram for explaining a process of performing segmentation separation according to an embodiment of the present disclosure.
  • the processor 110 may perform object discrimination based on environmental information acquired by smart glasses. Additionally, the processor 110 may perform object discrimination after performing object separation to recognize objects included in the environment information. Preferably, the processor 110 may perform segmentation by applying environmental information to a pre-trained first machine learning model. The processor 110 may recognize at least one object included in environment information. As an example, referring to FIG. 3, the processor 110 may recognize each object included in environmental information. As an example, the processor 110 may recognize the first object (A), the second object (B), and the third object (C) separately even though they are the same person. Additionally, the fourth object (D) can be recognized as a tree, and the fifth object (E) can be recognized as a building.
  • the first machine learning model may classify objects by segmenting input environmental information (eg, image data). For example, the first machine learning model may classify whether an object included in environmental information (eg, image data) is a building or a person. Additionally, the first machine learning model can classify pixels included in input environmental information (eg, image data) and detect the object by distinguishing the border of the object in the image from the background. Additionally, the first machine learning model may include semantic segmentation and/or instance segmentation that divides objects of the same type (class) into the same area or color. After object segmentation is performed through semantic segmentation, the processor 110 may divide objects of the same type (class) into the same area or color.
  • the processor 110 may divide the people into the same area or color.
  • the processor 110 can distinguish objects into different objects even if they are of the same type through instance segmentation. For example, if there is at least one person in the image, processor 110 may segment the people into different regions or colors.
  • the processor 110 may recognize at least one object within input environmental information (eg, image data). If environmental information (eg, image data) includes objects such as people, animals, buildings, cars, etc., the processor 110 may recognize each object such as people, animals, buildings, cars, etc.
  • environmental information eg, image data
  • the processor 110 may recognize each object such as people, animals, buildings, cars, etc.
  • the processor 110 can perform object separation for environmental information through various methods such as classification, object detection, and instance segmentation.
  • the processor 110 may recognize an object included in environmental information (eg, image data) using at least one of a plurality of classification algorithms.
  • the processor 110 collects environmental information (e.g., image data) from Image retrieval, Image annotation, Face detection, and Image Classification performed in object detection. Contained objects can be recognized.
  • the processor 110 may perform object discrimination included in environmental information through computer vision, image processing, machine learning models, etc.
  • computer vision includes Object Classification, Object Detection & Localization, Object Segmentation, Image Captioning, Object Tracking, and Behavior Classification ( Including technologies such as Action Classification, objects included in environmental information (eg, image data) can be identified.
  • the processor 110 may determine whether or not the object is safe based on the result of object determination separately within the environmental information. For example, the processor 110 may determine whether the determined object is unsafe or safe by applying it to a pre-trained second machine learning model. In addition, the processor 110 can determine safety based on object discrimination results that are separated and determined within environmental information based on models such as rule-based learning and machine learning. As an example, unsafe may be a case where an object is included in a preset area based on the user wearing smart glasses. In other words, unsafety may mean that risk factors such as obstacles and people are identified (detected) when displaying an advertisement in the area where the user is located.
  • the processor 110 may determine that the object is safe if the object is not included in a preset area based on the user wearing the smart glasses.
  • the preset area may be in the form of a circle with a constant radius such as 10m, 30m, 50m, 100m, etc., with the location information of the current location of the user wearing smart glasses as the center.
  • the preset area is not limited to this and may include various forms.
  • the processor 110 may determine the similarity between the determined object and the object classified as an unsafe element stored in the database through the second machine learning model. Unsafe factors may include obstacles, vehicles, people located within a preset area, construction signs, etc. However, the composition of unsafe elements is not limited to this. For example, referring to FIG.
  • the processor 110 may determine that at least one of the first object (A) to the fifth object (E) is unsafe if it is included in a preset area. On the other hand, the processor 110 may determine safety when the first to fifth objects A to E are not included in the preset area.
  • the processor 110 may output an augmented reality-based advertisement 30 to smart glasses by considering the decision result.
  • the augmented reality-based advertisement 30 may include advertising content produced in an advertising agency server according to a contract with one or more advertisers. Additionally, the augmented reality-based advertisement 30 may be output (generated) by taking current location information into consideration. In addition, the augmented reality-based advertisement 30 can be output (generated) by taking into account the user's personal information (eg, age and gender, etc.) while wearing smart glasses. Additionally, the processor 110 may prevent the augmented reality-based advertisement from being output (displayed) if the judgment result is unsafe. On the other hand, the processor 110 outputs the augmented reality-based advertisement 30 to the smart glasses when the object is not included in the preset area based on the user wearing the smart glasses, that is, when the judgment result is safe. can do.
  • the processor 110 may determine at least one of whether to display an advertisement, the type of advertisement, the size of the advertisement, or the display location by considering the determination result. For example, the processor 110 may display an advertisement if the judgment result is safe, and may not display the advertisement if the judgment result is unsafe. Additionally, if the judgment result is safe, the processor 110 may randomly determine the type of advertisement by considering location information or personal information. If the judgment result is safe, the processor 110 may determine a display position so that the augmented reality-based advertisement can be displayed on the floor or the wall of a building.
  • the processor 110 may activate the augmented reality-based advertising link item 301 when the judgment result is determined to be safe and no movement is detected for more than a preset time. For example, if the object is not included in a preset area based on the user wearing smart glasses (i.e., the judgment result is safe), the processor 110 moves for more than a preset time (e.g., 5 seconds). If this is not detected, the advertisement link item 310 included in the simple augmented reality-based advertisement 30 may be activated. In other words, the processor 110 may activate the augmented reality-based advertisement link item 301 so that the user can receive more detailed advertisements in situations where it is predicted that no dangerous situation will occur around the user. .
  • a preset time e.g. 5 seconds
  • a case in which no movement is detected for more than a preset time may include a case in which a user who is walking stops walking or a case in which a user waits for a signal.
  • the processor 110 activates the augmented reality-based advertising link item 301 when the judgment result is determined to be safe, no movement is detected for more than a preset time, and a change in the user's gaze position is detected. You can do it.
  • a case in which a change in the user's gaze position is detected may include a situation in which the user is sitting on a chair.
  • the processor 110 determines that the judgment result is safe, no movement is detected for more than a preset time, the object judgment result includes a traffic light, and the traffic light is red (e.g., if the user is waiting for the signal) situation), the augmented reality-based advertising link item 301 can be activated.
  • the augmented reality-based advertising link item 301 can be activated.
  • FIG. 4 is a diagram illustrating a process for activating an augmented reality-based advertisement link item in consideration of preference information according to an embodiment of the present disclosure. Additionally, FIG. 4 may be a diagram schematically showing an augmented reality-based advertisement 30 displayed on smart glasses.
  • the processor 110 may activate the augmented reality-based advertisement link item 301 when the judgment result is determined to be safe and the location is located in an area containing preference information.
  • Preference information may include information preset by the user. Additionally, preference information may be information extracted by considering the user's SNS information.
  • the processor 110 may obtain preference information through an application installed on the user terminal. As an example, referring to FIG. 4, when a building determined as the fifth object (E) is included in the preference information, the processor 110 considers the judgment result and selects the augmented reality included in the augmented reality-based advertisement 30.
  • the based advertising link item 301 can be activated.
  • the advertisement link item 301 may include content that represents the advertisement in more detail. When the user selects (clicks) the advertisement link item 301 through the smart glasses, the processor 110 can provide content representing the corresponding advertisement in more detail to the smart glasses.
  • the processor 110 can acquire surrounding environment information from smart glasses or HoloLens, perform segmentation separation to recognize surrounding objects (objects), and output advertisements only in situations where user safety is guaranteed.
  • Figure 5 is a flowchart showing a method of displaying an advertisement on smart glasses according to an embodiment of the present disclosure.
  • the computing device 100 may perform object discrimination based on environmental information acquired by smart glasses (S110). Additionally, the computing device 100 may perform object separation to distinguish and recognize objects included in the environment information, and then perform object discrimination. Preferably, the computing device 100 may perform segmentation by applying environmental information to a first machine learning model learned in advance. In addition, the computing device 100 may recognize objects included in the environment information based on classification, object detection, instance segmentation, etc. Additionally, the computing device 100 may perform object discrimination based on computer vision, image processing, machine learning models, etc. However, the technology used in object recognition and discrimination is not limited to this, and algorithms that have been developed or will be developed in the future may be applied.
  • the computing device 100 may determine whether it is safe based on the object determination result (S120). Additionally, the computing device 100 may determine whether an object is unsafe or safe by considering an object that has been separated and determined within the environmental information. Preferably, the computing device 100 may determine whether the determined object is unstable or safe by applying it to a pre-trained second machine learning model. In addition, the computing device 100 can determine whether something is unsafe or safe based on rule-based learning, machine learning judgment model, etc. However, the technology used to determine safety is not limited to this, and algorithms that have been developed or will be developed in the future may be applied.
  • the computing device 100 may output an augmented reality-based advertisement to smart glasses by considering the decision result (S130). Additionally, the computing device 100 may determine at least one of whether to display an advertisement, the type of advertisement, the size of the advertisement, or the display location by considering the decision result previously determined in S120. Additionally, if the determination result is determined to be safe and no movement is detected for more than a preset time, the computing device 100 may activate an augmented reality-based advertising link item. Additionally, if the determination result is determined to be safe and the computing device 100 is located in an area containing preference information, the computing device 100 may activate an augmented reality-based advertising link item.
  • a computer-readable medium storing a data structure is disclosed.
  • Data structure can refer to the organization, management, and storage of data to enable efficient access and modification of data.
  • Data structure can refer to the organization of data to solve a specific problem (e.g., retrieving data, storing data, or modifying data in the shortest possible time).
  • a data structure may be defined as a physical or logical relationship between data elements designed to support a specific data processing function.
  • Logical relationships between data elements may include connection relationships between user-defined data elements.
  • Physical relationships between data elements may include actual relationships between data elements that are physically stored in a computer-readable storage medium (e.g., a persistent storage device).
  • a data structure may specifically include a set of data, relationships between data, and functions or instructions applicable to the data. Effectively designed data structures allow computing devices to perform computations while minimizing the use of the computing device's resources. Specifically, computing devices can increase the efficiency of operations, reading, insertion, deletion, comparison, exchange, and search through effectively designed data structures.
  • Data structures can be divided into linear data structures and non-linear data structures depending on the type of data structure.
  • a linear data structure may be a structure in which only one piece of data is connected to another piece of data.
  • Linear data structures may include List, Stack, Queue, and Deque.
  • a list can refer to a set of data that has an internal order.
  • the list may include a linked list.
  • a linked list may be a data structure in which data is connected in such a way that each data is connected in a single line with a pointer. In a linked list, a pointer may contain connection information to the next or previous data.
  • a linked list can be expressed as a singly linked list, a doubly linked list, or a circularly linked list.
  • a stack may be a data listing structure that allows limited access to data.
  • a stack can be a linear data structure in which data can be processed (for example, inserted or deleted) at only one end of the data structure.
  • Data stored in the stack may have a data structure (LIFO-Last in First Out) where the later it enters, the sooner it comes out.
  • a queue is a data listing structure that allows limited access to data. Unlike the stack, it can be a data structure (FIFO-First in First Out) where data stored later is released later.
  • a deck can be a data structure that can process data at both ends of the data structure.
  • a non-linear data structure may be a structure in which multiple pieces of data are connected behind one piece of data.
  • Nonlinear data structures may include graph data structures.
  • a graph data structure can be defined by vertices and edges, and an edge can include a line connecting two different vertices.
  • Graph data structure may include a tree data structure.
  • a tree data structure may be a data structure in which there is only one path connecting two different vertices among a plurality of vertices included in the tree. In other words, it may be a data structure that does not form a loop in the graph data structure.
  • Data structures may include neural networks. And the data structure including the neural network may be stored in a computer-readable medium. Data structures including neural networks also include data preprocessed for processing by a neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data acquired from the neural network, activation functions associated with each node or layer of the neural network, neural network It may include a loss function for learning.
  • a data structure containing a neural network may include any of the components disclosed above.
  • the data structure including the neural network includes preprocessed data for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data acquired from the neural network, activation functions associated with each node or layer of the neural network, neural network It may be composed of all or any combination of loss functions for learning.
  • a data structure containing a neural network may include any other information that determines the characteristics of the neural network.
  • the data structure may include all types of data used or generated in the computational process of a neural network and is not limited to the above.
  • Computer-readable media may include computer-readable recording media and/or computer-readable transmission media.
  • a neural network can generally consist of a set of interconnected computational units, which can be referred to as nodes. These nodes may also be referred to as neurons.
  • a neural network consists of at least one node.
  • the data structure may include data input to the neural network.
  • a data structure containing data input to a neural network may be stored in a computer-readable medium.
  • Data input to the neural network may include learning data input during the neural network learning process and/or input data input to the neural network on which training has been completed.
  • Data input to the neural network may include data that has undergone pre-processing and/or data subject to pre-processing.
  • Preprocessing may include a data processing process to input data into a neural network. Therefore, the data structure may include data subject to preprocessing and data generated by preprocessing.
  • the above-described data structure is only an example and the present disclosure is not limited thereto.
  • the data structure may include the weights of the neural network. (In this specification, weights and parameters may be used with the same meaning.) And the data structure including the weights of the neural network may be stored in a computer-readable medium.
  • a neural network may include multiple weights. Weights may be variable and may be varied by the user or algorithm in order for the neural network to perform the desired function. For example, when one or more input nodes are connected to one output node by respective links, the output node is set to the values input to the input nodes connected to the output node and the links corresponding to each input node. Based on the weight, the data value output from the output node can be determined.
  • the above-described data structure is only an example and the present disclosure is not limited thereto.
  • the weights may include weights that are changed during the neural network learning process and/or weights for which neural network learning has been completed.
  • Weights that change during the neural network learning process may include weights that change at the start of the learning cycle and/or weights that change during the learning cycle.
  • the above-described data structure is only an example and the present disclosure is not limited thereto.
  • the data structure including the weights of the neural network may be stored in a computer-readable storage medium (e.g., memory, hard disk) after going through a serialization process.
  • Serialization can be the process of converting a data structure into a form that can be stored on the same or a different computing device and later reorganized and used.
  • Computing devices can transmit and receive data over a network by serializing data structures.
  • Data structures containing the weights of a serialized neural network can be reconstructed on the same computing device or on a different computing device through deserialization.
  • the data structure including the weights of the neural network is not limited to serialization.
  • the data structure including the weights of the neural network is a data structure to increase computational efficiency while minimizing the use of computing device resources (e.g., in non-linear data structures, B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree) may be included.
  • computing device resources e.g., in non-linear data structures, B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree.
  • the data structure may include hyper-parameters of a neural network. And the data structure including the hyperparameters of the neural network can be stored in a computer-readable medium.
  • a hyperparameter may be a variable that can be changed by the user. Hyperparameters include, for example, learning rate, cost function, number of learning cycle repetitions, weight initialization (e.g., setting the range of weight values subject to weight initialization), Hidden Unit. It may include a number (e.g., number of hidden layers, number of nodes in hidden layers).
  • the above-described data structure is only an example and the present disclosure is not limited thereto.
  • Figure 6 is a conceptual diagram of a computing environment according to an embodiment of the present disclosure.
  • program modules include routines, programs, components, data structures, etc. that perform specific tasks or implement specific abstract data types.
  • routines programs, components, data structures, etc. that perform specific tasks or implement specific abstract data types.
  • program modules include routines, programs, components, data structures, etc. that perform specific tasks or implement specific abstract data types.
  • the described embodiments of the disclosure can also be practiced in distributed computing environments where certain tasks are performed by remote processing devices that are linked through a communications network.
  • program modules may be located in both local and remote memory storage devices.
  • Computers typically include a variety of computer-readable media.
  • Computer-readable media can be any medium that can be accessed by a computer, and such computer-readable media includes volatile and non-volatile media, transitory and non-transitory media, removable and non-transitory media. Includes removable media.
  • Computer-readable media may include computer-readable storage media and computer-readable transmission media.
  • Computer-readable storage media refers to volatile and non-volatile media, transient and non-transitory media, removable and non-removable, implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. Includes media.
  • Computer readable storage media may include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage, magnetic cassette, magnetic tape, magnetic disk storage or other magnetic storage. This includes, but is not limited to, a device, or any other medium that can be accessed by a computer and used to store desired information.
  • a computer-readable transmission medium typically implements computer-readable instructions, data structures, program modules, or other data on a modulated data signal, such as a carrier wave or other transport mechanism. Includes all information delivery media.
  • modulated data signal refers to a signal in which one or more of the characteristics of the signal have been set or changed to encode information within the signal.
  • computer-readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above are also intended to be included within the scope of computer-readable transmission media.
  • System bus 1108 couples system components, including but not limited to system memory 1106, to processing unit 1104.
  • Processing unit 1104 may be any of a variety of commercially available processors. Dual processors and other multiprocessor architectures may also be used as processing unit 1104.
  • System bus 1108 may be any of several types of bus structures that may further be interconnected to a memory bus, peripheral bus, and local bus using any of a variety of commercial bus architectures.
  • System memory 1106 includes read only memory (ROM) 1110 and random access memory (RAM) 1112.
  • the basic input/output system (BIOS) is stored in non-volatile memory 1110, such as ROM, EPROM, and EEPROM, and is a basic input/output system that helps transfer information between components within the computer 1102, such as during startup. Contains routines.
  • RAM 1112 may also include high-speed RAM, such as static RAM, for caching data.
  • Computer 1102 may also include an internal hard disk drive (HDD) 1114 (e.g., EIDE, SATA)—the internal hard disk drive 1114 may also be configured for external use within a suitable chassis (not shown).
  • HDD hard disk drive
  • FDD magnetic floppy disk drive
  • optical disk drive 1120 e.g., a CD-ROM for reading the disk 1122 or reading from or writing to other high-capacity optical media such as DVDs.
  • Hard disk drive 1114, magnetic disk drive 1116, and optical disk drive 1120 are connected to system bus 1108 by hard disk drive interface 1124, magnetic disk drive interface 1126, and optical drive interface 1128, respectively. ) can be connected to.
  • the interface 1124 for implementing an external drive includes at least one or both of Universal Serial Bus (USB) and IEEE 1394 interface technologies.
  • drives and their associated computer-readable media provide non-volatile storage of data, data structures, computer-executable instructions, and the like.
  • drive and media correspond to storing any data in a suitable digital format.
  • removable optical media such as HDDs, removable magnetic disks, and CDs or DVDs
  • removable optical media such as zip drives, magnetic cassettes, flash memory cards, cartridges, etc.
  • other types of computer-readable media, such as the like may also be used in the example operating environment and that any such media may contain computer-executable instructions for performing the methods of the present disclosure.
  • a number of program modules may be stored in drives and RAM 1112, including an operating system 1130, one or more application programs 1132, other program modules 1134, and program data 1136. All or portions of the operating system, applications, modules and/or data may also be cached in RAM 1112. It will be appreciated that the present disclosure may be implemented on various commercially available operating systems or combinations of operating systems.
  • a user may enter commands and information into computer 1102 through one or more wired/wireless input devices, such as a keyboard 1138 and a pointing device such as mouse 1140.
  • Other input devices may include microphones, IR remote controls, joysticks, game pads, stylus pens, touch screens, etc.
  • input device interface 1142 which is often connected to the system bus 1108, but may also include a parallel port, an IEEE 1394 serial port, a game port, a USB port, an IR interface, It can be connected by other interfaces, etc.
  • a monitor 1144 or other type of display device is also connected to system bus 1108 through an interface, such as a video adapter 1146.
  • computers typically include other peripheral output devices (not shown) such as speakers, printers, etc.
  • Computer 1102 may operate in a networked environment using logical connections to one or more remote computers, such as remote computer(s) 1148, via wired and/or wireless communications.
  • Remote computer(s) 1148 may be a workstation, computing device computer, router, personal computer, portable computer, microprocessor-based entertainment device, peer device, or other conventional network node, and is generally connected to computer 1102.
  • the logical connections depicted include wired/wireless connections to a local area network (LAN) 1152 and/or a larger network, such as a wide area network (WAN) 1154.
  • LAN and WAN networking environments are common in offices and companies and facilitate enterprise-wide computer networks, such as intranets, all of which can be connected to a worldwide computer network, such as the Internet.
  • computer 1102 When used in a LAN networking environment, computer 1102 is connected to local network 1152 through wired and/or wireless communication network interfaces or adapters 1156. Adapter 1156 may facilitate wired or wireless communication to LAN 1152, which also includes a wireless access point installed thereon for communicating with wireless adapter 1156.
  • the computer 1102 When used in a WAN networking environment, the computer 1102 may include a modem 1158 or be connected to a communicating computing device on the WAN 1154 or to establish communications over the WAN 1154, such as via the Internet. Have other means. Modem 1158, which may be internal or external and a wired or wireless device, is coupled to system bus 1108 via serial port interface 1142.
  • program modules described for computer 1102, or portions thereof may be stored in remote memory/storage device 1150. It will be appreciated that the network connections shown are exemplary and that other means of establishing a communications link between computers may be used.
  • Computer 1102 may be associated with any wireless device or object deployed and operating in wireless communications, such as a printer, scanner, desktop and/or portable computer, portable data assistant (PDA), communications satellite, wirelessly detectable tag. Performs actions to communicate with any device or location and telephone. This includes at least Wi-Fi and Bluetooth wireless technologies. Accordingly, communication may be a predefined structure as in a conventional network or may simply be ad hoc communication between at least two devices.
  • wireless communications such as a printer, scanner, desktop and/or portable computer, portable data assistant (PDA), communications satellite, wirelessly detectable tag.
  • PDA portable data assistant
  • Wi-Fi Wireless Fidelity
  • Wi-Fi is a wireless technology, like cell phones, that allows these devices, such as computers, to send and receive data indoors and outdoors, anywhere within the coverage area of a base station.
  • Wi-Fi networks use wireless technology called IEEE 802.11 (a, b, g, etc.) to provide secure, reliable, and high-speed wireless connections.
  • Wi-Fi can be used to connect computers to each other, the Internet, and wired networks (using IEEE 802.3 or Ethernet).
  • Wi-Fi networks can operate in the unlicensed 2.4 and 5 GHz wireless bands, for example, at data rates of 11 Mbps (802.11a) or 54 Mbps (802.11b), or in products that include both bands (dual band). .
  • the various embodiments presented herein may be implemented as a method, apparatus, or article of manufacture using standard programming and/or engineering techniques.
  • article of manufacture includes a computer program, carrier, or media accessible from any computer-readable storage device.
  • computer-readable storage media include magnetic storage devices (e.g., hard disks, floppy disks, magnetic strips, etc.), optical disks (e.g., CDs, DVDs, etc.), smart cards, and flash. Includes, but is not limited to, memory devices (e.g., EEPROM, cards, sticks, key drives, etc.).
  • various storage media presented herein include one or more devices and/or other machine-readable media for storing information.
  • the present disclosure can be used in devices, systems, etc. that provide a method of displaying augmented reality-based advertisements on smart glasses that can recognize surrounding objects and control advertisement exposure states.

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 스마트 안경에 광고를 디스플레이하는 방법이 개시된다. 상기 방법은, 상기 스마트 안경으로부터 환경 정보를 획득하는 단계; 상기 환경 정보를 기초로 객체 판별을 수행하는 단계; 상기 객체 판별 결과를 기초로 안전성 여부를 판단하는 단계; 및 판단 결과를 고려하여 상기 스마트 안경에 증강현실 기반의 광고를 출력하는 단계를 포함할 수 있다.

Description

스마트 안경에 광고를 디스플레이하는 방법
본 발명은 광고를 디스플레이하는 방법에 관한 것으로, 보다 구체적으로 스마트 안경에 증강현실 기반의 광고를 디스플레이하는 기술에 관한 것이다.
증강현실(Augmented reality, AR)은 가상현실(VR)의 한 분야로 사용자가 눈으로 보는 현 세계에 가상의 사물이나 정보를 합성하여 마치 원래의 환경에 존재하는 사물처럼 보이도록 하는 컴퓨터 그래픽 기법이다. 이러한 특징 때문에 다양한 현실 환경에 응용이 가능하여 유비쿼터스 환경에 적합한 차세대 디스플레이 기술로 각광받고 있다.
스마트 글래스(smart glass)는 전방의 사물을 볼 수 있는 안경 본연의 기능과 컴퓨터의 기능을 동시에 제공하는 장치로서, 얼굴에 착용 가능한 웨어러블(wearable) 디바이스의 하나이다. 또한, 스마트 글래스는 외안경 또는 쌍안경 형태의 디스플레이를 통해 사용자에게 원하는 정보를 제공한다. 블루투스, Wi-Fi 등과 같은 무선통신 기술을 지원하며, 인터넷 연결을 통해 실시간으로 정보를 검색하고 공유할 수 있다.
스마트 글래스는 애플리케이션 개발을 통해 사용자에게 다양한 서비스를 제공할 수 있다. 예컨대, 병원에서는 두 손을 사용하여 수술을 진행하고 있는 외과 의사에게 스마트 글래스를 통해 환자의 상태에 대한 정보를 제공할 수 있다. 또한, 택배 회사와 같은 물류 분야에서는 스마트 글래스를 착용한 작업자가 두 손을 자유롭게 활용하면서 동시에 물품의 운송 정보를 확인할 수 있으므로 업무 효율성을 개선할 수 있다. 스마트 글래스는, 의료, 관광, 교육 및 물류 등과 같은 다양한 분야에서 융합적으로 활용 가능하다.
대한민국 공개특허 제2014-0080720호(2014.07.01)는 증강현실영상 기반의 관광 가이드 장치에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 주변 사물을 인식하여 광고 노출상태를 제어할 수 있는 스마트 안경에 증강현실 기반의 광고를 디스플레이하는 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은, 상기 스마트 안경에 의해 획득된 환경 정보에 기초하여, 객체 판별을 수행하는 단계; 상기 객체 판별 결과를 기초로 안전성 여부를 판단하는 단계; 및 판단 결과를 고려하여 상기 스마트 안경에 증강현실 기반의 광고를 출력하는 단계를 포함할 수 있다.
대안적으로, 상기 객체 판별을 수행하는 단계는, 상기 환경 정보에 포함된 객체를 구분하여 인식하는 객체 분리를 수행한 뒤에, 상기 객체 판별을 수행하는 단계를 포함할 수 있다.
대안적으로, 상기 안전성 여부를 판단하는 단계는, 상기 환경 정보 내에서 분리되어 판별된 객체를 고려하여, 불안전 또는 안전 여부를 판단하는 단계를 포함할 수 있다.
대안적으로, 상기 광고를 출력하는 단계는, 상기 판단 결과를 고려하여 상기 광고의 표시 여부, 광고의 종류, 광고의 크기 또는 표시 위치 중 적어도 어느 하나를 결정하는 단계를 포함할 수 있다.
대안적으로, 상기 광고를 출력하는 단계는, 상기 판단 결과가 안전으로 판단되고, 미리 설정된 시간 이상 움직임이 감지되지 않은 경우, 증강현실 기반의 광고 링크 항목을 활성화시키는 단계를 더 포함할 수 있다.
대안적으로, 상기 광고를 출력하는 단계는, 상기 판단 결과가 안전으로 판단되고, 선호 정보가 포함된 영역에 위치하는 경우, 증강현실 기반의 광고 링크 항목을 활성화시키는 단계를 더 포함할 수 있다.
대안적으로, 상기 객체 판별을 수행하는 단계는, 컴퓨터 비전(Computer Vision), 이미지 프로세싱(Image processing), 또는 기계학습 모델 중 적어도 어느 하나에 기초하여, 분류(Classification), 객체 탐지(Object detection), 세그먼테이션(Segmentation), 또는 인스턴스 세그먼테이션(Instance segmentation) 중 적어도 어느 하나를 수행하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 스마트 안경에 광고를 디스플레이하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 상기 스마트 안경으로부터 획득된 환경 정보에 기초하여, 객체 판별을 수행하는 동작; 상기 객체 판별 결과를 기초로 안전성 여부를 판단하는 동작; 및 판단 결과를 고려하여 상기 스마트 안경에 증강현실 기반의 광고를 출력하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어를 포함하는 프로세서; 및 상기 프로세서에서 실행 가능한 프로그램 코드들을 포함하는 메모리를 포함하고, 상기 프로세서는, 상기 스마트 안경으로부터 획득된 환경 정보를 기초로 객체 판별을 수행하고, 상기 객체 판별 결과를 기초로 안전성 여부를 판단하고, 판단 결과를 고려하여 상기 스마트 안경에 증강현실 기반의 광고를 출력하도록 구성될 수 있다.
본 개시는 사용자의 안전을 보장하는 한도 내에서 광고의 효율성을 높일 수 있는 스마트 안경에 광고를 디스플레이하는 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 스마트 안경에 증강현실 기반의 광고를 디스플레이하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개념도이다.
도 3은 본 개시의 일 실시예에 따른 세그먼테이션 분리를 수행하는 과정을 설명하기 위한 도면이다.
도 4는 본 개시의 일 실시예에 따른 선호 정보를 고려하여 증강현실 기반의 광고 링크 항목을 활성화시키는 과정을 설명하기 위한 도면이다.
도 5는 본 개시의 일 실시예에 따른 스마트 안경에 광고를 디스플레이하는 방법을 나타낸 순서도이다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개념도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다.
도 1은 본 개시의 일 실시예에 따른 스마트 안경에 증강현실 기반의 광고를 디스플레이하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다. 본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 스마트 안경의 일 영역에 포함(구비)되거나, 스마트 안경과 통신하는 장치의 형태로 구현될 수 있으며, 이러한 예시들 이외에도 다양한 방식으로 구현될 수 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다. 다만, 컴퓨팅 장치(100)의 구성이 이에 한정되는 것은 아니다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 스마트 안경에 의해 획득된 환경 정보를 기초로 객체 판별을 수행하고, 객체 판별 결과를 기초로 안전성 여부를 판단할 수 있다. 또한, 프로세서(110)는 안전성 여부 판단 결과 안전으로 판단된 경우, 스마트 안경에 증강현실 기반의 광고를 출력할 수 있다. 여기서, 환경 정보는, 스마트 안경을 착용하고 있는 사용자가 바라보는 시선 또는 기타 추가된 정보가 포함된 영상일 수 있다. 또한, 프로세서(110)는 환경 정보에 포함된 객체를 구분하여 인식하는 객체 분리를 수행한 뒤에, 객체 판별을 수행할 수 있다. 프로세서(110)는 분류(Classification), 객체 탐지(Object detection), 인스턴스 세그먼테이션(Instance segmentation), 컴퓨터 비전(Computer Vision), 이미지 프로세싱(Image processing) 및 기계학습 모델 중 적어도 어느 하나를 고려하여 객체 분리 및 객체 판별을 수행할 수 있다. 다만, 객체 분리 및 객체 판별에 사용되는 모델(방법)이 이에 한정되는 것은 아니며, 기 개발되었거나 향후 개발되는 알고리즘이 적용될 수 있다. 일 예로, 프로세서(110)는 환경 정보를 사전에 학습된 제 1 기계 학습 모델에 적용하여 세그먼테이션(Segmentation) 분리를 수행할 수 있다. 또한, 프로세서(110)는 사용자가 위치한 주변 환경 정보에 대하여 세그먼테이션(Segmentation) 분리를 수행하여 객체를 판별할 수 있다. 또한, 프로세서(110)는 환경 정보 내에서 분리되어 판별된 객체 각각에 대하여 안전성(불안전 또는 안전) 여부를 판단할 수 있다. 바람직하게는, 프로세서(110)는 판별된 객체를 사전에 학습된 제 2 기계 학습 모델에 적용하여 불안전 또는 안전 여부를 판단할 수 있다. 이외에도, 프로세서(110)는 룰 기반 학습(Rule Based Learning) 및 판단을 위한 기계 학습 등의 모델 등을 이용하여 판별된 객체에 대한 안전성 여부를 판단할 수 있다. 다만, 안전성 판단에 사용되는 학습 모델이 이에 한정되는 것은 아니며, 기 개발되었거나 향후 개발되는 알고리즘이 적용될 수 있다. 또한, 프로세서(110)는 판단 결과가 안전일 경우에만 스마트 안경으로 증강현실 기반의 광고를 출력할 수 있다. 즉, 프로세서(110)는 스마트 안경에 의해 획득되는 환경 정보를 세그먼테이션하여 주변 사물(객체)을 인식한 결과를 고려하여 광고 노출 상태를 제어함으로써 사용자의 안전을 보장하는 한도 내에서 광고의 효율성을 높일 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 본 명세서에서 제시되는 네트워크부(150)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(LAN: Local Area Network), 개인 통신망(PAN: Personal Area Network), 광역 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.
본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.
네트워크부(150)는 기계 학습과 관련된 정보를 송 수신할 수 있다. 예를 들어, 네트워크부(150)는 다양한 장치 또는 시스템과의 관계에서 환경 정보 및 안전성 여부 판단 정보를 송수신할 수 있다. 이때, 송수신되는 환경 정보 및 안전성 여부 판단 정보는, 신경망 모델의 학습용 데이터, 추론용 데이터, 또는 추론 결과 데이터일 수 있다. 환경 정보 및 안전성 여부 판단 정보는 상술한 예시의 정보들을 포함할 수 있으나, 상술한 예시에 제한되지 않고, 당업자가 이해할 수 있는 범위 내에서 다양하게 구성될 수 있다.
또한, 네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(110)에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부(150)는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(110)는 네트워크부(150)로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.
한편, 본 개시의 다른 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스(access)할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 외부 데이터베이스로부터 기계 학습을 위한 정보를 수신하여 객체 판별을 수행하고, 객체 판별 결과를 기초로 안전성 여부 판단 결과가 안전인 경우 증강현실 기반의 광고를 생성하여 사용자 인터페이스를 사용자 단말(예컨대, 스마트 안경 자체, 또는 스마트 안경과 연결된 사용자 단말)로 제공할 수 있다. 이때, 사용자 단말은 서버인 컴퓨팅 장치(100)로부터 수신한 사용자 인터페이스를 출력하고, 사용자와의 상호 작용을 통해 정보를 입력 받거나 처리할 수 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개념도다.
본 개시의 일 실시예에 따른 기계 학습 모델(신경망 모델)은 객체 판별 및/또는 안전성 여부를 판단하는 신경망을 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
심층 신경망(DNN: deep neural network)은 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 심층 신경망을 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 심층 신경망은 컨볼루션 신경망(CNN: convolutional neural network), 리커런트 신경망(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 심층 신경망의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 신경망은 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
신경망은 교사 학습, 비교사 학습(unsupervised learning), 반교사 학습(semi supervised learning), 또는 강화 학습 중 적어도 하나의 방식으로 학습될 수 있다. 신경망의 학습은 특정한 동작을 수행하기 위한 지식을 신경망에 적용하는 과정일 수 있다.
신경망은 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 신경망의 학습에서 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 신경망의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 신경망에 입력되고, 신경망의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 신경망 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
신경망의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 신경망을 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 신경망이 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
이하에서는 도 3 및 도 4를 기반으로 환경 정보를 기초로 객체 판별을 수행하고, 안전성 여부를 판단하여 스마트 안경에 증강현실 기반의 광고를 출력하는 실시예를 설명하고자 한다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 스마트 안경으로부터 환경 정보를 획득할 수 있다. 일예로, 환경 정보는, 스마트 안경을 착용하고 있는 사용자의 사용자가 바라보는 시선 방향 또는 기타 추가된 정보가 포함된 영상일 수 있다. 또한, 환경 정보는, 스마트 안경에 포함된 카메라 및 이미지 센서로부터 획득된 정보를 포함할 수 있다. 다른 일예로, 환경 정보는, 스마트 안경에 포함된 복수의 센서(예컨대, 가속도 센서, 모션 센서, 마이크 등)로부터 수집된 정보를 포함할 수 있다. 환경 정보에는, 현재 사용자가 위치한 곳에 따라 다양한 객체가 포함될 수 있다.
도 3은 본 개시의 일 실시예에 따른 세그먼테이션 분리를 수행하는 과정을 설명하기 위한 도면이다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 스마트 안경에 의해 획득된 환경 정보를 기초로 객체 판별을 수행할 수 있다. 또한, 프로세서(110)는 환경 정보에 포함된 객체를 구분하여 인식하는 객체 분리를 수행한 뒤에, 객체 판별을 수행할 수 있다. 바람직하게는, 프로세서(110)는 환경 정보를 사전에 학습된 제 1 기계 학습 모델에 적용하여 세그먼테이션(Segmentation) 분리를 수행할 수 있다. 프로세서(110)는 환경 정보에 포함된 적어도 하나 이상의 객체를 인식할 수 있다. 일예로, 도 3을 참조하면, 프로세서(110)는 환경 정보 내에 포함된 객체 각각을 인식할 수 있다. 예시적으로, 프로세서(110)는 제 1 객체(A), 제 2 객체(B), 제 3 객체(C)가 동일한 사람이지만 각각을 따로 구분하여 인식할 수 있다. 또한, 제 4 객체(D)는 나무, 제 5 객체(E)는 건물로 구분하여 인식할 수 있다.
본 개시의 일 실시예에 따라, 제 1 기계 학습 모델은 입력된 환경 정보(예컨대, 이미지 데이터)를 세그먼테이션하여 객체를 분류할 수 있다. 예를 들어, 제 1 기계 학습 모델은 환경 정보(예컨대, 이미지 데이터) 내에 포함된 객체가 건물인지 사람인지 분류할 수 있다. 또한, 제 1 기계 학습 모델은 입력된 환경 정보(예컨대, 이미지 데이터) 내에 포함된 픽셀을 분류하여 이미지 내 객체의 경계선을 배경과 구분하여 객체를 감지할 수 있다. 또한, 제 1 기계 학습 모델은 같은 종류(class)인 오브젝트(객체)들을 같은 영역 또는 색으로 분할하는 시맨틱 세그먼테이션(Semantic Segmentation) 및/또는 인스턴스 세그먼테이션(Instance Segmentation)를 포함할 수 있다. 프로세서(110)는 시맨틱 세그먼테이션을 통해 객체 세그먼테이션 진행 후, 같은 종류(class)인 오브젝트들은 같은 영역 또는 색으로 분할할 수 있다. 예를 들어, 이미지내 적어도 하나 이상의 사람이 있는 경우, 프로세서(110)는 사람들을 같은 영역 또는 색으로 영역을 분할할 수 있다. 프로세서(110)는 인스턴스 세그먼테이션을 통해 객체들이 같은 종류인 경우에도, 서로 다른 객체로 구분할 수 있다. 예를 들어, 이미지내 적어도 하나 이상의 사람이 있는 경우, 프로세서(110)는 사람들을 다른 영역 또는 색으로 분할할 수 있다. 또한, 프로세서(110)는 입력된 환경 정보(예컨대, 이미지 데이터) 내 적어도 하나 이상의 객체를 인식할 수 있다. 프로세서(110)는 환경 정보(예컨대, 이미지 데이터)에 사람, 동물, 건물, 자동차 등과 같은 객체가 포함되어 있는 경우, 각각의 사람, 동물, 건물, 자동차 등과 같은 객체를 인식할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
이외에도, 프로세서(110)는 분류(Classification), 객체 탐지(Object detection), 인스턴스 세그먼테이션(Instance segmentation) 등 다양한 방법을 통해 환경 정보에 대한 객체 분리를 수행할 수 있다. 예를 들어, 프로세서(110)는 복수의 분류 알고리즘 중 적어도 어느 하나를 이용하여 환경 정보(예컨대, 이미지 데이터)에 포함된 객체를 인식할 수 있다. 또한, 프로세서(110)는 객체 탐지에서 수행되는 Image retrieval(이미지 검색), Image annotation(이미지 주석), Face detection(얼굴 인식), Image Classification(이미지 분류) 등으로부터 환경 정보(예컨대, 이미지 데이터)에 포함된 객체를 인식할 수 있다.
또한, 프로세서(110)는 컴퓨터 비전(Computer Vision), 이미지 프로세싱(Image processing), 기계학습 모델 등을 통해 환경 정보에 포함된 객체 판별을 수행할 수 있다. 일 예로, 컴퓨터 비전은 객체 분류(Object Classification), 객체 탐지 및 위치 식별 (Object Detection & Localization), 객체 분할(Object Segmentation), 이미지 캡셔닝(Image captioning), 객체 추적(Object Tracking), 행동 분류(Action Classification) 등의 기술을 포함하여, 환경 정보(예컨대, 이미지 데이터)에 포함된 객체를 판별할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 환경 정보 내에서 분리되어 판별된 객체 판별 결과를 기초로 안전성 여부를 판단할 수 있다. 일예로, 프로세서(110)는 판별된 객체를 사전에 학습된 제 2 기계 학습 모델에 적용하여 불안전 또는 안전 여부를 판단할 수 있다. 이외에도, 프로세서(110)는 룰 기반 학습(Rule Based Learning) 및 기계 학습 등의 모델을 기반으로 환경 정보 내에서 분리되어 판별된 객체 판별 결과를 기초로 안전성 여부를 판단할 수 있다. 일 예로, 불안전은 스마트 안경을 착용하고 있는 사용자를 기준으로 미리 설정된 영역 안에 객체가 포함되는 경우일 수 있다. 달리 말해, 불안전은 사용자가 위치한 영역에서 광고를 표시함에 있어서 장애물, 사람 등의 위험요소가 판별(검출)된 것일 수 있다. 반면, 프로세서(110)는 스마트 안경을 착용하고 있는 사용자를 기준으로 미리 설정된 영역 안에 객체가 포함되지 않은 경우, 안전하다고 판단할 수 있다. 예시적으로, 미리 설정된 영역은 스마트 안경을 착용하고 있는 사용자가 현재 위치한 위치 정보를 중점으로, 중점으로 10m, 30m, 50m, 100m 등의 일정한 반경을 가진 원의 형태일 수 있다. 다만, 미리 설정된 영역이 이에 한정되는 것은 아니며 다양한 형태를 포함할 수 있다. 예시적으로, 프로세서(110)는 제 2 기계 학습 모델을 통해 데이터베이스에 저장된 불안전 요소로 분류된 객체와 판별된 객체 간의 유사성을 판단할 수 있다. 불안전 요소는, 장애물, 차량, 미리 설정된 영역 이내에 위치한 사람, 공사 표지판 등을 포함할 수 있다. 다만, 불안전 요소에 대한 구성이 이에 한정되는 것은 아니다. 일예로, 도 3을 참조하면, 프로세서(110)는 미리 설정된 영역 안에 제 1 객체(A) 내지 제 5 객체(E) 중 적어도 어느 하나가 포함된 경우, 불안전으로 판단할 수 있다. 반면, 프로세서(110)는 미리 설정된 영역 안에 제 1 객체(A) 내지 제 5 객체(E)가 포함되지 않은 경우, 안전으로 판단할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 판단 결과를 고려하여 스마트 안경에 증강현실 기반의 광고(30)를 출력할 수 있다. 일 예로, 증강현실 기반의 광고(30)는 광고 대행사 서버에서 하나 이상의 광고주와의 계약된 내용에 따라 제작된 광고 컨텐츠를 포함할 수 있다. 또한, 증강현실 기반의 광고(30)는 현재 위치 정보를 고려하여 출력(생성)될 수 있다. 또한, 증강현실 기반의 광고(30)는 스마트 안경을 착용하고 이는 사용자의 개인정보(예컨대, 연령 및 성별 등)를 고려하여 출력(생성)될 수 있다. 또한, 프로세서(110)는 판단 결과 불안전인 경우, 증강현실 기반의 광고가 출력(표시)되지 않도록 할 수 있다. 반면, 프로세서(110)는 스마트 안경을 착용하고 있는 사용자를 기준으로 미리 설정된 영역 안에 객체가 포함되지 않은 경우, 즉, 판단 결과 안전인 경우, 스마트 안경에 증강현실 기반의 광고(30)가 출력되도록 할 수 있다.
또한, 프로세서(110)는 판단 결과를 고려하여 광고의 표시 여부, 광고의 종류, 광고의 크기 또는 표시 위치 중 적어도 어느 하나를 결정할 수 있다. 예를 들어, 프로세서(110)는 판단 결과 안전인 경우 광고를 표시하고, 판단 결과 불안전인 경우 광고를 표시하지 않을 수 있다. 또한, 프로세서(110)는 판단 결과 안전인 경우, 랜덤하게, 위치 정보 또는 개인 정보 등을 고려하여 광고의 종류를 결정할 수 있다. 프로세서(110)는 판단 결과 안전인 경우, 증강현실 기반의 광고를 바닥 또는 건물의 벽 등에 표시될 수 있도록 표시 위치를 결정할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 판단 결과가 안전으로 판단되고, 미리 설정된 시간 이상 움직임이 감지되지 않은 경우, 증강현실 기반의 광고 링크 항목(301)을 활성화시킬 수 있다. 예를 들어, 프로세서(110)는 스마트 안경을 착용하고 있는 사용자를 기준으로 미리 설정된 영역 안에 객체가 포함되지 않은 경우(즉, 판단 결과가 안전이고), 미리 설정된 시간(예컨대, 5초) 이상 움직임이 감지되지 않은 경우, 단순 증강현실 기반의 광고(30)에 포함된 광고 링크 항목(310)을 활성화시킬 수 있다. 달리 말해, 사용자 주변에 위험 상황이 발생하지 않을 것이라고 예측된 상황에서 사용자가 보다 더 구체화된 광고를 제공받을 수 있도록, 프로세서(110)는 증강현실 기반의 광고 링크 항목(301)을 활성화시킬 수 있다. 일예로, 미리 설정된 시간 이상 움직임이 감지되지 않은 경우는, 보행 중이던 사용자가 보행을 멈추는 경우, 신호를 기다리는 경우 등을 포함할 수 있다. 다른 일예로, 프로세서(110)는 판단 결과가 안전으로 판단되고, 미리 설정된 시간 이상 움직임이 감지되지 않으며, 사용자의 시선 위치의 변화가 감지된 경우, 증강현실 기반의 광고 링크 항목(301)을 활성화시킬 수 있다. 사용자의 시선 위치의 변화가 감지된 경우는, 사용자가 의자에 앉아 있는 상황 등을 포함할 수 있다. 또 다른 일예로, 프로세서(110)는 판단 결과가 안전으로 판단되고, 미리 설정된 시간 이상 움직임이 감지되지 않으며, 객체 판단 결과에 신호등이 포함되고 신호등이 빨간불인 경우(예컨대, 사용자가 신호를 기다리고 있는 상황), 증강현실 기반의 광고 링크 항목(301)을 활성화시킬 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 4는 본 개시의 일 실시예에 따른 선호 정보를 고려하여 증강현실 기반의 광고 링크 항목을 활성화시키는 과정을 설명하기 위한 도면이다. 또한, 도 4는 스마트 안경에 표시되는 증강현실 기반의 광고(30)를 개략적으로 나타낸 도면일 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 판단 결과가 안전으로 판단되고, 선호 정보가 포함된 영역에 위치하는 경우, 증강현실 기반의 광고 링크 항목(301)을 활성화시킬 수 있다. 선호 정보는, 사용자가 미리 설정한 정보를 포함할 수 있다. 또한, 선호 정보는, 사용자의 SNS 정보를 고려하여 추출된 정보일 수 있다. 프로세서(110)는 사용자 단말에 설치된 어플리케이션을 통해 선호 정보를 획득할 수 있다. 예시적으로 도 4를 참조하면, 제 5 객체(E)로 판별된 건물이 선호 정보에 포함된 경우, 프로세서(110)는 판단 결과를 고려하여 증강현실 기반의 광고(30)에 포함된 증강현실 기반의 광고 링크 항목(301)을 활성화시킬 수 있다. 광고 링크 항목(301)은 해당 광고를 보다 상세히(자세히) 나타낸 컨텐츠를 포함할 수 있다. 프로세서(110)는 스마트 안경을 통해 사용자가 광고 링크 항목(301)을 선택(클릭)한 경우, 해당 광고를 보다 상세히(자세히) 나타낸 컨텐츠를 스마트 안경으로 제공할 수 있다.
한편, 스마트 안경 또는 홀로렌즈에 광고를 디스플레이함에 있어서 사용자의 상황을 고려하지 않고 광고가 노출되는 경우 사용자의 시야를 방해하여 안전에 문제가 생길 여지가 있다. 따라서, 프로세서(110)는 스마트 안경 또는 홀로렌즈 등으로부터 주변 환경 정보를 획득하고, 세그먼테이션 분리를 수행하여 주변 사물(객체)을 인식하여 사용자의 안전이 보장된 상황에서만 광고를 출력시킬 수 있다.
도 5는 본 개시의 일 실시예에 따른 스마트 안경에 광고를 디스플레이하는 방법을 나타낸 순서도이다.
도 5를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 스마트 안경에 의해 획득된 환경 정보를 기초로 객체 판별을 수행할 수 있다(S110). 또한, 컴퓨팅 장치(100)는 환경 정보에 포함된 객체를 구분하여 인식하는 객체 분리를 수행한 뒤에, 객체 판별을 수행할 수 있다. 바람직하게는, 컴퓨팅 장치(100)는 환경 정보를 사전에 학습된 제 1 기계 학습 모델에 적용하여 세그먼테이션(Segmentation) 분리를 수행할 수 있다. 이외에도, 컴퓨팅 장치(100)는 분류(Classification), 객체 탐지(Object detection), 인스턴스 세그먼테이션(Instance segmentation) 등을 기반으로 환경 정보에 포함된 객체를 구분하여 인식할 수 있다. 또한, 컴퓨팅 장치(100)는 컴퓨터 비전(Computer Vision), 이미지 프로세싱(Image processing), 기계학습 모델 등을 기반으로 객체 판별을 수행할 수 있다. 다만, 객체 인식 및 판별에 있어서 사용되는 기술이 이에 한정되는 것은 아니며, 기 개발되었거나 향후 개발되는 알고리즘이 적용될 수 있다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 객체 판별 결과를 기초로 안전성 여부를 판단할 수 있다(S120). 또한, 컴퓨팅 장치(100)는 환경 정보 내에서 분리되어 판별된 객체를 고려하여, 불안전 또는 안전 여부를 판단할 수 있다. 바람직하게는, 컴퓨팅 장치(100)는 판별된 객체를 사전에 학습된 제 2 기계 학습 모델에 적용하여 불안정 또는 안전 여부를 판단할 수 있다. 이외에도, 컴퓨팅 장치(100)는 룰 기반 학습(Rule Based Learning), 기계 학습 판단 모델 등을 기반으로 불안전 또는 안전 여부를 판단할 수 있다. 다만, 안전성 여부 판별에 있어서 사용되는 기술이 이에 한정되는 것은 아니며, 기 개발되었거나 향후 개발되는 알고리즘이 적용될 수 있다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 판단 결과를 고려하여 스마트 안경에 증강현실 기반의 광고를 출력할 수 있다(S130). 또한, 컴퓨팅 장치(100)는 앞서 S120에서 판단된 판단 결과를 고려하여 광고의 표시 여부, 광고의 종류, 광고의 크기 또는 표시 위치 중 적어도 어느 하나를 결정할 수 있다. 또한, 컴퓨팅 장치(100)는 판단 결과가 안전으로 판단되고, 미리 설정된 시간 이상 움직임이 감지되지 않은 경우, 증강현실 기반의 광고 링크 항목을 활성화시킬 수 있다. 또한, 컴퓨팅 장치(100)는 판단 결과가 안전으로 판단되고, 선호 정보가 포함된 영역에 위치하는 경우, 증강현실 기반의 광고 링크 항목을 활성화시킬 수 있다.
한편, 본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개념도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
상기와 같이 발명의 실시를 위한 최선의 형태에서 관련 내용을 기술하였다.
본 개시는 주변 사물을 인식하여 광고 노출상태를 제어할 수 있는 스마트 안경에 증강현실 기반의 광고를 디스플레이하는 방법을 제공하는 디바이스, 시스템 등에 사용될 수 있다.

Claims (9)

  1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 스마트 안경에 광고를 디스플레이하는 방법으로서,
    상기 스마트 안경에 의해 획득된 환경 정보에 기초하여, 객체 판별을 수행하는 단계;
    상기 객체 판별 결과를 기초로 안전성 여부를 판단하는 단계; 및
    판단 결과를 고려하여 상기 스마트 안경에 증강현실 기반의 광고를 출력하는 단계;
    를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    상기 객체 판별을 수행하는 단계는,
    상기 환경 정보에 포함된 객체를 구분하여 인식하는 객체 분리를 수행한 뒤에, 상기 객체 판별을 수행하는 단계
    를 포함하는,
    방법.
  3. 제 2 항에 있어서,
    상기 안전성 여부를 판단하는 단계는,
    상기 환경 정보 내에서 분리되어 판별된 객체를 고려하여, 불안전 또는 안전 여부를 판단하는 단계
    를 포함하는,
    방법.
  4. 제 3 항에 있어서,
    상기 광고를 출력하는 단계는,
    상기 판단 결과를 고려하여 상기 광고의 표시 여부, 광고의 종류, 광고의 크기 또는 표시 위치 중 적어도 어느 하나를 결정하는 단계
    를 포함하는,
    방법.
  5. 제 1 항에 있어서,
    상기 광고를 출력하는 단계는,
    상기 판단 결과가 안전으로 판단되고, 미리 설정된 시간 이상 움직임이 감지되지 않은 경우, 증강현실 기반의 광고 링크 항목을 활성화시키는 단계
    를 더 포함하는,
    방법.
  6. 제 1 항에 있어서,
    상기 광고를 출력하는 단계는,
    상기 판단 결과가 안전으로 판단되고, 선호 정보가 포함된 영역에 위치하는 경우, 증강현실 기반의 광고 링크 항목을 활성화시키는 단계
    를 더 포함하는,
    방법.
  7. 제 2 항에 있어서,
    상기 객체 판별을 수행하는 단계는,
    컴퓨터 비전(Computer Vision), 이미지 프로세싱(Image processing), 또는 기계학습 모델 중 적어도 어느 하나에 기초하여,
    분류(Classification), 객체 탐지(Object detection), 세그먼테이션(Segmentation), 또는 인스턴스 세그먼테이션(Instance segmentation) 중 적어도 어느 하나를 수행하는 단계를 포함하는,
    방법.
  8. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 스마트 안경에 광고를 디스플레이하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    상기 스마트 안경으로부터 획득된 환경 정보에 기초하여, 객체 판별을 수행하는 동작;
    상기 객체 판별 결과를 기초로 안전성 여부를 판단하는 동작; 및
    판단 결과를 고려하여 상기 스마트 안경에 증강현실 기반의 광고를 출력하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  9. 스마트 안경에 광고를 디스플레이하기 위한 컴퓨팅 장치로서,
    적어도 하나의 코어를 포함하는 프로세서; 및
    상기 프로세서에서 실행 가능한 프로그램 코드들을 포함하는 메모리
    를 포함하고,
    상기 프로세서는,
    상기 스마트 안경으로부터 획득된 환경 정보를 기초로 객체 판별을 수행하고,
    상기 객체 판별 결과를 기초로 안전성 여부를 판단하고,
    판단 결과를 고려하여 상기 스마트 안경에 증강현실 기반의 광고를 출력하도록 구성되는,
    장치.
PCT/KR2023/002505 2022-05-10 2023-02-22 스마트 안경에 광고를 디스플레이하는 방법 WO2023219236A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0057283 2022-05-10
KR1020220057283 2022-05-10

Publications (1)

Publication Number Publication Date
WO2023219236A1 true WO2023219236A1 (ko) 2023-11-16

Family

ID=88730529

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/002505 WO2023219236A1 (ko) 2022-05-10 2023-02-22 스마트 안경에 광고를 디스플레이하는 방법

Country Status (2)

Country Link
KR (1) KR20230157904A (ko)
WO (1) WO2023219236A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150140286A (ko) * 2013-03-15 2015-12-15 퍼셉트 테크놀러지스, 아이엔씨. 개선된 광학적 및 지각적 디지털 안경류
KR20200076170A (ko) * 2018-12-19 2020-06-29 유병준 스마트 안경을 이용한 시각 장애인 보조 시스템 및 방법
KR20200096113A (ko) * 2019-01-31 2020-08-11 주식회사 스트라드비젼 딥 뉴럴 네트워크를 기반으로 한 이미지 분석을 통해 사람의 상태 및 주행 환경을 식별하여 자율 주행을 보조하는 자율 주행 보조 안경
CN112181152A (zh) * 2020-11-13 2021-01-05 幻蝎科技(武汉)有限公司 基于mr眼镜的广告推送管理方法、设备及应用
KR102281246B1 (ko) * 2021-02-10 2021-07-22 가천대학교 산학협력단 인공지능에 기반한 시니어 케어를 위한 길안내 및 사물식별 시스템 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150140286A (ko) * 2013-03-15 2015-12-15 퍼셉트 테크놀러지스, 아이엔씨. 개선된 광학적 및 지각적 디지털 안경류
KR20200076170A (ko) * 2018-12-19 2020-06-29 유병준 스마트 안경을 이용한 시각 장애인 보조 시스템 및 방법
KR20200096113A (ko) * 2019-01-31 2020-08-11 주식회사 스트라드비젼 딥 뉴럴 네트워크를 기반으로 한 이미지 분석을 통해 사람의 상태 및 주행 환경을 식별하여 자율 주행을 보조하는 자율 주행 보조 안경
CN112181152A (zh) * 2020-11-13 2021-01-05 幻蝎科技(武汉)有限公司 基于mr眼镜的广告推送管理方法、设备及应用
KR102281246B1 (ko) * 2021-02-10 2021-07-22 가천대학교 산학협력단 인공지능에 기반한 시니어 케어를 위한 길안내 및 사물식별 시스템 및 방법

Also Published As

Publication number Publication date
KR20230157904A (ko) 2023-11-17

Similar Documents

Publication Publication Date Title
WO2022206498A1 (zh) 一种基于联邦迁移学习的模型训练方法及计算节点
US10970331B2 (en) Determining contextual confidence of images using associative deep learning
Goswami et al. CNN model for american sign language recognition
KR20240035302A (ko) 신경망 모델을 활용한 부분적인 이미지 변환 방법
WO2020101196A1 (ko) 인공지능 기반의 모듈 식별 및 어시스턴트 시스템
KR20230053846A (ko) 쓰레기를 수거하기 위한 방법
WO2023219236A1 (ko) 스마트 안경에 광고를 디스플레이하는 방법
WO2024085366A1 (ko) 가상 카메라를 이용한 카메라 움직임 구현 방법
WO2023101417A1 (ko) 딥러닝 기반의 강수량 예측 방법
KR102515935B1 (ko) 신경망 모델을 위한 학습 데이터 생성 방법
KR20240051020A (ko) 데이터셋을 생성하기 위한 방법
WO2023177138A1 (ko) 게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치
KR102665266B1 (ko) 옥외 광고용 컨텐츠를 송출하기 위한 사이니지 및 방법
WO2023219237A1 (ko) 인공지능 기반의 대역 배우 평가 방법
WO2024019373A1 (ko) 3차원 지도를 업데이트하기 위한 방법 및 장치
WO2023008811A2 (ko) 신경망 모델을 이용한 마스크 착용 얼굴 이미지 복원 방법
KR102627764B1 (ko) 부분 이미지를 이용하여 이미지를 변환하는 신경망 모델을 학습시키는 방법
KR102662989B1 (ko) 어플리케이션 플랫폼을 제공하기 위한 방법 및 장치
WO2023027278A1 (ko) 커리큘럼 기반의 능동적 학습 방법
KR102606617B1 (ko) 확산 모델을 이용한 동영상 생성 방법
WO2023172050A1 (ko) 플레이 로그를 이용한 사용자 정보 예측 방법 및 장치
KR102579685B1 (ko) 조정 정보를 이용한 디지털 휴먼의 안면 움직임 제어 매개변수의 구축 방법
KR102659681B1 (ko) 신경망 모델을 활용하여 사용자의 일정 정보를 관리하는 방법
WO2023027280A1 (ko) 항원 결정기 후보 도출 방법
WO2023033283A1 (ko) 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 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: 23803664

Country of ref document: EP

Kind code of ref document: A1