WO2023277585A1 - 신경망을 통해 이미지를 처리하는 방법 및 그 전자 장치 - Google Patents

신경망을 통해 이미지를 처리하는 방법 및 그 전자 장치 Download PDF

Info

Publication number
WO2023277585A1
WO2023277585A1 PCT/KR2022/009347 KR2022009347W WO2023277585A1 WO 2023277585 A1 WO2023277585 A1 WO 2023277585A1 KR 2022009347 W KR2022009347 W KR 2022009347W WO 2023277585 A1 WO2023277585 A1 WO 2023277585A1
Authority
WO
WIPO (PCT)
Prior art keywords
group
neural network
result data
processor
electronic device
Prior art date
Application number
PCT/KR2022/009347
Other languages
English (en)
French (fr)
Inventor
최종범
강영준
박다울
박현희
이아랑
원종훈
이재명
Original Assignee
삼성전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Publication of WO2023277585A1 publication Critical patent/WO2023277585A1/ko
Priority to US18/121,208 priority Critical patent/US20230214632A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4046—Scaling the whole image or part thereof using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/60—Memory management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Definitions

  • Embodiments disclosed in this document relate to a method of processing an image through a neural network and an electronic device thereof.
  • An artificial intelligence system (or integrated intelligence system) is a computer system that implements human-level intelligence, and a machine learns and judges itself, and its recognition rate and accuracy improve as it is used.
  • Artificial intelligence technology consists of machine learning (deep learning) technology using an algorithm that classifies/learns the characteristics of input data by itself, and technologies that mimic the functions of the human brain, such as recognition and judgment, using machine learning algorithms.
  • Machine learning technologies include, for example, linguistic understanding technology that recognizes human language/characters, visual understanding technology that recognizes objects as human eyes, reasoning/prediction technology that logically infers and predicts information by judging information, and human experience information. It can be used for an application that includes at least one of a knowledge expression technology for processing as knowledge data and a motion control technology for controlling autonomous driving of a vehicle and movement of a robot.
  • an electronic device equipped with an artificial intelligence system may support a function of analyzing image data obtained through a camera and performing image processing through at least one neural network based on the analyzed result.
  • an electronic device When an electronic device performs multiple image processes using a neural network on multi-frames that are continuously input, the same calculation process may be performed in each process. However, when image processing is performed on multiple frames, the electronic device may perform a large amount of calculation(s) even though it is not necessary to perform the same calculation process.
  • Various embodiments of the present disclosure include a method of analyzing an image processing structure through a neural network, identifying a repeated calculation process, storing a result of the same calculation process, and using the stored result data without repeating the process. and an electronic device thereof.
  • An electronic device may include a camera, a memory, and at least one processor.
  • the at least one processor may execute a neural network model for generating an image, and the neural network model includes a first group including at least a first calculation layer among a plurality of calculation layers and at least a second calculation layer among the plurality of calculation layers. A second group including layers may be included.
  • the processor may also sequentially obtain a plurality of frames using the camera and provide a first frame of the plurality of frames to a first group of the neural network model as a first input.
  • the processor may store first result data corresponding to the first input in a memory.
  • the processor provides the first frame to the second group as a second input, determines whether the second calculation parameter of the second group is the same as the first calculation parameter of the first group, and determines whether the second calculation parameter and If the first operation parameters are the same, the first result data may be obtained as the second result data corresponding to the second input without performing the neural network operation based on the second group.
  • the processor may perform a neural network operation based on the second group of calculation parameters to obtain second result data that is distinguished from the first result data.
  • An operating method of an electronic device includes an operation of sequentially obtaining a plurality of frames using a camera, and assigning a first frame among the plurality of frames to a first group of a neural network model.
  • An operation of providing the first input and an operation of storing the first result data corresponding to the first input in a memory may be included.
  • the method may further include providing the first frame to the second group as a second input, and determining whether a second calculation parameter of the second group is the same as a first calculation parameter of the first group. .
  • the method includes an operation of obtaining first result data as second result data corresponding to a second input without performing a neural network operation based on the second group in response to the second operation parameter being the same as the first operation parameter, and In response to determining that the calculation parameter and the first calculation parameter are distinguished, performing a neural network operation based on the second group of calculation parameters to obtain second result data that is distinguished from the first result data. .
  • a part of previously performed calculations are stored and then reused, thereby reducing the amount of calculations of the neural network.
  • processing speed may be improved because all calculations of the neural network are not performed.
  • FIG. 1 is a diagram illustrating structures of an electronic device and a camera according to an embodiment.
  • FIG. 2 illustrates a hardware configuration and software modules of an electronic device according to an exemplary embodiment.
  • FIG. 3 is a diagram briefly illustrating a process of performing a neural network model when acquiring a plurality of image frames in an electronic device according to an embodiment.
  • FIG. 4 illustrates image processing of a plurality of image frames when the calculation process of each group of a neural network model is the same in an electronic device according to an embodiment.
  • FIG. 5 is a flowchart illustrating an operation process of a neural network model for generating a preview image in an electronic device according to an embodiment.
  • FIG. 6 is a flowchart illustrating a process of storing an operation result through a neural network model in an electronic device according to an embodiment.
  • FIG. 7 is a flowchart illustrating a process of reusing an operation result stored through a neural network model in an electronic device according to an embodiment.
  • FIG 8 illustrates processing when groups of neural network models include the same calculation process in an electronic device according to an embodiment.
  • FIG 9 illustrates processing when groups of neural network models include the same calculation process in an electronic device according to an embodiment.
  • FIG. 10 is a block diagram of an electronic device in a network environment according to various embodiments.
  • FIG. 11 is a block diagram illustrating a camera module, according to various embodiments.
  • FIG. 1 is a diagram illustrating structures of an electronic device and a camera according to an embodiment.
  • FIG. 1 is an appearance of an electronic device (eg, the electronic device 1001 of FIG. 10 ) 100 equipped with a camera (eg, the camera module 1080 of FIG. 10 ) 180 according to an embodiment and a camera 180 ) is a schematic diagram.
  • a camera eg, the camera module 1080 of FIG. 10
  • FIG. 1 has been illustrated and described on the premise of a mobile device, in particular, a smart phone, it can be applied to an electronic device equipped with a camera among various electronic devices or mobile devices to those skilled in the art. will be clearly understood.
  • a display 110 may be disposed on a front surface of an electronic device 100 according to an embodiment.
  • the display 110 may occupy most of the front surface of the electronic device 100 .
  • a display 110 and a bezel 190 area surrounding at least some edges of the display 110 may be disposed on the front surface of the electronic device 100 .
  • the display 110 may include a flat area and a curved area extending from the flat area toward the side of the electronic device 100 .
  • the electronic device 100 shown in FIG. 1 is an example, and various embodiments are possible.
  • the display 110 of the electronic device 100 may include only a flat area without a curved area or may have a curved area only at one edge rather than both sides.
  • the curved area extends to the rear surface of the electronic device, so that the electronic device 100 may include an additional flat area.
  • the electronic device 100 may additionally include a speaker, a receiver, a front camera, a proximity sensor, a home key, and the like.
  • the rear cover 150 may be integrally provided with the main body of the electronic device.
  • the rear cover 150 may be separated from the main body of the electronic device 100 and may have a form in which a battery can be replaced.
  • the rear cover 150 may also be referred to as a battery cover or a rear cover.
  • a fingerprint sensor 171 for recognizing a user's fingerprint may be included in the first area 170 of the display 110 . Since the fingerprint sensor 171 is disposed on a lower layer of the display 110, it may not be recognized by the user or may be difficult to be recognized.
  • a sensor for additional user/biometric authentication may be disposed in a partial area of the display 110 .
  • a sensor for user/biometric authentication may be disposed in one area of the bezel 190 . For example, an IR sensor for iris authentication may be exposed through one area of the display 110 or through one area of the bezel 190 .
  • a front camera 161 may be disposed in the second region 160 of the front of the electronic device 100 .
  • the front camera 161 is shown as being exposed through one area of the display 110, but in another embodiment, the front camera 161 may be exposed through the bezel 190.
  • the electronic device 100 may include one or more front cameras 161 .
  • the electronic device 100 may include two front cameras such as a first front camera and a second front camera.
  • the first front camera and the second front camera may be cameras of the same type having the same specifications (eg, pixels), but the first front camera and the second front camera may be implemented as cameras having different specifications.
  • the electronic device 100 may support functions related to dual cameras (eg, 3D shooting, auto focus, etc.) through two front cameras. The above-mentioned description of the front camera may be equally or similarly applied to the rear camera of the electronic device 100 .
  • the electronic device 100 may additionally include various types of hardware or sensors 163 that assist shooting, such as a flash.
  • a distance sensor eg, a TOF sensor
  • the distance sensor may be applied to both a front camera and/or a rear camera.
  • the distance sensor may be disposed separately or included in the front camera and/or the rear camera.
  • At least one physical key may be disposed on a side surface of the electronic device 100 .
  • the first function key 151 for turning on/off the display 110 or turning on/off the power of the electronic device 100 may be disposed on the right edge of the electronic device 100 based on the front side.
  • the second function key 152 for controlling the volume or screen brightness of the electronic device 100 may be disposed at the left edge of the electronic device 100 based on the front surface.
  • additional buttons or keys may be disposed on the front or rear of the electronic device 100.
  • a physical button or touch button mapped to a specific function may be disposed in a lower area of the front bezel 190 .
  • the electronic device 100 shown in FIG. 1 corresponds to one example and does not limit the shape of a device to which the technical ideas disclosed in this disclosure are applied.
  • a foldable electronic device capable of being folded horizontally or vertically a rollable electronic device capable of rolling, a tablet or a laptop may also be used according to the technical spirit of the present disclosure. this may apply.
  • the present technical concept may be applied even when the first camera and the second camera facing the same direction can be disposed to face different directions through rotation, folding, or deformation of the device.
  • an electronic device eg, electronic device 1001 of FIG. 10) 100 may include a camera (eg, camera module 1080 of FIG. 10) 180.
  • the camera 180 includes a lens assembly (eg, the lens assembly 1110 of FIG. 11) 111, a housing 113, an infrared cut filter 115, an image sensor (eg, the image sensor of FIG. 11 ). (1130)) 120 and an image signal processor (eg, image signal processor 1160 of FIG. 11) 130.
  • the lens assembly 111 may have different numbers, arrangements, and types of lenses according to the front camera and the rear camera.
  • the front camera and rear camera may have different characteristics (eg, focal length, maximum magnification, etc.).
  • the lens can be moved forward and backward along the optical axis, and can be operated so that a target object to be a subject can be clearly photographed by changing a focal length.
  • the camera 180 may include a lens barrel mounting at least one lens aligned on an optical axis and a housing 113 mounting at least one coil surrounding the lens barrel around the optical axis. there is.
  • the infrared cut filter 115 may be disposed on the upper surface of the image sensor 120 .
  • An image of the subject passing through the lens may be partially filtered by the infrared cut filter 115 and then detected by the image sensor 120 .
  • the image sensor 120 may be disposed on the upper surface of the printed circuit board.
  • the image sensor 120 may be electrically connected to the image signal processor 130 connected to the printed circuit board 140 through a connector.
  • a flexible printed circuit board (FPCB) or a cable may be used as the connector.
  • the image sensor 120 may be a complementary metal oxide semiconductor (CMOS) sensor or a charged coupled device (CCD) sensor.
  • CMOS complementary metal oxide semiconductor
  • CCD charged coupled device
  • a plurality of individual pixels are integrated in the image sensor 120, and each individual pixel may include a micro lens, a color filter, and a photodiode.
  • Each individual pixel can convert input light into an electrical signal as a kind of photodetector.
  • Photodetectors generally cannot detect the wavelength of the captured light by themselves and cannot determine color information.
  • the photodetector may include a photodiode.
  • light information of a subject incident through the lens assembly 111 may be converted into an electrical signal by the image sensor 120 and input to the image signal processor 130 .
  • the camera 180 may be disposed on the front as well as the back of the electronic device 100 .
  • the electronic device 100 may include not only one camera 180 but also multiple cameras 180 to improve camera performance.
  • the electronic device 100 may further include a front camera 161 for video call or self-portrait.
  • the front camera 161 may support a relatively low number of pixels compared to the rear camera module.
  • the front camera may be relatively smaller than the rear camera module.
  • FIG. 2 illustrates a hardware configuration and software modules of an electronic device according to an exemplary embodiment.
  • the configuration described in FIG. 1 may be briefly described or omitted.
  • the electronic device 100 may use hardware and/or software modules to support functions for applying effects to images.
  • the processor 210 may drive the neural network analysis module 211 and the neural network execution module 213 by executing instructions stored in the memory 230 .
  • software modules other than those shown in FIG. 2 may be implemented. For example, at least two modules may be integrated into one module, or one module may be divided into two or more modules. In addition, work performance can be improved by dividing a single function between hardware and software modules.
  • the electronic device 100 may include both an encoder implemented as hardware and an encoder implemented as a software module, and a part of data acquired through at least one camera module is in the hardware encoder and the other part is in software. can be processed by the encoder.
  • the connection relationship between hardware/software shown in FIG. 2 is for convenience of description and does not limit the flow/direction of data or commands. Components included in the electronic device 100 may have various electrical/operational connection relationships.
  • the processor 210 may acquire an image frame (or frame) through the camera 180 .
  • the processor 210 may continuously acquire a plurality of frames (or multi-frames) through the camera 180 .
  • the processor 210 may sequentially acquire the nth frame, the n+1th frame, and the n+2th frame.
  • the processor 210 may generate a resulting image using the obtained plurality of frames. In one embodiment, a subset of the acquired frames may be used to generate the resulting image. In one embodiment, one or more resulting images may be generated using different combinations of acquired frames. For example, the processor 210 may generate the first resulting image using the nth frame to the n+4th frame. The processor 210 may generate a second result image using the n+1 th frame to the n+5 th frame.
  • a neural network model may include at least one group.
  • Each of the at least one group may include at least one layer.
  • the at least one layer may be a linear layer (eg, a convolutional layer) or a non-linear layer (eg, a polling layer).
  • the processor 210 may perform a neural network operation through a convolution layer.
  • the convolution layer may generate a feature vector based on an input value. For example, the convolution layer may generate a feature vector corresponding to an input image signal.
  • the neural network may be included in an external device capable of communicating with the electronic device 100 .
  • the neural network may be included in an intelligent server comprising a neural network and/or a structure for training a neural network.
  • the processor 210 may transmit and receive data to and from an intelligent server using a neural network using a communication circuit included in the electronic device 100 .
  • the intelligent server may include structures for using an artificial intelligent (AI) system.
  • the artificial intelligence system may be a neural network-based system (eg, a feedforward neural network (FNN), and/or a recurrent neural network (RNN)).
  • FNN feedforward neural network
  • RNN recurrent neural network
  • the processor 210 may perform functions related to artificial intelligence using the intelligent server. For example, the processor 210 may perform an image generation operation alone or together with the intelligent server based on the obtained image signal.
  • the processor 210 may perform image processing on an acquired image frame through a calculation structure of groups (or layers) of a neural network model. For example, the processor 210 assigns the n-th frame to the first group 211_1, the second group 211_2, the third group 211_3, the fourth group_(211_4), and/or the fifth group of the neural network model. Operation processing may be sequentially performed through the group 211_5.
  • memory 230 may store programs and/or data.
  • the memory 230 may store calculation parameters, input data, and output data for a neural network.
  • the processor 210 may perform an arithmetic operation (eg, a convolution operation) based on input data received from the memory 230 and store the arithmetic result in the memory 230 .
  • the neural network analysis module 211 may analyze the structure of the neural network model. When the neural network model performs image processing on multiple frames including at least two or more frames, the neural network analysis module 211 may analyze dependence between groups of neural networks processing each frame and/or whether calculation processes are consistent. . The neural network analysis module 211 may transmit the analyzed information to the neural network execution module 213 .
  • the neural network execution module 213 utilizes the dependence and/or association information between neural network groups transmitted from the neural network analysis module 211 to store a calculation process and/or a calculation result, and store the stored process and/or result. Results can be reused.
  • the processor 210 may display the generated resultant image through at least one portion of the display 110 .
  • the processor 210 may output the generated plurality of result images as preview images.
  • the processor 210 may display a continuous image such as a video based on the plurality of resulting images.
  • FIG. 3 is a diagram briefly illustrating a process of performing a neural network model when a plurality of image frames are obtained in an electronic device according to an embodiment.
  • the processor 210 may input the n-th frame 301 to the first group 310 at time t.
  • the processor 210 may perform a process for the n-th frame 301 through the calculation process of the first group 310 .
  • the processor 210 may input the nth frame 301 to the second group 320 and input the n+1th frame 303 to the first group 310 at time t+1.
  • the processor 210 may store the n_1th data 231 including the calculation result and/or the calculation process of the first group 310 for the nth frame 301 in the memory 230. . This may be equally applied to the n+1th frame. For example, the processor 210 stores the n+1_1th data 232 including the calculation results and/or the calculation process of the first group 310 for the n+1th frame 303 in the memory 230. can be saved According to an embodiment, since the first group 310 and the second group 320 have the same calculation structure or calculation process, the processor 210 determines that the n-th frame 301 has to go through the second group 320.
  • the calculation result for the nth frame 301 may be used in the second group 320 .
  • the same calculation structure or calculation process may be understood as, for example, the same convolution calculation process and the same weight value and bias value used in the convolution calculation.
  • the processor 210 does not use the stored operation result and calculates n for the first group 310.
  • the second frame 301 may be input to the second group 320 .
  • the above description may be equally applied to the n+1th frame 303 .
  • the weight value and the bias value may be expressed as a weight value and a bias value, respectively.
  • FIG. 4 illustrates image processing of a plurality of image frames when the calculation process of each group of a neural network model is the same in an electronic device according to an embodiment.
  • calculation structures and/or calculation processes of the first group 410 to the fourth group 440 may be the same.
  • Convolution weight values and bias values used in the calculation processes (eg, convolution operations) of the first group 410 to the fourth group 440 may be the same.
  • the processor 210 may continuously store the operation result in the first group 410 in the memory (eg, DRAM) 230 .
  • the memory eg, DRAM
  • the processor 210 may continuously store the operation result in the first group 410 in the memory (eg, DRAM) 230 .
  • the processor 210 may continuously store the operation result in the first group 410 in the memory (eg, DRAM) 230 .
  • the processor 210 may generates a first frame for the n + 1-th frame.
  • Results of operations in the group 410 may be stored in the memory 230 .
  • the frames input to the first group 410 are sequentially performed in the second group 420, the third group 430, and the fourth group 440, without performing an actual operation.
  • An operation result stored in the memory 230 may be obtained and used. For example, when the n-th frame undergoes the operation of the fourth group 440, the operation result of the first group 410 for the n-th frame is obtained, and the operation result of the fourth group 440 It can be used as result data.
  • one resulting image frame may be generated through the fifth group.
  • one resulting image frame may be generated using a plurality of image frames (eg, nth frame to n+4th frame) acquired through the camera 180 .
  • FIG. 5 is a flowchart illustrating an operation process of a neural network model for generating a preview image in an electronic device according to an embodiment.
  • the processor 210 may execute a neural network model for generating a preview image.
  • the neural network model may be a complex network model formed by a plurality of layers connected to each other.
  • the processor 210 may train the neural network model, and may execute the acquired neural network model after the training is finished and use it for image processing.
  • the neural network model may include at least one group and may include a structure for acquiring a plurality of input data.
  • the neural network model may include a first group and a second group.
  • the number of groups included in the neural network model is not limited thereto.
  • each of the groups included in the neural network model may receive data as an input and use it as an operation parameter (eg, weight value, bias value), and output data through an operation process based on each group.
  • the first group may obtain a first input and output first result data.
  • the second group may obtain the second input and output second result data.
  • the processor 210 may successively acquire a plurality of frames using the camera 180 .
  • the processor 210 may successively obtain a plurality of frames corresponding to the frame rate of the image sensor.
  • the processor 210 may provide a first frame among a plurality of frames to the first group of the neural network model as a first input.
  • the processor 210 may store first result data corresponding to the first input in the memory 230 .
  • the processor 210 may output first result data based on the first frame processed through the first group of neural network models.
  • the processor 210 may store the output first result data in a memory (eg, DRAM).
  • the processor 210 may determine whether a second calculation parameter of the second group is identical to a first calculation parameter of the first group. For example, the processor 210 may determine whether a weight value and a bias value used in the operation (eg, convolution operation) of the neural network model are the same.
  • the processor 210 may acquire and use the first result data stored in the memory 230 as the second result data without performing a neural network operation based on the second group.
  • the processor 210 may provide the first frame to the second group as a second input. According to an embodiment, in operation 580, the processor 210 may obtain second result data distinguished from the first result data by performing a neural network operation based on the second group of operation parameters.
  • the processor 210 obtains first result data for the first frame through the first group, and stores the obtained first result data. It may be obtained as the second result data of the second group.
  • the processor 210 provides the first frame to the second group as a second input, and based on the calculation parameters of the second group Second result data on which the neural network operation is performed may be obtained.
  • FIG. 6 is a flowchart illustrating a process of storing an operation result through a neural network model in an electronic device according to an embodiment.
  • the processor 210 may analyze the computational structure of the neural network model.
  • the processor 210 may analyze the computational structure of each group included in the neural network model.
  • the processor 210 may determine whether each operation group of the neural network model is independent and the same operation process exists. For example, the processor 210 may determine whether the first group and the second group of the neural network model are independent computational groups. The second group may be an operation group in which specific data is processed after the first group. For example, the processor 210 may determine whether the calculation processes of the first group and the second group of the neural network model are the same. For example, the processor 210 may determine whether a weight value and a bias value used in the operation (eg, convolution operation) of the neural network model are the same.
  • the processor 210 may store an operation process.
  • the processor 210 may generate reuse information for an operation process.
  • Processor 210 when the calculation process of the first group and the second group of the neural network model is the same, and the weight value and bias value used in the calculation process are the same, at least one group (eg, the first group or the second group) Group) may generate reuse information about an operation process and/or an operation result.
  • FIG. 7 is a flowchart illustrating a process of reusing an operation result stored through a neural network model in an electronic device according to an embodiment.
  • the processor 210 may determine whether an operation result can be reused.
  • the processor 210 may determine whether the calculation result can be reused by analyzing the calculation structure of the neural network. Operation 760 may be performed when the calculation result cannot be reused, and operation 720 may be performed when the calculation result may be reused.
  • the processor 210 may determine whether an operation result is stored in the memory 230 .
  • the processor 210 may determine whether an operation result that can be reused is stored in the memory 230 .
  • the processor 210 performs operation 750 when an operation result that can be reused is stored in the memory 230, and performs operations 730 and 730 when the operation result is not stored in the memory 230. Operation 740 may be performed.
  • the processor 210 may execute a general neural network execution process in operation 730.
  • a general neural network process may mean performing image processing through a neural network without a process using an operation result stored in the memory 230 .
  • the processor 210 may perform a general neural network process and store the calculation result in the memory 230.
  • the processor 210 may obtain a stored operation result from the memory 230 .
  • the processor 210 may perform the next operation based on the operation result obtained from the memory. For example, the processor 210 may output the result of the first group of the stored neural network as the result of the second group.
  • FIG 8 illustrates processing when groups of neural network models include the same calculation process in an electronic device according to an embodiment.
  • the neural network model may include a first group 810, a second group 820, a third group 830, a fourth group 840, and a fifth group 850.
  • the groups 810 to 850 may include a plurality of layers. In FIG. 8 , each layer may mean a computation process and/or a computation parameter.
  • the first group 810 and the second group 820 of the neural network model may include the same calculation process.
  • the layers included in the first group 810 and the second group 820 of the neural network model may be the same.
  • the second group 820 and the third group 830 of the neural network model may include partially the same calculation process.
  • the layers of the second group 820 may be the same as at least some of the layers of the third group 830 .
  • the third group 830 and the fourth group 840 of the neural network model may include the same calculation process.
  • the layers included in the third group 830 and the fourth group 840 of the neural network model may be the same.
  • each group 810 to 850 when image processing is performed by sequentially passing an input frame through each group 810 to 850, if the calculation process of each group is the same and the weight value and bias value used in the calculation process are the same, The results of the previous group's calculations can be used.
  • the processor 210 transfers the calculation result and/or the calculation process of the first group 810 to the second group ( 820) may be used as a calculation result and/or a calculation process.
  • the first group 810 and the second group 820 include the same calculation process, and the weight value and bias value used in the calculation process (eg, convolution operation) are the same.
  • the calculation result and/or the calculation process of the first group 810 is transferred to the second group 820 without performing an operation based on the second group. It can be used as a calculation result and / or calculation process of
  • the processor 210 converts the calculation result and/or the calculation process of the first group 810 into a third group ( 830) is partially available.
  • the second group 820 and the third group 830 partially include the same calculation process, and weight values and bias values used in the calculation process (eg, convolution operation).
  • the calculation result and/or calculation process of the first group 810 corresponds to the intermediate calculation result and/or intermediate calculation process of the second group 820. can be used as
  • the processor 210 converts the calculation result and/or the calculation process of the third group 810 to the fourth group ( 840) may be used as a calculation result and/or a calculation process.
  • the third group 830 and the fourth group 840 include the same calculation process, and the weight value and bias value used in the calculation process (eg, convolution operation) are the same.
  • the fourth group operation taking the nth frame as an input is not performed, and the calculation result and/or the calculation process of the third group 830 is performed. It can be used as the calculation result and/or calculation process of the 4 groups 840.
  • FIG. 8 uses the nth frame, the same may be applied to the n+1th frame, the n+2th frame, and the n+3th frame consecutively obtained after the nth frame.
  • FIG 9 illustrates processing when groups of neural network models include the same calculation process in an electronic device according to an embodiment.
  • the neural network model may include a first group 910, a second group 920, a third group 930, a fourth group 940, and a fifth group 950.
  • the groups 910 to 950 may include a plurality of layers. In FIG. 9 , each layer may mean a computation process and/or a computation parameter.
  • calculation processes of the first group 910 to the fourth group 940 of the neural network model may be different.
  • the layers included in the first group 910 to the fourth group 940 may not be the same.
  • the first group 910 and the third group 930 of the neural network model may be partially identical.
  • the layers of the first group 910 may be the same as at least some of the layers of the third group 930 .
  • the second group 920 and the fourth group 940 of the neural network model may be partially identical.
  • the layers of the second group 920 may be the same as at least some of the layers of the fourth group 940 .
  • the processor 210 may use the calculation result of the previous group.
  • the processor 210 may calculate and process the nth frame as an input of the first group 910 . Since the calculation processes of the first group 910 and the second group 920 are not the same or the weight value and bias used in the calculation process are not the same, the processor 210 determines the calculation result of the first group 910 and/or The calculation process cannot be used in the second group 920 . In other words, the processor 210 may process the calculation result of the first group 910 of the nth frame as an input of the second group 920 .
  • the processor 210 converts the calculation result and/or the calculation process of the first group 910 into a third group ( 930) may be used as an intermediate calculation result and/or an intermediate calculation process.
  • the processor 210 may determine whether the weight value and bias value used in the calculation process of the first group 910 and the third group 930 and the calculation process (eg, convolution operation) match only in a specific part. In this case, until the matching part, the same part as the first group 910 in the third group 930 may not be performed, and the calculation result and/or calculation process of the first group 910 may be reused.
  • the processor 210 converts the calculation result and/or the calculation process of the second group 920 to the fourth group ( 940) may be used as an intermediate calculation result and/or an intermediate calculation process.
  • FIG. 9 uses the nth frame, but may be equally applied to the n+1th frame, the n+2th frame, and the n+3th frame consecutively obtained after the nth frame.
  • FIG. 10 is a block diagram of an electronic device 1001 within a network environment 1000 according to various embodiments.
  • an electronic device 1001 communicates with an electronic device 1002 through a first network 1098 (eg, a short-distance wireless communication network) or through a second network 1099. It is possible to communicate with the electronic device 1004 or the server 1008 through (eg, a long-distance wireless communication network). According to an embodiment, the electronic device 1001 may communicate with the electronic device 1004 through the server 1008.
  • the electronic device 1001 includes a processor 1020, a memory 1030, an input module 1050, an audio output module 1055, a display module 1060, an audio module 1070, a sensor module ( 1076), interface 1077, connection terminal 1078, haptic module 1079, camera module 1080, power management module 1088, battery 1089, communication module 1090, subscriber identification module 1096 , or an antenna module 1097.
  • a processor 1020 e.g, a memory 1030, an input module 1050, an audio output module 1055, a display module 1060, an audio module 1070, a sensor module ( 1076), interface 1077, connection terminal 1078, haptic module 1079, camera module 1080, power management module 1088, battery 1089, communication module 1090, subscriber identification module 1096 , or an antenna module 1097.
  • at least one of these components eg, the connection terminal 1078
  • some of these components eg, sensor module 1076,
  • the processor 1020 for example, executes software (eg, the program 1040) to cause at least one other component (eg, hardware or software component) of the electronic device 1001 connected to the processor 1020. It can control and perform various data processing or calculations. According to one embodiment, as at least part of data processing or operation, processor 1020 transfers commands or data received from other components (eg, sensor module 1076 or communication module 1090) to volatile memory 1032. , process commands or data stored in the volatile memory 1032 , and store resultant data in the non-volatile memory 1034 .
  • software eg, the program 1040
  • processor 1020 transfers commands or data received from other components (eg, sensor module 1076 or communication module 1090) to volatile memory 1032. , process commands or data stored in the volatile memory 1032 , and store resultant data in the non-volatile memory 1034 .
  • the processor 1020 may include a main processor 1021 (eg, a central processing unit or an application processor) or a secondary processor 1023 (eg, a graphic processing unit, a neural network processing unit ( NPU: neural processing unit (NPU), image signal processor, sensor hub processor, or communication processor).
  • a main processor 1021 eg, a central processing unit or an application processor
  • a secondary processor 1023 eg, a graphic processing unit, a neural network processing unit ( NPU: neural processing unit (NPU), image signal processor, sensor hub processor, or communication processor.
  • NPU neural network processing unit
  • NPU neural processing unit
  • image signal processor sensor hub processor
  • communication processor e.g., a communication processor.
  • the auxiliary processor 1023 may use less power than the main processor 1021 or be set to be specialized for a designated function.
  • the auxiliary processor 1023 may be implemented separately from or as part of the main processor 1021 .
  • the secondary processor 1023 may, for example, take the place of the main processor 1021 while the main processor 1021 is inactive (eg sleep), or the main processor 1021 is active (eg application execution). ) state, together with the main processor 1021, at least one of the components of the electronic device 1001 (eg, the display module 1060, the sensor module 1076, or the communication module 1090) It is possible to control at least some of the related functions or states.
  • the auxiliary processor 1023 eg, image signal processor or communication processor
  • may be implemented as part of other functionally related components eg, camera module 1080 or communication module 1090). there is.
  • the auxiliary processor 1023 may include a hardware structure specialized for processing an artificial intelligence model.
  • AI models can be created through machine learning. Such learning may be performed, for example, in the electronic device 1001 itself where artificial intelligence is performed, or may be performed through a separate server (eg, the server 1008).
  • the learning algorithm may include, for example, supervised learning, unsupervised learning, semi-supervised learning or reinforcement learning, but in the above example Not limited.
  • the artificial intelligence model may include a plurality of artificial neural network layers.
  • Artificial neural networks include deep neural networks (DNNs), convolutional neural networks (CNNs), recurrent neural networks (RNNs), restricted boltzmann machines (RBMs), deep belief networks (DBNs), bidirectional recurrent deep neural networks (BRDNNs), It may be one of deep Q-networks or a combination of two or more of the foregoing, but is not limited to the foregoing examples.
  • the artificial intelligence model may include, in addition or alternatively, software structures in addition to hardware structures.
  • the memory 1030 may store various data used by at least one component (eg, the processor 1020 or the sensor module 1076) of the electronic device 1001 .
  • the data may include, for example, input data or output data for software (eg, the program 1040) and commands related thereto.
  • the memory 1030 may include a volatile memory 1032 or a non-volatile memory 1034 .
  • the program 1040 may be stored as software in the memory 1030 and may include, for example, an operating system 1042 , middleware 1044 , or an application 1046 .
  • the input module 1050 may receive a command or data to be used for a component (eg, the processor 1020) of the electronic device 1001 from an outside of the electronic device 1001 (eg, a user).
  • the input module 1050 may include, for example, a microphone, a mouse, a keyboard, a key (eg, a button), or a digital pen (eg, a stylus pen).
  • the sound output module 1055 may output sound signals to the outside of the electronic device 1001 .
  • the sound output module 1055 may include, for example, a speaker or receiver.
  • the speaker can be used for general purposes such as multimedia playback or recording playback.
  • a receiver may be used to receive an incoming call. According to one embodiment, the receiver may be implemented separately from the speaker or as part of it.
  • the display module 1060 may visually provide information to the outside of the electronic device 1001 (eg, a user).
  • the display module 1060 may include, for example, a display, a hologram device, or a projector and a control circuit for controlling the device.
  • the display module 1060 may include a touch sensor configured to detect a touch or a pressure sensor configured to measure the intensity of force generated by the touch.
  • the audio module 1070 may convert sound into an electrical signal or vice versa. According to an embodiment, the audio module 1070 acquires sound through the input module 1050, the sound output module 1055, or an external electronic device connected directly or wirelessly to the electronic device 1001 (eg: Sound may be output through the electronic device 1002 (eg, a speaker or a headphone).
  • the audio module 1070 acquires sound through the input module 1050, the sound output module 1055, or an external electronic device connected directly or wirelessly to the electronic device 1001 (eg: Sound may be output through the electronic device 1002 (eg, a speaker or a headphone).
  • the sensor module 1076 detects an operating state (eg, power or temperature) of the electronic device 1001 or an external environmental state (eg, a user state), and generates an electrical signal or data value corresponding to the detected state. can do.
  • the sensor module 1076 may include, for example, a gesture sensor, a gyro sensor, an air pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a bio sensor, It may include a temperature sensor, humidity sensor, or light sensor.
  • the interface 1077 may support one or more designated protocols that may be used to directly or wirelessly connect the electronic device 1001 to an external electronic device (eg, the electronic device 1002).
  • the interface 1077 may include, for example, a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
  • HDMI high definition multimedia interface
  • USB universal serial bus
  • SD card interface Secure Digital Card
  • connection terminal 1078 may include a connector through which the electronic device 1001 may be physically connected to an external electronic device (eg, the electronic device 1002).
  • the connection terminal 1078 may include, for example, an HDMI connector, a USB connector, an SD card connector, or an audio connector (eg, a headphone connector).
  • the haptic module 1079 may convert electrical signals into mechanical stimuli (eg, vibration or motion) or electrical stimuli that a user can perceive through tactile or kinesthetic senses.
  • the haptic module 1079 may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module 1080 may capture still images and moving images. According to one embodiment, the camera module 1080 may include one or more lenses, image sensors, image signal processors, or flashes.
  • the power management module 1088 may manage power supplied to the electronic device 1001 .
  • the power management module 1088 may be implemented as at least part of a power management integrated circuit (PMIC), for example.
  • PMIC power management integrated circuit
  • the battery 1089 may supply power to at least one component of the electronic device 1001 .
  • the battery 1089 may include, for example, a non-rechargeable primary battery, a rechargeable secondary battery, or a fuel cell.
  • the communication module 1090 is a direct (eg, wired) communication channel or a wireless communication channel between the electronic device 1001 and an external electronic device (eg, the electronic device 1002, the electronic device 1004, or the server 1008). Establishment and communication through the established communication channel may be supported.
  • the communication module 1090 may include one or more communication processors that operate independently of the processor 1020 (eg, an application processor) and support direct (eg, wired) communication or wireless communication.
  • the communication module 1090 is a wireless communication module 1092 (eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 1094 (eg, : a local area network (LAN) communication module or a power line communication module).
  • the corresponding communication module is a first network 1098 (eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)) or a second network 1099 (eg, a legacy communication module).
  • the wireless communication module 1092 uses subscriber information (eg, International Mobile Subscriber Identifier (IMSI)) stored in the subscriber identification module 1096 within a communication network such as the first network 1098 or the second network 1099.
  • IMSI International Mobile Subscriber Identifier
  • the wireless communication module 1092 may support a 5G network after a 4G network and a next-generation communication technology, for example, NR access technology (new radio access technology).
  • NR access technologies include high-speed transmission of high-capacity data (enhanced mobile broadband (eMBB)), minimization of terminal power and access of multiple terminals (massive machine type communications (mMTC)), or high reliability and low latency (ultra-reliable and low latency (URLLC)). -latency communications)) can be supported.
  • the wireless communication module 1092 may support a high frequency band (eg, mmWave band) to achieve a high data rate, for example.
  • a high frequency band eg, mmWave band
  • the wireless communication module 1092 uses various technologies for securing performance in a high frequency band, such as beamforming, massive multiple-input and multiple-output (MIMO), and full-dimensional multiplexing. Technologies such as input/output (FD-MIMO: full dimensional MIMO), array antenna, analog beam-forming, or large scale antenna may be supported.
  • the wireless communication module 1092 may support various requirements defined for the electronic device 1001, an external electronic device (eg, the electronic device 1004), or a network system (eg, the second network 1099).
  • the wireless communication module 1092 may be used to realize peak data rate (eg, 20 Gbps or more) for realizing eMBB, loss coverage (eg, 164 dB or less) for realizing mMTC, or U-plane latency (for realizing URLLC).
  • peak data rate eg, 20 Gbps or more
  • loss coverage eg, 164 dB or less
  • U-plane latency for realizing URLLC.
  • DL downlink
  • UL uplink each of 0.5 ms or less, or round trip 1 ms or less
  • the antenna module 1097 may transmit or receive signals or power to the outside (eg, an external electronic device).
  • the antenna module 1097 may include an antenna including a radiator formed of a conductor or a conductive pattern formed on a substrate (eg, PCB).
  • the antenna module 1097 may include a plurality of antennas (eg, an array antenna). In this case, at least one antenna suitable for a communication method used in a communication network such as the first network 1098 or the second network 1099 is selected from the plurality of antennas by, for example, the communication module 1090. can be chosen A signal or power may be transmitted or received between the communication module 1090 and an external electronic device through the selected at least one antenna.
  • other components eg, a radio frequency integrated circuit (RFIC) may be additionally formed as a part of the antenna module 1097 in addition to the radiator.
  • RFIC radio frequency integrated circuit
  • the antenna module 1097 may form a mmWave antenna module.
  • the mmWave antenna module includes a printed circuit board, an RFIC disposed on or adjacent to a first surface (eg, a lower surface) of the printed circuit board and capable of supporting a designated high frequency band (eg, mmWave band); and a plurality of antennas (eg, array antennas) disposed on or adjacent to a second surface (eg, a top surface or a side surface) of the printed circuit board and capable of transmitting or receiving signals of the designated high frequency band. can do.
  • peripheral devices eg, a bus, general purpose input and output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI)
  • signal e.g. commands or data
  • commands or data may be transmitted or received between the electronic device 1001 and the external electronic device 1004 through the server 1008 connected to the second network 1099 .
  • Each of the external electronic devices 1002 or 1004 may be the same as or different from the electronic device 1001 .
  • all or part of operations executed in the electronic device 1001 may be executed in one or more external electronic devices among the external electronic devices 1002 , 1004 , or 1008 .
  • the electronic device 1001 when the electronic device 1001 needs to perform a certain function or service automatically or in response to a request from a user or another device, the electronic device 1001 instead of executing the function or service by itself.
  • one or more external electronic devices may be requested to perform the function or at least part of the service.
  • One or more external electronic devices receiving the request may execute at least a part of the requested function or service or an additional function or service related to the request, and deliver the execution result to the electronic device 1001 .
  • the electronic device 1001 may provide the result as at least part of a response to the request as it is or after additional processing.
  • cloud computing distributed computing, mobile edge computing (MEC), or client-server computing technology may be used.
  • the electronic device 1001 may provide an ultra-low latency service using, for example, distributed computing or mobile edge computing.
  • the external electronic device 1004 may include an internet of things (IoT) device.
  • Server 1008 may be an intelligent server using machine learning and/or neural networks.
  • the external electronic device 1004 or server 1008 may be included in the second network 1099.
  • the electronic device 1001 may be applied to intelligent services (eg, smart home, smart city, smart car, or health care) based on 5G communication technology and IoT-related technology.
  • FIG. 11 is a block diagram 1100 illustrating a camera module 1080, according to various embodiments.
  • a camera module 1080 includes a lens assembly 1110, a flash 1120, an image sensor 1130, an image stabilizer 1140, a memory 1150 (eg, a buffer memory), or an image signal processor. (1160).
  • the lens assembly 1110 may collect light emitted from a subject that is an image capture target.
  • the lens assembly 1110 may include one or more lenses.
  • the camera module 1080 may include a plurality of lens assemblies 1110. In this case, the camera module 1080 may form, for example, a dual camera, a 360-degree camera, or a spherical camera.
  • Some of the plurality of lens assemblies 1110 may have the same lens properties (eg, angle of view, focal length, auto focus, f number, or optical zoom), or at least one lens assembly may have the same lens properties as another lens assembly. may have one or more lens properties different from the lens properties of .
  • the lens assembly 1110 may include, for example, a wide-angle lens or a telephoto lens.
  • the flash 1120 may emit light used to enhance light emitted or reflected from a subject.
  • the flash 1120 may include one or more light emitting diodes (eg, a red-green-blue (RGB) LED, a white LED, an infrared LED, or an ultraviolet LED), or a xenon lamp.
  • the image sensor 1130 may acquire an image corresponding to the subject by converting light emitted or reflected from the subject and transmitted through the lens assembly 1110 into an electrical signal.
  • the image sensor 1130 may be, for example, one image sensor selected from among image sensors having different properties, such as an RGB sensor, a black and white (BW) sensor, an IR sensor, or a UV sensor, It may include a plurality of image sensors having a property, or a plurality of image sensors having other properties.
  • Each image sensor included in the image sensor 1130 may be implemented using, for example, a charged coupled device (CCD) sensor or a complementary metal oxide semiconductor (CMOS) sensor.
  • CCD charged coupled device
  • CMOS complementary metal oxide semiconductor
  • the image stabilizer 1140 moves at least one lens or image sensor 1130 included in the lens assembly 1110 in a specific direction in response to movement of the camera module 1080 or the electronic device 1001 including the same. Operation characteristics of the image sensor 1130 may be controlled (eg, read-out timing is adjusted, etc.). This makes it possible to compensate at least part of the negative effect of the movement on the image being taken.
  • the image stabilizer 1140 may include a gyro sensor (not shown) or an acceleration sensor (not shown) disposed inside or outside the camera module 1080. Such a movement of the camera module 1080 or the electronic device 1001 can be detected using .
  • the image stabilizer 1140 may be implemented as, for example, an optical image stabilizer.
  • the memory 1150 may at least temporarily store at least a portion of an image acquired through the image sensor 1130 for a next image processing task. For example, when image acquisition is delayed according to the shutter, or when a plurality of images are acquired at high speed, the acquired original image (eg, a Bayer-patterned image or a high-resolution image) is stored in the memory 1150 and , a copy image (eg, a low resolution image) corresponding thereto may be previewed through the display device 1060 . Thereafter, when a specified condition is satisfied (eg, a user input or a system command), at least a part of the original image stored in the memory 1150 may be acquired and processed by, for example, the image signal processor 1160 . According to an embodiment, the memory 1150 may be configured as at least a part of the memory 1030 or as a separate memory operated independently of the memory 1030 .
  • a specified condition eg, a user input or a system command
  • the image signal processor 1160 may perform one or more image processes on an image acquired through the image sensor 1130 or an image stored in the memory 1150 .
  • the one or more image processes for example, depth map generation, 3D modeling, panorama generation, feature point extraction, image synthesis, or image compensation (eg, noise reduction, resolution adjustment, brightness adjustment, blurring ( blurring, sharpening, or softening.
  • the image signal processor 1160 may include at least one of the components included in the camera module 1080 (eg, an image sensor). 1130) may be controlled (eg, exposure time control, read-out timing control, etc.)
  • the image processed by the image signal processor 1160 is stored again in the memory 1150 for further processing.
  • the image signal processor 1160 may be configured as at least a part of the processor 1020 or may be configured as a separate processor that operates independently of the processor 1020.
  • the image signal processor 1160 may be configured as a processor 1020 When configured as a separate processor, at least one image processed by the image signal processor 1160 may be displayed through the display device 1060 as it is by the processor 1020 or after additional image processing.
  • the electronic device 1001 may include a plurality of camera modules 1080 each having different properties or functions.
  • at least one of the plurality of camera modules 1080 may be a wide-angle camera and at least the other may be a telephoto camera.
  • at least one of the plurality of camera modules 1080 may be a front camera and at least the other may be a rear camera.
  • an electronic device eg, the electronic device 100 of FIG. 2
  • includes a camera eg, the camera 180 of FIG. 2
  • a memory eg, the memory 230 of FIG. 2
  • at least one processor eg, the processor 210 of FIG. 2
  • the at least one processor executes a neural network model for generating an image
  • the neural network model is at least one of a plurality of computational layers.
  • a first group including 1 calculation layer eg, the first group 211_1 in FIG. 2
  • a second group including at least a second calculation layer among the plurality of calculation layers (eg, the second group in FIG.
  • First result data is obtained as second result data corresponding to the second input, and when the second operation parameter and the first operation parameter are distinguished, the neural network operation is performed based on the operation parameter of the second group.
  • second result data that is distinguished (different) from the first result data may be obtained.
  • the neural network model further includes a third group including at least a third calculation layer among a plurality of calculation layers, and the at least one processor is configured in the first frame among the plurality of frames.
  • second frames are provided as a third input to the first group of the neural network model, third result data corresponding to the third input is obtained, and the second result data of the first frame and the second result data of the first frame are obtained.
  • the image may be generated based on the third result data of 2 frames.
  • the resulting image may be generated based on the second result data and the third result data.
  • the at least one processor may store the third result data in the memory.
  • the electronic device may further include a display, and the at least one processor may display the generated image through the display.
  • the at least one processor may determine whether an arithmetic structure of the first group is identical to an arithmetic structure of the second group.
  • the at least one processor omits (by pass, skip) the neural network operation based on the second group in response to an operation structure of the first group being the same as that of the second group. )can do.
  • the first calculation parameter and the second calculation parameter may be at least one of a weight value and a bias value used in a convolution operation.
  • the at least one processor when an operation structure of the first group is identical to at least a portion of an operation structure of the second group, the at least one processor converts the first result data to the same as at least a portion of the second group. It can be obtained as intermediate result data up to the part.
  • the first calculation layer and the second calculation layer may include at least a convolution layer.
  • the at least one processor may generate reuse information for the first result data when storing the first result data in the memory.
  • the operating method of the electronic device is an operation of sequentially obtaining a plurality of frames using a camera, and a first frame among the plurality of frames is used as a first input to a first group of a neural network model.
  • An operation of providing, an operation of storing the first result data corresponding to the first input in a memory, an operation of providing the first frame to a second group as a second input, and a second operation parameter of the second group Determining whether the first operation parameter of the first group is the same, and in response to the second operation parameter and the first operation parameter being the same, the first result data without performing a neural network operation based on the second group.
  • providing a second frame consecutive to the first frame among the plurality of frames to the first group of the neural network model as a third input, and a third result corresponding to the third input may include obtaining data and generating an image based on the second result data of the first frame and the third result data of the second frame.
  • an operation of storing the third result data in the memory may be included.
  • an operation of displaying the generated image through a display may be included.
  • an operation of determining whether an arithmetic structure of the first group and an arithmetic structure of the second group are the same may be included.
  • an operation of omitting the neural network calculation based on the second group may be included.
  • the first calculation parameter and the second calculation parameter may be at least one of a weight value and a bias value used in a convolution operation.
  • the first result data is transmitted to a portion identical to the at least a portion of the second group. It may include an operation of obtaining as intermediate result data of.
  • the first calculation layer included in the first group and the second calculation layer included in the second group may include at least a convolution layer.
  • storing the first result data in the memory may include generating reuse information for the first result data.
  • Electronic devices may be devices of various types.
  • the electronic device may include, for example, a portable communication device (eg, a smart phone), a computer device, a portable multimedia device, a portable medical device, a camera, a wearable device, or a home appliance.
  • a portable communication device eg, a smart phone
  • a computer device e.g., a smart phone
  • a portable multimedia device e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a camera
  • a wearable device e.g., a smart bracelet
  • first, second, or first or secondary may simply be used to distinguish that component from other corresponding components, and may refer to that component in other respects (eg, importance or order) is not limited.
  • a (eg, first) component is said to be “coupled” or “connected” to another (eg, second) component, with or without the terms “functionally” or “communicatively.”
  • the certain component may be connected to the other component directly (eg by wire), wirelessly, or through a third component.
  • module used in various embodiments of this document may include a unit implemented in hardware, software, or firmware, and is interchangeably interchangeable with terms such as, for example, logic, logic blocks, components, or circuits.
  • a module may be an integrally constructed component or a minimal unit of components or a portion thereof that performs one or more functions.
  • the module may be implemented in the form of an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • a storage medium eg, internal memory 1036 or external memory 1038
  • a machine eg, electronic device 1001
  • a processor eg, the processor 1020
  • a device eg, the electronic device 1001
  • the one or more instructions may include code generated by a compiler or code executable by an interpreter.
  • the device-readable storage medium may be provided in the form of a non-transitory storage medium.
  • the storage medium is a tangible device and does not contain a signal (e.g. electromagnetic wave), and this term refers to the case where data is stored semi-permanently in the storage medium. It does not discriminate when it is temporarily stored.
  • a signal e.g. electromagnetic wave
  • the method according to various embodiments disclosed in this document may be included and provided in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • a computer program product is distributed in the form of a device-readable storage medium (e.g. compact disc read only memory (CD-ROM)), or through an application store (e.g. Play Store TM ) or on two user devices (e.g. It can be distributed (eg downloaded or uploaded) online, directly between smart phones.
  • a device e.g. compact disc read only memory (CD-ROM)
  • an application store e.g. Play Store TM
  • It can be distributed (eg downloaded or uploaded) online, directly between smart phones.
  • at least part of the computer program product may be temporarily stored or temporarily created in a storage medium readable by a device such as a manufacturer's server, an application store server, or a relay server's memory.
  • each component (eg, module or program) of the components described above may include a single object or a plurality of objects, and some of the multiple objects may be separately disposed in other components.
  • one or more components or operations among the aforementioned components may be omitted, or one or more other components or operations may be added.
  • a plurality of components eg modules or programs
  • the integrated component may perform one or more functions of each of the plurality of components identically or similarly to those performed by a corresponding component of the plurality of components prior to the integration. .
  • operations performed by modules, programs, or other components are executed sequentially, in parallel, iteratively, or heuristically, or one or more of the operations are executed in a different order, omitted, or , or one or more other operations may be added.

Abstract

본 문서에 개시되는 일 실시 예에 따른 전자 장치는 이미지를 생성하기 위한 신경망 모델을 실행하고, 카메라를 이용하여 복수의 프레임들을 연속적으로 획득하고(consecutively obtain), 복수의 프레임들 중 제1 프레임을 신경망 모델의 제1 그룹에 제1 입력으로 제공하고, 제1 입력에 대응하는 제1 결과 데이터를 메모리에 저장하고, 제1 프레임을 제2 그룹에 제2 입력으로 제공하고, 제2 그룹의 제2 연산 파라미터가 제1 그룹의 제1 연산 파라미터와 동일한지 여부를 판단하고, 제2 연산 파라미터와 제1 연산 파라미터가 동일하면, 제2 그룹에 기반한 신경망 연산의 수행 없이 제1 결과 데이터를 제2 입력에 대응하는 제2 결과 데이터로서 획득할 수 있다.

Description

신경망을 통해 이미지를 처리하는 방법 및 그 전자 장치
본 문서에서 개시되는 실시 예들은, 신경망을 통해 이미지를 처리하는 방법 및 그 전자 장치에 관한 것이다.
인공지능 시스템(또는 통합 지능화 시스템)은 인간 수준의 지능을 구현하는 컴퓨터 시스템으로서 기계가 스스로 학습하고 판단하며, 사용할수록 인식률과 정확도가 향상되는 시스템이다. 인공지능 기술은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘을 이용하는 기계학습(딥러닝) 기술 및 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들로 구성된다.
기계학습 기술은 예로, 인간의 언어/문자를 인식하는 언어적 이해 기술, 사물을 인간의 시각처럼 인식하는 시각적 이해 기술, 정보를 판단하여 논리적으로 추론하고 예측하는 추론/예측 기술, 인간의 경험 정보를 지식데이터로 처리하는 지식 표현 기술 및 차량의 자율 주행, 로봇의 움직임을 제어하는 동작 제어 기술 중 적어도 하나를 포함하는 어플리케이션을 위해 사용될 수 있다.
인공지능 시스템이 탑재된 전자 장치는 이미지 처리를 함에 있어서, 카메라를 통해 획득된 이미지 데이터를 분석하고, 분석된 결과에 기초하여 적어도 하나 이상의 신경망(neural network)을 통해 이미지 처리를 수행하는 기능을 지원할 수 있다.
전자 장치는 연속적으로 입력되는 멀티 프레임에 대하여 신경망을 이용하여 여러 과정의 이미지 프로세스를 수행할 때, 각 과정에서 동일한 연산 과정을 수행할 수 있다. 다만, 멀티 프레임에 대해 이미지 프로세스를 거치는 경우, 전자 장치는 동일한 연산 과정을 수행할 필요가 없음에도 불구하고 많은 양의 연산(들)을 수행할 수 있다.
본 개시의 다양한 실시 예들은, 신경망(neural network)을 통해 이미지 처리 구조를 분석하고, 반복되는 연산 과정을 식별하고, 동일한 연산 과정의 결과를 저장하고, 과정의 반복 없이 저장한 결과 데이터를 이용하는 방법 및 그 전자 장치를 제공한다.
본 개시에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 문서에 개시되는 일 실시 예에 따른 전자 장치는 카메라, 메모리, 및 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는, 이미지를 생성하기 위한 신경망 모델을 실행할 수 있고, 신경망 모델은 복수 개의 연산 레이어들 중 적어도 제1 연산 레이어를 포함하는 제1 그룹 및 복수 개의 연산 레이어들 중 적어도 제2 연산 레이어를 포함하는 제2 그룹을 포함할 수 있다. 프로세서는 또한 카메라를 이용하여 복수의 프레임들을 연속적으로 획득하고(consecutively obtain), 복수의 프레임들 중 제1 프레임을 신경망 모델의 제1 그룹에 제1 입력으로 제공할 수 있다. 프로세서는 이에 더하여 제1 입력에 대응하는 제1 결과 데이터를 메모리에 저장할 수 있다. 프로세서는 이에 더하여, 제1 프레임을 제2 그룹에 제2 입력으로 제공하고, 제2 그룹의 제2 연산 파라미터가 제1 그룹의 제1 연산 파라미터와 동일한지 여부를 판단하고, 제2 연산 파라미터와 제1 연산 파라미터가 동일하면, 제2 그룹에 기반한 신경망 연산의 수행 없이 제1 결과 데이터를 제2 입력에 대응하는 제2 결과 데이터로서 획득할 수 있다. 프로세서는 이에 더하여, 제2 연산 파라미터와 제1 연산 파라미터가 구별되면, 제2 그룹의 연산 파라미터에 기반하여 신경망 연산을 수행하여 제1 결과 데이터와 구별되는 제2 결과 데이터를 획득할 수 있다.
본 문서에 개시되는 일 실시 예에 따른 전자 장치의 동작 방법은 카메라를 이용하여 복수의 프레임들을 연속적으로 획득(consecutively obtain)는 동작, 복수의 프레임들 중 제1 프레임을 신경망 모델의 제1 그룹에 제1 입력으로 제공하는 동작, 제1 입력에 대응하는 제1 결과 데이터를 메모리에 저장하는 동작을 포함할 수 있다. 상기 방법은 제1 프레임을 제2 그룹에 제2 입력으로 제공하는 동작, 제2 그룹의 제2 연산 파라미터가 제1 그룹의 제1 연산 파라미터와 동일한지 여부를 판단하는 동작을 더 포함할 수 있다. 상기 방법은 제2 연산 파라미터와 제1 연산 파라미터가 동일함에 응답하여, 제2 그룹에 기반한 신경망 연산의 수행 없이 제1 결과 데이터를 제2 입력에 대응하는 제2 결과 데이터로서 획득하는 동작 및 제2 연산 파라미터와 제1 연산 파라미터가 구별된 것으로 결정함에 응답하여, 제2 그룹의 연산 파라미터에 기반하여 신경망 연산을 수행하여 제1 결과 데이터와 구별되는 제2 결과 데이터를 획득하는 동작을 포함할 수 있다.
본 문서에 개시되는 다양한 실시 예들에 따르면, 이전에 수행된 연산의 일부를 저장한 후 재활용하므로 신경망의 연산량을 감소시킬 수 있다.
또한, 다양한 실시 예에 따르면, 신경망의 모든 연산을 수행하지 않으므로 처리 속도를 향상시킬 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 일 실시 예에 따른 전자 장치 및 카메라에 대한 구조를 도시한 도면이다.
도 2는 일 실시 예에 따른 전자 장치의 하드웨어 구성 및 소프트웨어 모듈을 나타낸다.
도 3은 일 실시 예에 따른 전자 장치에서, 복수의 이미지 프레임을 획득하는 경우, 신경망 모델의 수행 과정을 간략하게 나타낸 도면이다.
도 4는 일 실시 예에 따른 전자 장치에서, 신경망 모델의 각 그룹의 연산 과정이 동일한 경우, 복수의 이미지 프레임에 대하여 이미지 처리를 하는 것을 나타낸다.
도 5는 일 실시 예에 따른 전자 장치에서, 프리뷰 이미지를 생성하기 위한 신경망 모델의 동작 과정을 나타내기 위한 흐름도이다.
도 6은 일 실시 예에 따른 전자 장치에서, 신경망 모델을 통해 연산 결과를 저장하는 과정을 나타낸 흐름도이다.
도 7은 일 실시 예에 따른 전자 장치에서, 신경망 모델을 통해 저장된 연산 결과를 재사용하는 과정을 나타낸 흐름도이다.
도 8은 일 실시 예에 따른 전자 장치에서, 신경망 모델의 그룹들이 동일한 연산 과정을 포함하고 있는 경우의 처리를 나타낸다.
도 9는 일 실시 예에 따른 전자 장치에서, 신경망 모델의 그룹들이 동일한 연산 과정을 포함하고 있는 경우의 처리를 나타낸다.
도 10은 다양한 실시 예들에 따른 네트워크 환경 내의 전자 장치의 블록도이다.
도 11은 다양한 실시 예들에 따른, 카메라 모듈을 예시하는 블럭도이다.
이하, 본 문서의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 문서를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.
도 1은 일 실시 예에 따른 전자 장치 및 카메라에 대한 구조를 도시한 도면이다.
도 1은 일 실시 예에 따른 카메라(예: 도 10의 카메라 모듈(1080))(180)를 장착한 전자 장치(예: 도 10의 전자 장치(1001))(100)의 외관 및 카메라(180)를 개략적으로 나타낸 도면이다. 도 1의 실시 예는 모바일 기기, 특히, 스마트 폰을 전제로 도시 및 설명되었으나, 다양한 전자 기기 또는 모바일 기기들 중 카메라를 탑재한 전자 기기에 적용될 수 있음은 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 것이다.
도 1을 참고하면, 일 실시 예에 따른 전자 장치(100)의 전면에는 디스플레이(110)가 배치될 수 있다. 일 실시 예에서, 디스플레이(110)는 전자 장치(100)의 전면의 대부분을 차지할 수 있다. 전자 장치(100)의 전면에는 디스플레이(110), 및 디스플레이(110)의 적어도 일부 가장자리를 둘러싸는 베젤(bezel)(190) 영역이 배치될 수 있다. 디스플레이(110)는 평면 영역(flat area)과 평면 영역에서 전자 장치(100)의 측면을 향해 연장되는 곡면 영역(curved area)을 포함할 수 있다. 도 1에 도시된 전자 장치(100)는 하나의 예시이며, 다양한 실시 예가 가능하다. 예를 들어, 전자 장치(100)의 디스플레이(110)는 곡면 영역 없이 평면 영역만 포함하거나 양측이 아닌 한 쪽 가장자리에만 곡면 영역을 구비할 수 있다. 또한 일 실시 예에서, 곡면 영역은 전자 장치의 후면으로 연장되어 전자 장치(100)는 추가적인 평면 영역을 구비할 수도 있다.
일 실시 예에서 전자 장치(100)는 추가적으로 스피커(speaker), 리시버, 전면 카메라, 근접 센서, 홈 키 등을 포함할 수 있다. 일 실시 예에 따른 전자 장치(100)는 후면 커버(150)가 전자 장치의 본체와 일체화되어 제공될 수도 있다. 또 다른 실시 예에서, 후면 커버(150)가 전자 장치(100)의 본체로부터 분리되어, 배터리를 교체할 수 있는 형태를 가질 수 있다. 후면 커버(150)는 배터리 커버 또는 배면 커버로 참조될 수도 있다.
일 실시 예에서, 디스플레이(110)의 제1 영역(170)에 사용자의 지문 인식을 위한 지문 센서(171)가 포함될 수 있다. 지문 센서(171)는 디스플레이(110)의 아래 층에 배치됨으로써, 사용자에 의해 시인되지 않거나, 시인이 어렵게 배치될 수 있다. 또한, 지문 센서(171) 외에 추가적인 사용자/생체 인증을 위한 센서가 디스플레이(110)의 일부 영역에 배치될 수 있다. 다른 실시 예에서, 사용자/생체 인증을 위한 센서는 베젤(190)의 일 영역에 배치될 수 있다. 예를 들어, 홍채 인증을 위한 IR 센서가 디스플레이(110)의 일 영역을 통해 노출되거나, 베젤(190)의 일 영역을 통해 노출될 수 있다.
일 실시 예에서, 전자 장치(100)의 전면의 제2 영역(160)에는 전면 카메라(161)가 배치될 수 있다. 도 1의 실시 예에서는 전면 카메라(161)가 디스플레이(110)의 일 영역을 통해 노출되는 것으로 도시되었으나, 다른 실시 예에서 전면 카메라(161)가 베젤(190)을 통해 노출될 수 있다. 전자 장치(100)는 하나 이상의 전면 카메라(161)를 포함할 수 있다. 예를 들어, 전자 장치(100)는 제1 전면 카메라 및 제2 전면 카메라와 같이 2개의 전면 카메라를 포함할 수 있다. 일 실시 예에서, 제1 전면 카메라와 제2 전면 카메라는 동등한 사양(예: 화소)을 가지는 동종의 카메라일 수 있으나, 제1 전면 카메라와 제2 전면 카메라는 다른 사양의 카메라로 구현될 수 있다. 전자 장치(100)는 2개의 전면 카메라를 통해 듀얼 카메라와 관련된 기능(예: 3D 촬영, 자동 초점(auto focus) 등)을 지원할 수 있다. 상기 언급된 전면 카메라에 대한 설명은 전자 장치(100)의 후면 카메라에 동일 또는 유사하게 적용될 수 있다.
일 실시 예에서, 전자 장치(100)는 플래시와 같이 촬영을 보조하는 각종 하드웨어나 센서(163)가 추가적으로 배치될 수 있다. 예를 들어, 피사체와 전자 장치(100) 사이의 거리를 감지하기 위한 거리 센서(예: TOF 센서) 등이 더 포함될 수 있다. 상기 거리 센서는 전면 카메라 및/또는 후면 카메라에 모두 적용될 수 있다. 상기 거리 센서는 별도로 배치되거나 포함되어 전면 카메라 및/또는 후면 카메라에 배치될 수 있다.
일 실시 예에서, 전자 장치(100)의 측면부에는 적어도 하나의 물리 키가 배치될 수 있다. 예를 들어, 디스플레이(110)를 ON/OFF하거나 전자 장치(100)의 전원을 ON/OFF하기 위한 제1 기능 키(151)가 전자 장치(100)의 전면을 기준으로 우측 가장자리에 배치될 수 있다. 일 실시 예에서, 전자 장치(100)의 볼륨을 제어하거나 화면 밝기 등을 제어하기 위한 제2 기능 키(152)가 전자 장치(100)의 전면을 기준으로 좌측 가장자리에 배치될 수 있다. 이 외에도 추가적인 버튼이나 키가 전자 장치(100)의 전면이나 후면에도 배치될 수 있다. 예를 들어, 전면의 베젤(190) 중 하단 영역에 특정 기능에 맵핑된 물리 버튼이나 터치 버튼이 배치될 수 있다.
도 1에 도시된 전자 장치(100)는 하나의 예시에 해당하며, 본 개시에 개시된 기술적 사상이 적용되는 장치의 형태를 제한하는 것은 아니다. 예를 들어, 플렉서블 디스플레이 및 힌지 구조를 채용하여, 가로 방향으로 폴딩이 가능하거나 세로 방향으로 폴딩이 가능한 폴더블 전자 장치나, 롤링이 가능한 롤러블 전자 장치나, 태블릿 또는 노트북에도 본 개시의 기술적 사상이 적용될 수 있다. 또한, 같은 방향을 향하는 제1 카메라와 제2 카메라가, 장치의 회전, 접힘, 변형 등을 통해 다른 방향을 향하도록 배치되는 것이 가능한 경우에도 본 기술적 사상은 적용될 수 있다.
도 1을 참조하면, 일 실시 예에 따른 전자 장치(예: 도 10의 전자 장치(1001))(100)는 카메라(예: 도 10의 카메라 모듈(1080))(180)를 포함할 수 있다. 카메라(180)는 렌즈 어셈블리(예: 도 11의 렌즈 어셈블리(1110))(111), 하우징(113), 적외선 차단 필터(Infared cut filter)(115), 이미지 센서(예: 도 11의 이미지 센서(1130))(120) 및 이미지 시그널 프로세서(image signal processor)(예: 도 11의 이미지 시그널 프로세서(1160))(130)를 포함할 수 있다.
일 실시 예에서, 렌즈 어셈블리(111)는 전면 카메라와 후면 카메라에 따라 렌즈의 개수, 배치, 종류 등이 서로 다를 수 있다. 렌즈 어셈블리의 타입에 따라 전면 카메라와 후면 카메라는 서로 다른 특성(예: 초점 거리, 최대 배율 등)을 가질 수 있다. 상기 렌즈는 광축을 따라 전, 후로 움직일 수 있으며, 초점 거리를 변화시켜 피사체가 되는 대상 객체가 선명하게 찍힐 수 있도록 동작할 수 있다.
일 실시 예에서, 카메라(180)는 광축 상에 정렬된 적어도 하나 이상의 렌즈를 실장하는 경통과 광축을 중심으로 상기 경통의 둘레를 둘러싸는 적어도 하나의 코일을 실장하는 하우징(113)을 포함할 수 있다.
일 실시 예에서, 적외선 차단 필터(115)는 이미지 센서(120)의 상면에 배치될 수 있다. 렌즈를 통과한 피사체의 상은 적외선 차단 필터(115)에 의해 일부 필터링된 후 이미지 센서(120)에 의해 감지될 수 있다.
일 실시 예에서, 이미지 센서(120)는 인쇄회로기판의 상면에 배치될 수 있다. 이미지 센서(120)는 커넥터(connector)에 의해 인쇄회로기판(140)과 연결된 이미지 시그널 프로세서(130)와 전기적으로 연결될 수 있다. 상기 커넥터로는 연성 인쇄회로 기판(FPCB) 또는 케이블(cable) 등이 사용될 수 있다.
일 실시 예에서, 이미지 센서(120)는 CMOS(complementary metal oxide semiconductor) 센서 또는 CCD(charged coupled device) 센서일 수 있다. 이미지 센서(120)에는 복수의 개별 픽셀들(pixels)이 집적되며, 각 개별 픽셀은 마이크로 렌즈(micro lens), 컬러 필터 및 포토다이오드(photodiode)를 포함할 수 있다. 각 개별 픽셀은 일종의 광검출기로서 입력되는 광을 전기적 신호로 변환시킬 수 있다. 광검출기는 일반적으로 캡쳐된 광의 파장을 스스로 검출할 수 없고 컬러 정보를 결정할 수 없다. 상기 광검출기는 포토다이오드를 포함할 수 있다.
일 실시 예에서, 렌즈 어셈블리(111)를 통해 입사된 피사체의 광 정보는 이미지 센서(120)에 의해 전기적 신호로 변환되어 이미지 시그널 프로세서(130)로 입력될 수 있다.
일 실시 예에서, 카메라(180)는 전자 장치(100)의 후면뿐만 아니라, 전면에 배치될 수 있다. 또한 전자 장치(100)는 카메라의 성능 향상을 위해 한 개의 카메라(180) 뿐만 아니라, 여러 개의 카메라(180)를 포함할 수 있다. 예를 들어, 전자 장치(100)는 영상 통화 또는 셀프 카메라 촬영을 위한 전면 카메라(161)를 더 포함할 수 있다. 전면 카메라(161)는 후면 카메라 모듈에 비하여 상대적으로 낮은 화소 수를 지원할 수 있다. 전면 카메라는 후면 카메라 모듈에 비하여 상대적으로 보다 소형일 수 있다.
도 2는 일 실시 예에 따른 전자 장치의 하드웨어 구성 및 소프트웨어 모듈을 나타낸다. 도 2의 설명에 있어서, 도 1에서 설명된 구성은 간략하게 설명되거나 설명이 생략될 수 있다.
도 2를 참고하면, 전자 장치(100)는 이미지에 효과를 적용하기 위한 기능들을 지원하기 위해 하드웨어 및/또는 소프트웨어 모듈을 이용할 수 있다. 예를 들어, 프로세서(210)는 메모리(230)에 저장된 명령어들을 실행함으로써 신경망 분석 모듈(211), 및 신경망 실행 모듈(213)을 구동할 수 있다. 다양한 실시 예에서, 도 2에 도시된 것과 다른 소프트웨어 모듈이 구현될 수 있다. 예를 들어, 적어도 2개의 모듈이 하나의 모듈로 통합되거나, 하나의 모듈이 2개 이상의 모듈로 분할될 수 있다. 또한 하드웨어와 소프트웨어 모듈이 하나의 기능을 분담함으로써 작업 성능을 개선시킬 수 있다. 예를 들어, 전자 장치(100)는 하드웨어로 구현되는 인코더와 소프트웨어 모듈로 구현되는 인코더를 모두 포함할 수 있고, 적어도 하나의 카메라 모듈을 통해 획득되는 데이터의 일부는 하드웨어 인코더에서, 나머지 일부는 소프트웨어 인코더에서 처리할 수 있다. 또한 도 2에 도시된 하드웨어/소프트웨어 사이의 연결 관계는 설명의 편의를 위한 것이며, 데이터나 명령의 흐름/방향을 제한하지 않는다. 전자 장치(100)에 포함되는 구성요소들은 다양한 전기적/작동적 연결 관계를 가질 수 있다.
일 실시 예에서, 프로세서(210)는 카메라(180)를 통해 이미지 프레임(또는, 프레임)을 획득할 수 있다. 프로세서(210)는 카메라(180)를 통해 복수 개의 프레임(또는, 멀티 프레임)을 연속적으로 획득할 수 있다. 예를 들어, 프로세서(210)는 n 번째 프레임, n+1 번째 프레임, n+2 번째 프레임을 순서대로 획득할 수 있다.
일 실시 예에서, 프로세서(210)는 획득된 복수 개의 프레임을 이용하여 결과 이미지를 생성할 수 있다. 일 실시 예에서, 획득된 프레임의 서브 세트는 결과 이미지를 생성하기 위해 사용될 수 있다. 일 실시 예에섯, 획득된 프레임의 상이한 조합을 사용하여 하나 이상의 결과 이미지를 생성할 수 있따. 예를 들어, 프로세서(210)는 n 번째 프레임 내지 n+4 번째 프레임을 이용하여 제1 결과 이미지를 생성할 수 있다. 프로세서(210)는 n+1 번째 프레임 내지 n+5 번째 프레임을 이용하여 제2 결과 이미지를 생성할 수 있다.
일 실시 예에서, 결과 이미지(들)를 생성함에 있어서, 프로세서(210)는 신경망 모델을 이용할 수 있다. 일 실시 예에 따르면, 신경망(neural network) 모델은 적어도 하나의 그룹을 포함할 수 있다. 일 실시 예에 따른 적어도 하나의 그룹은 각각 적어도 하나의 레이어를 포함할 수 있다. 상기 적어도 하나의 레이어는 선형 레이어(예: 컨볼루션 레이어) 또는 비선형 레이어(예: 폴링 레이어)일 수 있다. 일 실시 예에서, 프로세서(210)는 컨볼루션 레이어를 통해 신경망 연산을 수행할 수 있다. 일 실시 예에서, 컨볼루션 레이어는 입력되는 값에 기반하여 특징 벡터를 생성할 수 있다. 예를 들어, 컨볼루션 레이어는 입력된 이미지 신호에 대응되는 특징 벡터를 생성할 수 있다.
일 실시 예에 따르면, 상기 신경망은 전자 장치(100)와 통신 가능한 외부 장치에 포함될 수 있다. 예를 들어, 상기 신경망은 신경망 및/또는 신경망 학습을 위한 구조를 포함하는 지능형 서버에 포함될 수 있다. 일 실시 예에 따르면, 프로세서(210)는 전자 장치(100)에 포함된 통신 회로를 이용하여 신경망을 이용한 지능형 서버와 데이터를 송수신할 수 있다. 일 실시 예에서, 상기 지능형 서버는 인공 지능(artificial intelligent)(AI) 시스템을 이용하기 위한 구조를 포함할 수 있다. 인공지능 시스템은 신경망 베이스 시스템(neual network-based system)(예: 피드포워드 신경망(feedforward neural network(FNN)), 및/또는 순환 신경망(recurrent neural network(RNN))) 일 수도 있다.
일 실시 예에 따르면, 프로세서(210)는 상기 지능형 서버를 이용하여 인공 지능과 관련된 기능을 수행할 수 있다. 예를 들어, 프로세서(210)는 획득된 이미지 신호에 기초하여 단독으로 또는 상기 지능형 서버와 함께 이미지 생성 동작을 수행할 수 있다.
일 실시 예에서, 프로세서(210)는 획득되어지는 이미지 프레임을 신경망 모델의 그룹들(또는, 레이어들)의 연산 구조를 통해 이미지 처리를 수행할 수 있다. 예를 들어, 프로세서(210)는 n번째 프레임을 신경망 모델의 제1 그룹(211_1), 제2 그룹(211_2), 제3 그룹(211_3), 제4 그룹_(211_4), 및/또는 제5 그룹(211_5)을 통해 순차적으로 연산 처리를 수행할 수 있다.
일 실시 예에서, 메모리(230)는 프로그램 및/또는 데이터를 저장할 수 있다. 예를 들어, 메모리(230)는 신경망을 위한 연산 파라미터, 입력 데이터, 출력 데이터를 저장할 수 있다. 일 실시 예에서, 프로세서(210)는 메모리(230)로부터 수신된 입력 데이터에 기반하여 연산 동작(예: 컨볼루션 연산)을 수행하고, 연산 결과를 메모리(230)에 저장할 수 있다.
일 실시 예에서, 신경망 분석 모듈(211)은 신경망 모델의 구조를 분석할 수 있다. 신경망 모델이 적어도 둘 이상의 프레임을 포함하는 다중 프레임에 대하여 이미지 처리를 수행하는 경우, 신경망 분석 모듈(211)은 각 프레임을 처리하는 신경망 그룹 간의 의존성 및/또는 연산 과정의 일치 여부를 분석할 수 있다. 신경망 분석 모듈(211)은 분석된 정보를 신경망 실행 모듈(213)로 전달할 수 있다.
일 실시 예에서, 신경망 실행 모듈(213)은 신경망 분석 모듈(211)로부터 전달된 신경망 그룹 간 의존성 및/또는 연관성 정보를 활용하여, 연산 과정 및/또는 연산 결과를 저장하고, 저장된 과정 및/또는 결과를 재사용할 수 있다.
일 실시 예에서, 프로세서(210)는 생성된 결과 이미지를 디스플레이(110)의 적어도 일 부분을 통해서 표시할 수 있다. 프로세서(210)는 생성된 복수 개의 결과 이미지를 프리뷰 이미지로 출력할 수 있다. 프로세서(210)는 생성된 복수 개의 결과 이미지에 기반하여 동영상과 같은 연속된 이미지를 표시할 수 있다.
도 3은 일 실시 예에 따른 전자 장치에서 복수의 이미지 프레임을 획득하는 경우, 신경망 모델의 수행 과정을 간략하게 나타낸 도면이다.
일 실시 예에서, 프로세서(210)는 시간 t에서 n번째 프레임(301)을 제1 그룹(310)에 입력할 수 있다. 프로세서(210)는 제1 그룹(310)의 연산 과정을 통해 n번째 프레임(301)에 대한 프로세스를 수행할 수 있다. 프로세서(210)는 시간 t+1에서 n번째 프레임(301)을 제2 그룹(320)에 입력하고, n+1번째 프레임(303)을 제1 그룹(310)에 입력할 수 있다.
일 실시 예에서, 프로세서(210)는 n번째 프레임(301)에 대한 제1 그룹(310)의 연산 결과 및/또는 연산 과정을 포함하는 제n_1 데이터(231)을 메모리(230)에 저장할 수 있다. 이는 n+1번째 프레임에 대해서도 동일하게 적용될 수 있다. 예를 들어, 프로세서(210)는 n+1번째 프레임(303)에 대한 제1 그룹(310)의 연산결과 및/또는 연산 과정을 포함하는 제n+1_1 데이터(232)를 메모리(230)에 저장할 수 있다. 일 실시 예에 따르면, 제1 그룹(310)과 제2 그룹(320)의 연산 구조 또는 연산 과정이 동일하므로, 프로세서(210)는 n번째 프레임(301)이 제2 그룹(320)을 거쳐야할 단계에서 n번째 프레임(301)에 대한 계산 결과를 제2 그룹(320)에서 사용할 수 있다. 상기 연산 구조 또는 연산 과정이 동일하는 것은, 예를 들면, 컨볼루션 연산 과정이 동일하고 컨볼루션 연산에 사용되는 가중치(weight) 값 및 편향성(bias) 값이 동일한 것으로 이해될 수 있다. 다른 실시 예에서, 제1 그룹(310)과 제2 그룹(320)의 연산 구조가 동일하지 않은 경우, 프로세서(210)는 저장된 연산 결과를 사용하지 않고, 제1 그룹(310)에 연산된 n번째 프레임(301)을 제2 그룹(320)에 입력할 수 있다. 위와 같은 설명은 n+1번째 프레임(303)에도 동일하게 적용될 수 있다.
이하, 가중치 값 및 편향성 값은 각각 weight 값 및 bias 값으로 표현될 수 있다.
도 4는 실시 예에 따른 전자 장치에서 신경망 모델의 각 그룹의 연산 과정이 동일한 경우, 복수의 이미지 프레임에 대하여 이미지 처리를 하는 것을 나타낸다.
도 4를 참조하면, 일 실시 예에서, 제1 그룹(410) 내지 제4 그룹(440))의 연산 구조 및/또는 연산 과정은 동일할 수 있다. 제1 그룹(410) 내지 제4 그룹(440)의 연산 과정(예: 컨볼루션 연산)에서 사용되는 컨벌루션 가중치(weight) 값 및 편향성(bias) 값이 동일할 수 있다.
일 실시 예에서, 연속적으로 입력되는 프레임(예: n번째 프레임, n+1번째 프레임, n+2번째 프레임, n+3번째 프레임)이 제1 그룹부터 순차적으로 입력되는 경우, 프로세서(210)는 제1 그룹(410)에서의 연산 결과를 지속적으로 메모리(예: 디램(DRAM))(230)에 저장할 수 있다. 예를 들어, 시간 t에서 n번째 프레임이 제1 그룹(410)으로 입력되는 경우, n번째 프레임에 대한 제1 그룹(410)에서의 연산 결과를 메모리(230)에 저장할 수 있다. 프로세서(210)는 시간 t+1에서 n번째 프레임이 제2 그룹(420)에 입력되고, n+1번째 프레임이 제1 그룹(410)으로 입력되는 경우, n+1번째 프레임에 대한 제1 그룹(410)에서의 연산 결과를 메모리(230)에 저장할 수 있다.
일 실시 예에서, 제1 그룹(410)으로 입력된 프레임들이 순차적으로 제2 그룹(420), 제3 그룹(430), 및 제4 그룹(440)에서 수행될 때, 실제 연산을 수행하지 않고 메모리(230)에 저장된 연산 결과를 획득하여 사용할 수 있다. 예를 들어, n번째 프레임이 제4 그룹(440)의 연산을 거치는 경우, n번째 프레임에 대한 제1 그룹(410)에서의 연산 결과를 획득하여, 상기 연산 결과를 제4 그룹(440)의 결과 데이터로 사용할 수 있다.
일 실시 예에서, 프레임들이 제4 그룹까지 거친 후, 제5 그룹을 통해서 하나의 결과 이미지 프레임을 생성할 수 있다. 다시 말해서, 카메라(180)를 통해 획득된 복수 개의 이미지 프레임(예: n번째 프레임 내지 n+4번째 프레임)을 이용하여 하나의 결과 이미지 프레임을 생성할 수 있다. 일 실시 예에서, 다른 개수의 그룹들이 존재할 수 있다.
도 5는 일 실시 예에 따른 전자 장치에서, 프리뷰 이미지를 생성하기 위한 신경망 모델의 동작 과정을 나타내기 위한 흐름도이다.
일 실시 예에 따른 동작 510에서, 프로세서(210)는 프리뷰 이미지를 생성하기 위한 신경망 모델을 실행할 수 있다. 신경망 모델은 서로 연결된 복수 개의 레이어에 의하여 형성된 복잡한 네트워크 모델일 수 있다. 일 실시 예에서, 프로세서(210)는 신경망 모델을 훈련시킬 수 있고, 훈련이 종료된 후에 획득된 신경망 모델을 실행하여 이미지 처리에 사용할 수 있다. 일 실시 예에 따르면, 신경망 모델은 적어도 하나의 그룹을 포함할 수 있고, 복수 개의 입력 데이터를 획득하는 구조를 포함할 수 있다. 예를 들어, 신경망 모델은 제1 그룹 및 제2 그룹을 포함할 수 있다. 이하 설명의 편의를 위하여 신경망 모델이 제1 그룹 및 제2 그룹을 포함하는 것으로 설명하였지만, 다양한 실시 예들에 따라 신경망 모델이 포함하는 그룹의 수는 이에 제한되지 않는다. 일 실시 예에 따르면, 신경망 모델에 포함된 그룹들은 각각 데이터를 입력 받아 연산 파라미터(예: 가중치 값, 바이어스 값)로 활용할 수 있고, 각각의 그룹에 기초한 연산 과정을 통해 결과 데이터를 출력할 수 있다. 예를 들어, 제1 그룹은 제1 입력을 획득하여 제1 결과 데이터를 출력할 수 있다. 또한, 제2 그룹은 제2 입력을 획득하여 제2 결과 데이터를 출력할 수 있다.
일 실시 예에 따른 동작 520에서, 프로세서(210)는 카메라(180)를 이용하여 복수의 프레임들을 연속적으로 획득할 수 있다. 프로세서(210)는 이미지 센서의 프레임 레이트에 대응하여 복수의 프레임들을 연속적으로 획득할 수 있다.
일 실시 예에 따른 동작 530에서, 프로세서(210)는 복수의 프레임들 중 제1 프레임을 상기 신경망 모델의 상기 제1 그룹에 제1 입력으로 제공할 수 있다.
일 실시 예에 따른 동작 540에서, 프로세서(210)는 상기 제1 입력에 대응하는 제1 결과 데이터를 메모리(230)에 저장할 수 있다. 프로세서(210)는 신경망 모델의 제1 그룹을 통해 처리된 제1 프레임에 기반하여 제1 결과 데이터를 출력할 수 있다. 프로세서(210)는 출력된 제1 결과 데이터를 메모리(예: 디램(DRAM))에 저장할 수 있다.
일 실시 예에 따른 동작 550에서, 프로세서(210)는 제2 그룹의 제2 연산 파라미터와 제1 그룹의 제1 연산 파라미터가 동일한지 판단할 수 있다. 예를 들어, 프로세서(210)는 신경망 모델의 상기 연산(예: 컨볼루션 연산) 과정에서 사용되는 weight 값, 및 bias 값이 동일한지 판단할 수 있다.
일 실시 예에 따른 동작 560에서, 프로세서(210)는 제2 그룹에 기반한 신경망 연산의 수행 없이 메모리(230)에 저장된 제1 결과 데이터를 제2 결과 데이터로서 획득하고 사용할 수 있다.
일 실시 예에 따른 동작 570에서, 프로세서(210)는 제1 프레임을 상기 제2 그룹에 제2 입력으로 제공할 수 있다. 일 실시 예에 따르면 동작 580에서, 프로세서(210)는 제2 그룹의 연산 파라미터에 기반하여 신경망 연산을 수행하여 제1 결과 데이터와 구별되는 제2 결과 데이터를 획득할 수 있다.
다시 말해서, 프로세서(210)는 제1 그룹의 연산 파라미터와 제2 그룹의 연산 파라미터가 동일한 경우, 제1 그룹을 통해 제1 프레임에 대한 제1 결과 데이터를 획득하고, 획득된 제1 결과 데이터를 제2 그룹의 제2 결과 데이터로서 획득할 수 있다. 다른 예로, 프로세서(210)는 제1 그룹의 연산 파마리터와 제2 그룹의 연산 파라미터가 상이한 경우, 제1 프레임을 제2 그룹에 제2 입력으로 제공하고, 제2 그룹의 연산 파라미터에 기반하여 신경망 연산이 수행된 제2 결과 데이터를 획득할 수 있다.
도 6은 일 실시 예에 따른 전자 장치에서, 신경망 모델을 통해 연산 결과를 저장하는 과정을 나타낸 흐름도이다.
일 실시 예에 따른 동작 610에서, 프로세서(210)는 신경망 모델의 연산 구조를 분석할 수 있다. 프로세서(210)는 신경망 모델에 포함되어 있는 각 그룹의 연산 구조를 분석할 수 있다.
일 실시 예에 따른 동작 620에서, 프로세서(210)는 신경망 모델의 각 연산 그룹이 독립적이며, 동일한 연산 과정이 존재하는지 판단할 수 있다. 예를 들어, 프로세서(210)는 신경망 모델의 제1 그룹, 및 제2 그룹이 독립적인 연산 그룹인지 판단할 수 있다. 상기 제2 그룹은 특정 데이터가 상기 제1 그룹 이후에 처리되는 연산 그룹일 수 있다. 예를 들어, 프로세서(210)는 신경망 모델의 제1 그룹, 및 제2 그룹의 연산 과정이 동일한지 판단할 수 있다. 예를 들어, 프로세서(210)는 신경망 모델의 상기 연산(예: 컨볼루션 연산) 과정에서 사용되는 weight 값, 및 bias 값이 동일한지 판단할 수 있다.
일 실시 예에 따른 동작 630에서, 프로세서(210)는 연산 과정을 저장할 수 있다. 프로세서(210)는 연산 과정에 대한 재사용 정보를 생성할 수 있다. 프로세서(210)는 신경망 모델의 제1 그룹 및 제2 그룹의 연산 과정이 동일하고, 연산 과정에서 사용되는 weight 값, 및 bias 값이 동일한 경우, 적어도 하나의 그룹(예: 제1 그룹 또는 제2 그룹)의 연산 과정 및/또는 연산 결과에 대한 재사용 정보를 생성할 수 있다.
도 7은 일 실시 예에 따른 전자 장치에서, 신경망 모델을 통해 저장된 연산 결과를 재사용하는 과정을 나타낸 흐름도이다.
일 실시 예에 따른 동작 710에서, 프로세서(210)는 연산 결과를 재사용할 수 있는지 판단할 수 있다. 프로세서(210)는 신경망의 연산 구조를 분석하여 연산 결과를 재사용할 수 있는지 판단할 수 있다. 연산 결과를 재사용하지 못하는 경우에는 동작 760을 수행하고, 연산 결과를 재사용할 수 있는 경우 동작 720을 수행할 수 있다.
일 실시 예에 따른 동작 720에서, 프로세서(210)는 연산 결과가 메모리(230)에 저장되어 있는지 판단할 수 있다. 예를 들어, 프로세서(210)는 재사용 할 수 있는 연산 결과가 메모리(230)에 저장되어 있는지 판단할 수 있다. 일 실시 예에 따르면, 프로세서(210)는 재사용 될 수 있는 연산 결과가 메모리(230)에 저장되어 있는 경우 동작 750을 수행하고, 연산 결과가 메모리(230)에 저장되어 있지 않은 경우, 동작 730 및 동작 740을 수행할 수 있다.
일 실시 예에 따르면, 프로세서(210)는 재사용 할 수 있는 연산 결과가 메모리(230)에 저장되어 있지 않은 경우, 동작 730에서, 일반적인 신경망 수행 과정을 실행할 수 있다. 여기서, 일반적인 신경망 과정이란 메모리(230)에 저장된 연산 결과를 이용하는 과정 없이 신경망을 통해 이미지 처리를 수행하는 것을 의미할 수 있다.
일 실시 예에 따르면, 동작 740에서, 프로세서(210)는 일반적인 신경망 과정을 수행하고, 그 계산 결과를 메모리(230)에 저장할 수 있다.
일 실시 예에 따른 동작 750에서, 프로세서(210)는 저장된 연산 결과를 메모리(230)에서 획득할 수 있다. 프로세서(210)는 메모리에서 획득한 연산 결과에 기반하여 다음 연산을 수행할 수 있다. 예를 들어, 프로세서(210)는 저장된 신경망의 제1 그룹의 결과를 제2 그룹의 결과로써 출력할 수 있다.
도 8은 일 실시 예에 따른 전자 장치에서, 신경망 모델의 그룹들이 동일한 연산 과정을 포함하고 있는 경우의 처리를 나타낸다.
도 8을 참조하면, 신경망 모델은 제1 그룹(810), 제2 그룹(820), 제3 그룹(830), 제4 그룹(840), 및 제5 그룹(850)을 포함할 수 있다. 상기 그룹들(810 내지 850)은 복수 개의 레이어를 포함할 수 있다. 도 8에서 각 레이어들은 연산 과정 및/또는 연산 파라미터를 의미할 수 있다.
도 8을 참조하면, 일 실시 예에서, 신경망 모델의 제1 그룹(810)과 제2 그룹(820)은 동일한 연산 과정을 포함할 수 있다. 예를 들어, 신경망 모델의 제1 그룹(810)과 제2 그룹(820)이 포함하는 레이어들은 동일할 수 있다. 일 실시 예에서, 신경망 모델의 제2 그룹(820)과 제3 그룹(830)은 부분적으로 동일한 연산 과정을 포함할 수 있다. 예를 들어, 제2 그룹(820)의 레이어들은 제3 그룹(830)의 레이어들 중 적어도 일부와 동일할 수 있다. 일 실시 예에서, 신경망 모델의 제3 그룹(830)과 제4 그룹(840)은 동일한 연산 과정을 포함할 수 있다. 예를 들어, 신경망 모델의 제3 그룹(830)과 제4 그룹(840)이 포함하는 레이어들은 동일할 수 있다.
일 실시 예에서, 입력 프레임을 각 그룹(810 내지 850)을 순차적으로 통과시켜 이미지 처리를 수행할 때, 각 그룹의 연산과정이 동일하고, 연산 과정에 사용되는 weight 값과 bias 값이 동일한 경우, 이전 그룹의 계산 결과를 사용할 수 있다.
일 실시 예에서, 도 8을 참조하면, 프로세서(210)는 n번째 프레임이 제2 그룹(820)의 입력으로 사용될 때 제1 그룹(810)의 계산 결과 및/또는 연산 과정을 제2 그룹(820)의 계산 결과 및/또는 연산 과정으로 사용할 수 있다. 예를 들어, 프로세서(210)는 제1 그룹(810)과 제2 그룹(820)이 동일한 연산 과정을 포함하고, 상기 연산 과정(예: 컨볼루션 연산)에 사용되는 weight 값과 bias 값이 동일한 경우, n번째 프레임이 제2 그룹(820)의 입력으로 사용될 때, 제2 그룹에 기초한 연산을 수행하지 않고, 제1 그룹(810)의 계산 결과 및/또는 연산 과정을 제2 그룹(820)의 계산 결과 및/또는 연산과정으로 사용할 수 있다.
일 실시 예에서, 도 8을 참조하면, 프로세서(210)는 n번째 프레임이 제3 그룹(830)의 입력으로 사용될 때 제1 그룹(810)의 계산 결과 및/또는 연산 과정을 제3 그룹(830)에서 부분적으로 사용할 수 있다. 예를 들어, 프로세서(210)는 제2 그룹(820)과 제3 그룹(830)이 부분적으로 동일한 연산 과정을 포함하고, 상기 연산 과정(예: 컨볼루션 연산)에 사용되는 weight 값과 bias 값이 동일한 경우, n번째 프레임이 제3 그룹(830)의 입력으로 사용될 때 제1 그룹(810)의 계산 결과 및/또는 연산 과정을 제2 그룹(820)의 중간 연산 결과 및/또는 중간 연산 과정으로 사용할 수 있다.
일 실시 예에서, 도 8을 참조하면, 프로세서(210)는 n번째 프레임이 제4 그룹(820)의 입력으로 사용될 때 제3 그룹(810)의 계산 결과 및/또는 연산 과정을 제4 그룹(840)의 계산 결과 및/또는 연산 과정으로 사용할 수 있다. 예를 들어, 프로세서(210)는 제3 그룹(830)과 제4 그룹(840)이 동일한 연산 과정을 포함하고, 상기 연산 과정(예: 컨볼루션 연산)에 사용되는 weight 값과 bias 값이 동일한 경우, n번째 프레임이 제4 그룹(840)의 입력으로 사용될 때 n번째 프레임을 입력으로 하는 제4 그룹의 연산을 수행하지 않고, 제3 그룹(830)의 계산 결과 및/또는 연산 과정을 제4 그룹(840)의 계산 결과 및/또는 연산과정으로 사용할 수 있다.
위와 같은 도 8의 설명은 n번째 프레임을 사용하지만, n번째 이후에 연속적으로 획득되는 n+1번째 프레임, n+2번째 프레임, 및 n+3번째 프레임에도 동일하게 적용될 수 있다.
도 9는 일 실시 예에 따른 전자 장치에서, 신경망 모델의 그룹들이 동일한 연산 과정을 포함하고 있는 경우의 처리를 나타낸다.
도 9를 참조하면, 신경망 모델은 제1 그룹(910), 제2 그룹(920), 제3 그룹(930), 제4 그룹(940), 및 제5 그룹(950)을 포함할 수 있다. 상기 그룹들(910 내지 950)은 복수 개의 레이어를 포함할 수 있다. 도 9에서 각 레이어들은 연산 과정 및/또는 연산 파라미터를 의미할 수 있다.
도 9을 참조하면, 일 실시 예에서, 신경망 모델의 제1 그룹(910) 내지 제4 그룹(940)의 연산 과정은 상이할 수 있다. 다시 말해서, 상기 제1 그룹(910) 내지 제4 그룹(940)이 포함하는 레이어는 동일하지 않을 수 있다. 일 실시 예에서, 신경망 모델의 제1 그룹(910)과 제3 그룹(930)은 부분적으로 동일할 수 있다. 예를 들어, 제1 그룹(910)의 레이어들은 제3 그룹(930)의 레이어들 중 적어도 일부와 동일할 수 있다. 일 실시 예에서, 신경망 모델의 제2 그룹(920)과 제4 그룹(940)은 부분적으로 동일할 수 있다. 예를 들어, 제2 그룹(920)의 레이어들은 제4 그룹(940)의 레이어들 중 적어도 일부와 동일할 수 있다.
일 실시 예에서, 입력 프레임을 각 그룹(910 내지 950)을 순차적으로 통과시켜 이미지 처리를 수행할 때, 각 그룹의 연산과정이 동일하고, 연산 과정에 사용되는 weight 값과 bias 값이 동일한 경우, 프로세서(210)는 이전 그룹의 계산 결과를 사용할 수 있다.
일 실시 예에서, 도 9를 참조하면, 프로세서(210)는 n번째 프레임을 제1 그룹(910)의 입력으로 연산 처리할 수 있다. 제1 그룹(910)과 제2 그룹(920)의 연산과정이 동일하지 않거나 연산과정에 사용되는 weight 값과 bias 동일하지 않으므로, 프로세서(210)는 제1 그룹(910)의 연산 결과 및/또는 연산 과정을 제2 그룹(920)에서 사용할 수 없다. 다시 말해서, 프로세서(210)는 n번째 프레임의 제1 그룹(910) 연산 결과를 제2 그룹(920)의 입력으로 연산 처리할 수 있다.
일 실시 예에서, 도 9을 참조하면, 프로세서(210)는 n번째 프레임이 제3 그룹(930)의 입력으로 사용될 때 제1 그룹(910)의 계산 결과 및/또는 연산 과정을 제3 그룹(930)의 중간 연산 결과 및/또는 중간 연산 과정으로 사용할 수 있다. 예를 들어, 프로세서(210)는 제1 그룹(910)과 제3 그룹(930)의 연산 과정, 상기 연산 과정(예: 컨볼루션 연산)에 사용되는 weight 값과 bias 값이 특정 부분에서만 일치하는 경우에 상기 일치하는 부분까지, 제3 그룹(930)에서 제1 그룹(910)과 동일한 부분은 수행하지 않고, 제1 그룹(910)의 계산 결과 및/또는 연산 과정을 재사용할 수 있다.
일 실시 예에서, 도 9을 참조하면, 프로세서(210)는 n번째 프레임이 제4 그룹(940)의 입력으로 사용될 때 제2 그룹(920)의 계산 결과 및/또는 연산 과정을 제4 그룹(940)의 중간 연산 결과 및/또는 중간 연산 과정으로 사용할 수 있다.
위와 같은 도 9의 설명은 n번째 프레임을 사용하지만, n번째 이후에 연속적으로 획득되는 n+1번째 프레임, n+2번째 프레임, 및 n+3번째 프레임에도 동일하게 적용될 수 있다.
도 10은 다양한 실시 예들에 따른 네트워크 환경(1000) 내의 전자 장치(1001)의 블록도이다.
도 10을 참조하면, 네트워크 환경(1000)에서 전자 장치(1001)는 제1 네트워크(1098)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(1002)와 통신하거나, 또는 제2 네트워크(1099)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(1004) 또는 서버(1008)와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(1001)는 서버(1008)를 통하여 전자 장치(1004)와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(1001)는 프로세서(1020), 메모리(1030), 입력 모듈(1050), 음향 출력 모듈(1055), 디스플레이 모듈(1060), 오디오 모듈(1070), 센서 모듈(1076), 인터페이스(1077), 연결 단자(1078), 햅틱 모듈(1079), 카메라 모듈(1080), 전력 관리 모듈(1088), 배터리(1089), 통신 모듈(1090), 가입자 식별 모듈(1096), 또는 안테나 모듈(1097)을 포함할 수 있다. 어떤 실시 예에서는, 전자 장치(1001)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(1078))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시 예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(1076), 카메라 모듈(1080), 또는 안테나 모듈(1097))은 하나의 구성요소(예: 디스플레이 모듈(1060))로 통합될 수 있다.
프로세서(1020)는, 예를 들면, 소프트웨어(예: 프로그램(1040))를 실행하여 프로세서(1020)에 연결된 전자 장치(1001)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시 예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(1020)는 다른 구성요소(예: 센서 모듈(1076) 또는 통신 모듈(1090))로부터 수신된 명령 또는 데이터를 휘발성 메모리(1032)에 저장하고, 휘발성 메모리(1032)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(1034)에 저장할 수 있다. 일 실시 예에 따르면, 프로세서(1020)는 메인 프로세서(1021)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(1023)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(1001)가 메인 프로세서(1021) 및 보조 프로세서(1023)를 포함하는 경우, 보조 프로세서(1023)는 메인 프로세서(1021)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(1023)는 메인 프로세서(1021)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(1023)는, 예를 들면, 메인 프로세서(1021)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(1021)를 대신하여, 또는 메인 프로세서(1021)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(1021)와 함께, 전자 장치(1001)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(1060), 센서 모듈(1076), 또는 통신 모듈(1090))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시 예에 따르면, 보조 프로세서(1023)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(1080) 또는 통신 모듈(1090))의 일부로서 구현될 수 있다. 일 실시 예에 따르면, 보조 프로세서(1023)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능이 수행되는 전자 장치(1001) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(1008))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(1030)는, 전자 장치(1001)의 적어도 하나의 구성요소(예: 프로세서(1020) 또는 센서 모듈(1076))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(1040)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(1030)는, 휘발성 메모리(1032) 또는 비휘발성 메모리(1034)를 포함할 수 있다.
프로그램(1040)은 메모리(1030)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(1042), 미들 웨어(1044) 또는 어플리케이션(1046)을 포함할 수 있다.
입력 모듈(1050)은, 전자 장치(1001)의 구성요소(예: 프로세서(1020))에 사용될 명령 또는 데이터를 전자 장치(1001)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(1050)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(1055)은 음향 신호를 전자 장치(1001)의 외부로 출력할 수 있다. 음향 출력 모듈(1055)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시 예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(1060)은 전자 장치(1001)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(1060)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시 예에 따르면, 디스플레이 모듈(1060)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(1070)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시 예에 따르면, 오디오 모듈(1070)은, 입력 모듈(1050)을 통해 소리를 획득하거나, 음향 출력 모듈(1055), 또는 전자 장치(1001)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(1002))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(1076)은 전자 장치(1001)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시 예에 따르면, 센서 모듈(1076)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(1077)는 전자 장치(1001)가 외부 전자 장치(예: 전자 장치(1002))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시 예에 따르면, 인터페이스(1077)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(1078)는, 그를 통해서 전자 장치(1001)가 외부 전자 장치(예: 전자 장치(1002))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시 예에 따르면, 연결 단자(1078)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(1079)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시 예에 따르면, 햅틱 모듈(1079)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(1080)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시 예에 따르면, 카메라 모듈(1080)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(1088)은 전자 장치(1001)에 공급되는 전력을 관리할 수 있다. 일 실시 예에 따르면, 전력 관리 모듈(1088)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(1089)는 전자 장치(1001)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일 실시 예에 따르면, 배터리(1089)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(1090)은 전자 장치(1001)와 외부 전자 장치(예: 전자 장치(1002), 전자 장치(1004), 또는 서버(1008)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(1090)은 프로세서(1020)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시 예에 따르면, 통신 모듈(1090)은 무선 통신 모듈(1092)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(1094)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제1 네트워크(1098)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제2 네트워크(1099)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(1004)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(1092)은 가입자 식별 모듈(1096)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제1 네트워크(1098) 또는 제2 네트워크(1099)와 같은 통신 네트워크 내에서 전자 장치(1001)를 확인 또는 인증할 수 있다.
무선 통신 모듈(1092)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(1092)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(1092)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(1092)은 전자 장치(1001), 외부 전자 장치(예: 전자 장치(1004)) 또는 네트워크 시스템(예: 제2 네트워크(1099))에 규정되는 다양한 요구사항을 지원할 수 있다. 일 실시 예에 따르면, 무선 통신 모듈(1092)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(1097)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시 예에 따르면, 안테나 모듈(1097)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시 예에 따르면, 안테나 모듈(1097)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제1 네트워크(1098) 또는 제2 네트워크(1099)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(1090)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(1090)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시 예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(1097)의 일부로 형성될 수 있다.
다양한 실시 예에 따르면, 안테나 모듈(1097)은 mmWave 안테나 모듈을 형성할 수 있다. 일 실시 예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일 실시 예에 따르면, 명령 또는 데이터는 제2 네트워크(1099)에 연결된 서버(1008)를 통해서 전자 장치(1001)와 외부의 전자 장치(1004)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(1002, 또는 1004) 각각은 전자 장치(1001)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시 예에 따르면, 전자 장치(1001)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(1002, 1004, 또는 1008) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(1001)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(1001)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(1001)로 전달할 수 있다. 전자 장치(1001)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(1001)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시 예에 있어서, 외부의 전자 장치(1004)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(1008)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다.
일 실시 예에 따르면, 외부의 전자 장치(1004) 또는 서버(1008)는 제2 네트워크(1099) 내에 포함될 수 있다. 전자 장치(1001)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 11은 다양한 실시 예들에 따른, 카메라 모듈(1080)을 예시하는 블럭도(1100)이다.
도 11를 참조하면, 카메라 모듈(1080)은 렌즈 어셈블리(1110), 플래쉬(1120), 이미지 센서(1130), 이미지 스태빌라이저(1140), 메모리(1150)(예: 버퍼 메모리), 또는 이미지 시그널 프로세서(1160)를 포함할 수 있다. 렌즈 어셈블리(1110)는 이미지 촬영의 대상인 피사체로부터 방출되는 빛을 수집할 수 있다. 렌즈 어셈블리(1110)는 하나 또는 그 이상의 렌즈들을 포함할 수 있다. 일 실시 예에 따르면, 카메라 모듈(1080)은 복수의 렌즈 어셈블리(1110)들을 포함할 수 있다. 이런 경우, 카메라 모듈(1080)은, 예를 들면, 듀얼 카메라, 360도 카메라, 또는 구형 카메라(spherical camera)를 형성할 수 있다. 복수의 렌즈 어셈블리(1110)들 중 일부는 동일한 렌즈 속성(예: 화각, 초점 거리, 자동 초점, f 넘버(f number), 또는 광학 줌)을 갖거나, 또는 적어도 하나의 렌즈 어셈블리는 다른 렌즈 어셈블리의 렌즈 속성들과 다른 하나 이상의 렌즈 속성들을 가질 수 있다. 렌즈 어셈블리(1110)는, 예를 들면, 광각 렌즈 또는 망원 렌즈를 포함할 수 있다.
플래쉬(1120)는 피사체로부터 방출 또는 반사되는 빛을 강화하기 위하여 사용되는 빛을 방출할 수 있다. 일 실시 예에 따르면, 플래쉬(1120)는 하나 이상의 발광 다이오드들(예: RGB(red-green-blue) LED, white LED, infrared LED, 또는 ultraviolet LED), 또는 xenon lamp를 포함할 수 있다. 이미지 센서(1130)는 피사체로부터 방출 또는 반사되어 렌즈 어셈블리(1110)를 통해 전달된 빛을 전기적인 신호로 변환함으로써, 상기 피사체에 대응하는 이미지를 획득할 수 있다. 일 실시 예에 따르면, 이미지 센서(1130)는, 예를 들면, RGB 센서, BW(black and white) 센서, IR 센서, 또는 UV 센서와 같이 속성이 다른 이미지 센서들 중 선택된 하나의 이미지 센서, 동일한 속성을 갖는 복수의 이미지 센서들, 또는 다른 속성을 갖는 복수의 이미지 센서들을 포함할 수 있다. 이미지 센서(1130)에 포함된 각각의 이미지 센서는, 예를 들면, CCD(charged coupled device) 센서 또는 CMOS(complementary metal oxide semiconductor) 센서를 이용하여 구현될 수 있다.
이미지 스태빌라이저(1140)는 카메라 모듈(1080) 또는 이를 포함하는 전자 장치(1001)의 움직임에 반응하여, 렌즈 어셈블리(1110)에 포함된 적어도 하나의 렌즈 또는 이미지 센서(1130)를 특정한 방향으로 움직이거나 이미지 센서(1130)의 동작 특성을 제어(예: 리드 아웃(read-out) 타이밍을 조정 등)할 수 있다. 이는 촬영되는 이미지에 대한 상기 움직임에 의한 부정적인 영향의 적어도 일부를 보상하게 해 준다. 일 실시 예에 따르면, 이미지 스태빌라이저(1140)는, 일 실시 예에 따르면, 이미지 스태빌라이저(1140)는 카메라 모듈(1080)의 내부 또는 외부에 배치된 자이로 센서(미도시) 또는 가속도 센서(미도시)를 이용하여 카메라 모듈(1080) 또는 전자 장치(1001)의 그런 움직임을 감지할 수 있다. 일 실시 예에 따르면, 이미지 스태빌라이저(1140)는, 예를 들면, 광학식 이미지 스태빌라이저로 구현될 수 있다. 메모리(1150)는 이미지 센서(1130)를 통하여 획득된 이미지의 적어도 일부를 다음 이미지 처리 작업을 위하여 적어도 일시 저장할 수 있다. 예를 들어, 셔터에 따른 이미지 획득이 지연되거나, 또는 복수의 이미지들이 고속으로 획득되는 경우, 획득된 원본 이미지(예: Bayer-patterned 이미지 또는 높은 해상도의 이미지)는 메모리(1150)에 저장이 되고, 그에 대응하는 사본 이미지(예: 낮은 해상도의 이미지)는 표시 장치(1060)를 통하여 프리뷰 될 수 있다. 이후, 지정된 조건이 만족되면(예: 사용자 입력 또는 시스템 명령) 메모리(1150)에 저장되었던 원본 이미지의 적어도 일부가, 예를 들면, 이미지 시그널 프로세서(1160)에 의해 획득되어 처리될 수 있다. 일 실시 예에 따르면, 메모리(1150)는 메모리(1030)의 적어도 일부로, 또는 이와는 독립적으로 운영되는 별도의 메모리로 구성될 수 있다.
이미지 시그널 프로세서(1160)는 이미지 센서(1130)를 통하여 획득된 이미지 또는 메모리(1150)에 저장된 이미지에 대하여 하나 이상의 이미지 처리들을 수행할 수 있다. 상기 하나 이상의 이미지 처리들은, 예를 들면, 깊이 지도(depth map) 생성, 3차원 모델링, 파노라마 생성, 특징점 추출, 이미지 합성, 또는 이미지 보상(예: 노이즈 감소, 해상도 조정, 밝기 조정, 블러링(blurring), 샤프닝(sharpening), 또는 소프트닝(softening)을 포함할 수 있다. 추가적으로 또는 대체적으로, 이미지 시그널 프로세서(1160)는 카메라 모듈(1080)에 포함된 구성 요소들 중 적어도 하나(예: 이미지 센서(1130))에 대한 제어(예: 노출 시간 제어, 또는 리드 아웃 타이밍 제어 등)를 수행할 수 있다. 이미지 시그널 프로세서(1160)에 의해 처리된 이미지는 추가 처리를 위하여 메모리(1150)에 다시 저장되거나 카메라 모듈(1080)의 외부 구성 요소(예: 메모리(1030), 표시 장치(1060), 전자 장치(1002), 전자 장치(1004), 또는 서버(1008))로 제공될 수 있다. 일 실시 예에 따르면, 이미지 시그널 프로세서(1160)는 프로세서(1020)의 적어도 일부로 구성되거나, 프로세서(1020)와 독립적으로 운영되는 별도의 프로세서로 구성될 수 있다. 이미지 시그널 프로세서(1160)가 프로세서(1020)와 별도의 프로세서로 구성된 경우, 이미지 시그널 프로세서(1160)에 의해 처리된 적어도 하나의 이미지는 프로세서(1020)에 의하여 그대로 또는 추가의 이미지 처리를 거친 후 표시 장치(1060)를 통해 표시될 수 있다.
일 실시 예에 따르면, 전자 장치(1001)는 각각 다른 속성 또는 기능을 가진 복수의 카메라 모듈(1080)들을 포함할 수 있다. 이런 경우, 예를 들면, 상기 복수의 카메라 모듈(1080)들 중 적어도 하나는 광각 카메라이고, 적어도 다른 하나는 망원 카메라일 수 있다. 유사하게, 상기 복수의 카메라 모듈(1080)들 중 적어도 하나는 전면 카메라이고, 적어도 다른 하나는 후면 카메라일 수 있다.
상술한 바와 같이, 일 실시 예에 따른 전자 장치(예: 도 2의 전자 장치(100))는 카메라(예: 도 2의 카메라(180)), 메모리(예: 도 2의 메모리(230)), 및 적어도 하나의 프로세서(예: 도 2의 프로세서(210))를 포함하고, 상기 적어도 하나의 프로세서는 이미지를 생성하기 위한 신경망 모델을 실행하고, 상기 신경망 모델은 복수 개의 연산 레이어들 중 적어도 제1 연산 레이어를 포함하는 제1 그룹(예: 도 2의 제1 그룹(211_1)) 및 상기 복수 개의 연산 레이어들 중 적어도 제2 연산 레이어를 포함하는 제2 그룹(예: 도 2의 제2 그룹(211_2))을 포함함, 상기 카메라를 이용하여 복수의 프레임들을 연속적으로 획득(consecutively obtain)(사용, 접근, 제공, 대체)하고, 상기 복수의 프레임들 중 제1 프레임을 상기 신경망 모델의 상기 제1 그룹에 제1 입력으로 제공하고, 상기 제1 입력에 대응하는 제1 결과 데이터를 상기 메모리에 저장하고, 상기 제1 프레임을 상기 제2 그룹에 제2 입력으로 제공하고, 상기 제2 그룹의 제2 연산 파라미터가 상기 제1 그룹의 제1 연산 파라미터와 동일한지 여부를 판단하고, 상기 제2 연산 파라미터와 상기 제1 연산 파라미터가 동일하면, 상기 제2 그룹에 기반한 신경망 연산의 수행 없이 상기 제1 결과 데이터를 상기 제2 입력에 대응하는 제2 결과 데이터로서 획득하고, 상기 제2 연산 파라미터와 상기 제1 연산 파라미터가 구별되면, 상기 제2 그룹의 연산 파라미터에 기반하여 상기 신경망 연산을 수행하여 상기 제1 결과 데이터와 구별(다른)되는 제2 결과 데이터를 획득할 수 있다.
일 실시 예에 따르면, 상기 신경망 모델은 복수 개의 연산 레이어들 중 적어도 제3 연산 레이어를 포함하는 제3 그룹을 더 포함하고, 상기 적어도 하나의 프로세서는, 상기 복수의 프레임들 중 상기 제1 프레임에 연속하는 제2 프레임을 상기 신경망 모델의 상기 제1 그룹에 제3 입력으로 제공하고, 상기 제3 입력에 대응하는 제3 결과 데이터를 획득하고, 상기 제1 프레임의 상기 제2 결과 데이터 및 상기 제2 프레임의 상기 제3 결과 데이터에 기반하여 상기 이미지를 생성할 수 있다. 결과 이미지는 제2 결과 데이터 및 제3 결과 데이터에 기반하여 생성될 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 프로세서는 상기 제3 결과 데이터를 상기 메모리에 저장할 수 있다.
일 실시 예에 따르면, 상기 전자 장치는 디스플레이를 더 포함하고, 상기 적어도 하나의 프로세서는 상기 생성된 이미지를 상기 디스플레이를 통해 표시할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 프로세서는 상기 제1 그룹의 연산 구조와 상기 제2 그룹의 연산 구조가 동일한지 판단할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 프로세서는 상기 제1 그룹의 연산 구조와 상기 제2 그룹의 연산 구조가 동일함에 응답하여, 상기 제2 그룹에 기반한 신경망 연산의 수행을 생략(by pass, skip)할 수 있다.
일 실시 예에 따르면, 상기 제1 연산 파라미터, 및 상기 제2 연산 파라미터는 컨볼루션 연산에 사용되는 웨이트(weight) 값, 바이어스(bias) 값 중 적어도 하나일 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 프로세서는 상기 제1 그룹의 연산 구조가 상기 제2 그룹의 연산 구조의 적어도 일부분과 동일한 경우, 상기 제1 결과 데이터를 상기 제2 그룹의 상기 적어도 일부분과 동일한 부분까지의 중간 결과 데이터로서 획득할 수 있다.
일 실시 예에 따르면, 상기 제1 연산 레이어, 및 상기 제2 연산 레이어는 적어도 컨볼루션 레이어를 포함할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 프로세서는 상기 제1 결과 데이터를 상기 메모리에 저장함에 있어서, 상기 제1 결과 데이터에 대한 재사용 정보를 생성할 수 있다.
상술한 바와 같이, 전자 장치의 동작 방법은 카메라를 이용하여 복수의 프레임들을 연속적으로 획득(consecutively obtain)는 동작, 상기 복수의 프레임들 중 제1 프레임을 신경망 모델의 제1 그룹에 제1 입력으로 제공하는 동작, 상기 제1 입력에 대응하는 제1 결과 데이터를 메모리에 저장하는 동작, 상기 제1 프레임을 제2 그룹에 제2 입력으로 제공하는 동작, 상기 제2 그룹의 제2 연산 파라미터가 상기 제1 그룹의 제1 연산 파라미터와 동일한지 여부를 판단하는 동작, 상기 제2 연산 파라미터와 상기 제1 연산 파라미터가 동일함에 응답하여, 상기 제2 그룹에 기반한 신경망 연산의 수행 없이 상기 제1 결과 데이터를 상기 제2 입력에 대응하는 제2 결과 데이터로서 획득하는 동작 및 상기 제2 연산 파라미터와 상기 제1 연산 파라미터가 구별됨에 응답하여, 상기 제2 그룹의 연산 파라미터에 기반하여 상기 신경망 연산을 수행하여 상기 제1 결과 데이터와 구별되는 제2 결과 데이터를 획득하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 복수의 프레임들 중 상기 제1 프레임에 연속하는 제2 프레임을 상기 신경망 모델의 상기 제1 그룹에 제3 입력으로 제공하는 동작, 상기 제3 입력에 대응하는 제3 결과 데이터를 획득하는 동작 및 상기 제1 프레임의 상기 제2 결과 데이터 및 상기 제2 프레임의 상기 제3 결과 데이터에 기반하여 이미지를 생성하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 제3 결과 데이터를 상기 메모리에 저장하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 생성된 이미지를 디스플레이를 통해 표시하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 제1 그룹의 연산 구조와 상기 제2 그룹의 연산 구조가 동일한지 판단하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 제1 그룹의 연산 구조와 상기 제2 그룹의 연산 구조가 동일한 것으로 결정함에 응답하여, 상기 제2 그룹에 기반한 신경망 연산의 수행을 생략하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 제1 연산 파라미터, 및 상기 제2 연산 파라미터는 컨볼루션 연산에 사용되는 웨이트(weight) 값, 바이어스(bias) 값 중 적어도 하나일 수 있다.
일 실시 예에 따르면, 상기 제1 그룹의 연산 구조가 상기 제2 그룹의 연산 구조의 적어도 일부분과 동일한 것으로 결정함에 응답하여, 상기 제1 결과 데이터를 상기 제2 그룹의 상기 적어도 일부분과 동일한 부분까지의 중간 결과 데이터로서 획득하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 제1 그룹이 포함하는 제1 연산 레이어, 및 상기 제2 그룹이 포함하는 제2 연산 레이어는 적어도 컨볼루션 레이어를 포함할 수 있다.
일 실시 예에 따르면, 상기 제1 결과 데이터를 상기 메모리에 저장함에 있어서, 상기 제1 결과 데이터에 대한 재사용 정보를 생성하는 동작을 포함할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시 예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제1", "제2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제1) 구성요소가 다른(예: 제2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시 예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시 예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시 예들은 기기(machine)(예: 전자 장치(1001)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(1036) 또는 외장 메모리(1038))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(1040))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(1001))의 프로세서(예: 프로세서(1020))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시 예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (15)

  1. 전자 장치에 있어서,
    카메라,
    메모리, 및
    적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는:
    이미지를 생성하기 위한 신경망 모델을 실행하고, 상기 신경망 모델은 복수 개의 연산 레이어들 중 적어도 제1 연산 레이어를 포함하는 제1 그룹 및 상기 복수 개의 연산 레이어들 중 적어도 제2 연산 레이어를 포함하는 제2 그룹을 포함함;
    상기 카메라를 이용하여 복수의 프레임들을 연속적으로 획득하고(consecutively obtain);
    상기 복수의 프레임들 중 제1 프레임을 상기 신경망 모델의 상기 제1 그룹에 제1 입력으로 제공하고;
    상기 제1 입력에 대응하는 제1 결과 데이터를 상기 메모리에 저장하고;
    상기 제1 프레임을 상기 제2 그룹에 제2 입력으로 제공하고;
    상기 제2 그룹의 제2 연산 파라미터가 상기 제1 그룹의 제1 연산 파라미터와 동일한지 여부를 판단하고,
    상기 제2 연산 파라미터와 상기 제1 연산 파라미터가 동일한 것으로 결정함에 응답하여, 상기 제2 그룹에 기반한 신경망 연산의 수행 없이 상기 제1 결과 데이터를 상기 제2 입력에 대응하는 제2 결과 데이터로서 획득하고;
    상기 제2 연산 파라미터와 상기 제1 연산 파라미터가 구별된 것으로 결정함에 응답하여, 상기 제2 그룹의 연산 파라미터에 기반하여 상기 신경망 연산을 수행하여 상기 제1 결과 데이터와 구별되는 제2 결과 데이터를 획득하는, 전자 장치.
  2. 청구항 1에 있어서,
    상기 신경망 모델은 복수 개의 연산 레이어들 중 적어도 제3 연산 레이어를 포함하는 제3 그룹을 더 포함하고,
    상기 적어도 하나의 프로세서는:
    상기 복수의 프레임들 중 상기 제1 프레임에 연속하는 제2 프레임을 상기 신경망 모델의 상기 제1 그룹에 제3 입력으로 제공하고;
    상기 제3 입력에 대응하는 제3 결과 데이터를 획득하고;
    상기 제1 프레임의 상기 제2 결과 데이터 및 상기 제2 프레임의 상기 제3 결과 데이터에 기반하여 상기 이미지를 생성하는, 전자 장치.
  3. 청구항 2에 있어서,
    상기 적어도 하나의 프로세서는 상기 제3 결과 데이터를 상기 메모리에 저장하는, 전자 장치.
  4. 청구항 2에 있어서,
    상기 전자 장치는 디스플레이를 더 포함하고,
    상기 적어도 하나의 프로세서는 상기 생성된 이미지를 상기 디스플레이를 통해 표시하는, 전자 장치.
  5. 청구항 1에 있어서,
    상기 적어도 하나의 프로세서는 상기 제1 그룹의 연산 구조와 상기 제2 그룹의 연산 구조가 동일한지 판단하는, 전자 장치.
  6. 청구항 5에 있어서,
    상기 적어도 하나의 프로세서는 상기 제1 그룹의 연산 구조와 상기 제2 그룹의 연산 구조가 동일한 것으로 결정함에 응답하여, 상기 제2 그룹에 기반한 신경망 연산의 수행을 생략하는, 전자 장치.
  7. 청구항 1에 있어서,
    상기 제1 연산 파라미터, 및 상기 제2 연산 파라미터는 컨볼루션 연산에 사용되는 웨이트(weight) 값, 바이어스(bias) 값 중 적어도 하나인, 전자 장치.
  8. 청구항 1에 있어서,
    상기 적어도 하나의 프로세서는 상기 제1 그룹의 연산 구조가 상기 제2 그룹의 연산 구조의 적어도 일부분과 동일한 것으로 결정함에 응답하여, 상기 제1 결과 데이터를 상기 제2 그룹의 상기 적어도 일부분과 동일한 부분까지의 중간 결과 데이터로서 획득하는, 전자 장치.
  9. 청구항 1에 있어서,
    상기 제1 연산 레이어, 및 상기 제2 연산 레이어는 적어도 컨볼루션 레이어를 포함하는, 전자 장치.
  10. 청구항 1에 있어서,
    상기 적어도 하나의 프로세서는 상기 제1 결과 데이터를 상기 메모리에 저장함에 있어서, 상기 제1 결과 데이터에 대한 재사용 정보를 생성하는, 전자 장치.
  11. 전자 장치의 동작 방법에 있어서,
    카메라를 이용하여 복수의 프레임들을 연속적으로 획득(consecutively obtain)는 동작;
    상기 복수의 프레임들 중 제1 프레임을 신경망 모델의 제1 그룹에 제1 입력으로 제공하는 동작;
    상기 제1 입력에 대응하는 제1 결과 데이터를 메모리에 저장하는 동작;
    상기 제1 프레임을 제2 그룹에 제2 입력으로 제공하는 동작;
    상기 제2 그룹의 제2 연산 파라미터가 상기 제1 그룹의 제1 연산 파라미터와 동일한지 여부를 판단하는 동작;
    상기 제2 연산 파라미터와 상기 제1 연산 파라미터가 동일한 것으로 결정함에 응답하여, 상기 제2 그룹에 기반한 신경망 연산의 수행 없이 상기 제1 결과 데이터를 상기 제2 입력에 대응하는 제2 결과 데이터로서 획득하는 동작; 및
    상기 제2 연산 파라미터와 상기 제1 연산 파라미터가 구별된 것으로 결정함에 응답하여, 상기 제2 그룹의 연산 파라미터에 기반하여 상기 신경망 연산을 수행하여 상기 제1 결과 데이터와 구별되는 제2 결과 데이터를 획득하는 동작을 포함하는, 방법.
  12. 청구항 11에 있어서,
    상기 복수의 프레임들 중 상기 제1 프레임에 연속하는 제2 프레임을 상기 신경망 모델의 상기 제1 그룹에 제3 입력으로 제공하는 동작;
    상기 제3 입력에 대응하는 제3 결과 데이터를 획득하는 동작; 및
    상기 제1 프레임의 상기 제2 결과 데이터 및 상기 제2 프레임의 상기 제3 결과 데이터에 기반하여 이미지를 생성하는 동작을 포함하는, 방법.
  13. 청구항 12에 있어서,
    상기 제3 결과 데이터를 상기 메모리에 저장하는 동작을 포함하는, 방법.
  14. 청구항 12에 있어서,
    상기 생성된 이미지를 디스플레이를 통해 표시하는 동작을 포함하는, 방법.
  15. 청구항 11에 있어서,
    상기 제1 그룹의 연산 구조와 상기 제2 그룹의 연산 구조가 동일한지 판단하는 동작을 포함하는, 방법.
PCT/KR2022/009347 2021-06-29 2022-06-29 신경망을 통해 이미지를 처리하는 방법 및 그 전자 장치 WO2023277585A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/121,208 US20230214632A1 (en) 2021-06-29 2023-03-14 Method for processing image through neural network and electronic device thereof

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0084955 2021-06-29
KR1020210084955A KR20230001877A (ko) 2021-06-29 2021-06-29 신경망을 통해 이미지를 처리하는 방법 및 그 전자 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/121,208 Continuation US20230214632A1 (en) 2021-06-29 2023-03-14 Method for processing image through neural network and electronic device thereof

Publications (1)

Publication Number Publication Date
WO2023277585A1 true WO2023277585A1 (ko) 2023-01-05

Family

ID=84690419

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/009347 WO2023277585A1 (ko) 2021-06-29 2022-06-29 신경망을 통해 이미지를 처리하는 방법 및 그 전자 장치

Country Status (3)

Country Link
US (1) US20230214632A1 (ko)
KR (1) KR20230001877A (ko)
WO (1) WO2023277585A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180050928A (ko) * 2016-11-07 2018-05-16 삼성전자주식회사 컨볼루션 신경망 처리 방법 및 장치
KR20180123846A (ko) * 2017-05-10 2018-11-20 울산과학기술원 합성곱 신경망을 위한 논리적 3차원 구조의 재구성형 연산 가속기
KR20190022237A (ko) * 2017-08-23 2019-03-06 삼성전자주식회사 뉴럴 네트워크의 컨볼루션 연산을 수행하는 방법 및 장치
KR101959376B1 (ko) * 2015-12-11 2019-07-04 바이두 유에스에이 엘엘씨 멀티 코어 최적화된 순환 신경망을 위한 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101959376B1 (ko) * 2015-12-11 2019-07-04 바이두 유에스에이 엘엘씨 멀티 코어 최적화된 순환 신경망을 위한 시스템 및 방법
KR20180050928A (ko) * 2016-11-07 2018-05-16 삼성전자주식회사 컨볼루션 신경망 처리 방법 및 장치
KR20180123846A (ko) * 2017-05-10 2018-11-20 울산과학기술원 합성곱 신경망을 위한 논리적 3차원 구조의 재구성형 연산 가속기
KR20190022237A (ko) * 2017-08-23 2019-03-06 삼성전자주식회사 뉴럴 네트워크의 컨볼루션 연산을 수행하는 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KOPUKLU OKAN, BABAEE MARYAM, HORMANN STEFAN, RIGOLL GERHARD: "Convolutional Neural Networks with Layer Reuse", 2019 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP), IEEE, 28 January 2019 (2019-01-28) - 25 September 2019 (2019-09-25), pages 345 - 349, XP093018211, ISBN: 978-1-5386-6249-6, DOI: 10.1109/ICIP.2019.8802998 *

Also Published As

Publication number Publication date
US20230214632A1 (en) 2023-07-06
KR20230001877A (ko) 2023-01-05

Similar Documents

Publication Publication Date Title
WO2022030855A1 (ko) 피사체와 배경에 효과를 적용하여 이미지를 생성하는 전자 장치 및 그 방법
WO2022235075A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2022196993A1 (ko) 카메라 모듈의 화각을 이용하여 이미지를 촬영하는 전자 장치 및 방법
WO2022092706A1 (ko) 복수의 카메라를 이용한 사진 촬영 방법 및 그 장치
WO2023277585A1 (ko) 신경망을 통해 이미지를 처리하는 방법 및 그 전자 장치
WO2022245148A1 (ko) 이미지 처리 방법 및 그 전자 장치
WO2022240183A1 (ko) 이미지 데이터와 모션 데이터를 포함하는 파일을 생성하는 방법 및 그 전자 장치
WO2022244970A1 (ko) 전자 장치의 촬영 방법 및 그 전자 장치
WO2022250344A1 (ko) 이미지 센서 및 동적 비전 센서를 포함하는 전자 장치 및 그 동작 방법
WO2022203355A1 (ko) 복수의 카메라들을 포함하는 전자 장치
WO2022196916A1 (ko) 사용자 인증을 위한 방법, 장치 및 저장 매체
WO2024043604A1 (ko) 신경망을 통해 이미지를 처리하는 방법 및 그 전자 장치
WO2022240186A1 (ko) 이미지 왜곡을 보정하는 방법 및 그 전자 장치
WO2022186511A1 (ko) 후면 커버 및 카메라 모듈을 포함하는 전자 장치
WO2023013894A1 (ko) 촬영된 영상에 시각 효과를 적용하고 태그를 설정하는 방법 및 장치
WO2022025574A1 (ko) 이미지 센서와 이미지 시그널 프로세서를 포함하는 전자 장치 및 그의 방법
WO2022186495A1 (ko) 복수의 렌즈들을 구비하는 전자 장치 및 그 제어 방법
WO2022245037A1 (ko) 이미지 센서 및 동적 비전 센서를 포함하는 전자 장치 및 그 동작 방법
WO2023080495A1 (ko) 하이 다이나믹 레인지 이미지들을 촬영하는 전자 장치와 이의 동작 방법
WO2023075112A1 (ko) 촬영 시 흔들림을 보정하는 방법 및 그 전자 장치
WO2023054913A1 (ko) 포스 터치를 확인하는 전자 장치와 이의 동작 방법
WO2022240122A1 (ko) 카메라를 포함하는 전자 장치
WO2022250342A1 (ko) 렌즈 구동 정보와 이미지를 동기화하는 전자 장치
WO2022191407A1 (ko) 사용자 인터페이스를 제공하기 위한 방법, 장치 및 저장 매체
WO2023149668A1 (ko) 카메라 어셈블리 및 이를 포함하는 전자 장치

Legal Events

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

Ref document number: 22833640

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE