WO2024019336A1 - 디자인 이미지 클러스터링 방법 및 장치 - Google Patents

디자인 이미지 클러스터링 방법 및 장치 Download PDF

Info

Publication number
WO2024019336A1
WO2024019336A1 PCT/KR2023/008485 KR2023008485W WO2024019336A1 WO 2024019336 A1 WO2024019336 A1 WO 2024019336A1 KR 2023008485 W KR2023008485 W KR 2023008485W WO 2024019336 A1 WO2024019336 A1 WO 2024019336A1
Authority
WO
WIPO (PCT)
Prior art keywords
design
image
design image
cluster
similarity
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2023/008485
Other languages
English (en)
French (fr)
Inventor
현경훈
손기훈
이승원
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industry University Cooperation Foundation IUCF HYU
Original Assignee
Industry University Cooperation Foundation IUCF HYU
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 Industry University Cooperation Foundation IUCF HYU filed Critical Industry University Cooperation Foundation IUCF HYU
Publication of WO2024019336A1 publication Critical patent/WO2024019336A1/ko
Priority to US19/029,284 priority Critical patent/US12632494B2/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

Definitions

  • the present invention relates to a design image clustering method and device, and more specifically, to a design image clustering method and device that can support design image search.
  • the BIG (Bayesian Information Gain) framework is an information search method based on Bayesian Theory. Based on Bayesian theory, the BIG framework provides the next view in which information gain is maximized by updating the probability that information becomes a target and calculating information gain for all combinations of information.
  • the present invention is intended to provide a design image clustering method and device that can support a user's design image search.
  • a memory and at least one processor electrically connected to the memory, wherein the processor calculates the similarity between the target design image and the target design element information selected by the user among the design element information for the plurality of reference design images stored in the database. Calculate and cluster the reference design image into a plurality of clusters according to the similarity, and for each cluster, at least one representative design image, an overlap image for the representative design image, a center vector of the cluster, and the target design image.
  • a design image clustering device that generates at least one of the similarities between designs is provided.
  • users can effectively search design images by clustering design images into a plurality of clusters according to similarity and displaying information to support design search for each cluster.
  • FIG. 1 is a diagram for explaining a design image search system according to an embodiment of the present invention.
  • Figure 2 is a diagram for explaining a cluster according to an embodiment of the present invention.
  • Figure 3 is a diagram for explaining a design image clustering method according to an embodiment of the present invention.
  • Figure 4 is a diagram for explaining an overlap image according to an embodiment of the present invention.
  • the present invention relates to a design image clustering method and device that can support design image search.
  • reference design images stored in a database are clustered into a plurality of clusters according to similarity, and information supporting user search is displayed in the clusters.
  • Navigation support information displayed in a cluster may include a representative design image for each cluster, an overlap image for the representative design image, and the similarity between the target image input by the user and the cluster.
  • the user can select a cluster containing a desired reference design image from among a plurality of clusters by checking the navigation support information displayed in the cluster.
  • reference images included in the cluster selected by the user are provided to the user. can be provided.
  • the design image clustering method may be performed in a computing device including a memory and at least one processor electrically connected to the memory.
  • the processor performs a series of processes for clustering design images.
  • FIG. 1 is a diagram for explaining a design image search system according to an embodiment of the present invention
  • FIG. 2 is a diagram for explaining a cluster according to an embodiment of the present invention.
  • the design image search system includes a terminal 110, a search server 120, and a database 130.
  • the terminal 110 When a user inputs a target design image into the terminal 110, the terminal 110 transmits the target design element information selected by the user from among a plurality of design element information for the target design image to the search server 120.
  • the target design element information may be input into the terminal 110 by the user, or a plurality of design element information may be pre-assigned to the target design image.
  • design element information refers to information about design elements that make up a target design image, such as a drawing design image or clothing design image.
  • the design element information of the architectural drawing design image may include the number of rooms, the location of the rooms, the shape of the rooms, the connection relationship between the rooms, the layout of the rooms, the overall shape (silhouette) of the architectural drawing, etc., and the design of the clothing design image.
  • Element information may include pattern pattern, pattern shape, clothing type, and overall shape of clothing.
  • the user may input a target architectural drawing design into the terminal 110 and select the number of rooms and the location of the rooms as target design element information.
  • the search server 120 calculates the similarity between target design element information for a plurality of reference design images stored in the database 130 and target design element information for the target design image.
  • a reference design image may have a plurality of design element information pre-allocated, and similarity may be calculated in various ways depending on the design element information.
  • similarity may be calculated according to the difference in the number of rooms. If the number of rooms in the target design image is 5, the similarity with the reference design image containing rooms with a large difference from 5 will be small, and the similarity with the reference design image containing rooms with a small difference from 5 will be small. The similarity will be high.
  • similarity may be calculated according to the difference in shape. If the overall shape of the target design image is square, the similarity with the reference design image with a square overall shape will be high, and the similarity with the reference design image with a circular overall shape will be small.
  • the search server 120 clusters the reference design image into a plurality of clusters according to the calculated similarity. For example, the search server 120 may divide the size of similarity into three levels and create three clusters including reference design images of similarity corresponding to each level.
  • the search server 120 generates search support information for each cluster and provides the cluster and search support information to the terminal 110.
  • the navigation support information may include at least one of at least one representative design image, an overlap image for the representative design image, and a similarity between the center vector of the cluster and the target design image.
  • the representative design image represents a reference design image representing the cluster among the reference design images included in the cluster
  • the overlap image represents an image in which a plurality of representative design images for each cluster overlap.
  • the center vector of the cluster is a vector corresponding to the center of gravity of the cluster and is a vector calculated based on target design element information about the reference design image included in the cluster.
  • the similarity between the center vector of the cluster and the target design image represents the similarity between this center vector and the target design element information for the target design image.
  • the cluster and search support information for the cluster provided from the search server 120 are displayed on the terminal 110.
  • Figure 2 shows an example of cluster and search support information displayed on the terminal 110.
  • the five representative design images 210 and an overlap image 220 in which the five representative design images overlap are displayed in each cluster 200, and the center vector and target of the cluster 200
  • the similarity 230 between design images is displayed in the cluster 200 in the form of a gauge bar.
  • the size of the cluster may be proportional to the number of reference design images included in the cluster.
  • the representative design image 210, overlap image 220, and similarity 230 are displayed in only one cluster 200, but the representative design image 210, overlap image 220, and similarity 230 are displayed in the remaining clusters as well. (230) may be displayed.
  • reference design images included in the cluster 200 may be displayed on the terminal 100.
  • a reference design image included in the cluster can be visualized, and the user can perform a zoom-in action to enlarge the screen using a mouse.
  • Figure 3 is a diagram for explaining a design image clustering method according to an embodiment of the present invention.
  • the design image clustering method according to an embodiment of the present invention can be performed on a computing device including a processor and memory, and the search server described in FIG. 1 is an example of the computing device.
  • the computing device calculates the similarity between the target design image and the target design element information selected by the user among the design element information for a plurality of reference design images stored in the database ( S310).
  • the design image is a plan drawing design image
  • the number of rooms, the location of the rooms, the shape of the rooms, the connection relationship between the rooms, the layout of the rooms, the overall shape (silhouette) of the architectural drawing, etc. may be design element information.
  • similarity is calculated for each target design element information.
  • the computing device clusters the reference design image into a plurality of clusters (S320) according to the similarity calculated in step S310. That is, the similarity between the target design element information for the reference design images included in one cluster and the target design element information for the target design image represents a similar value.
  • the size of the clustered cluster may be proportional to the number of reference design images included in the cluster.
  • the computing device may cluster the reference design image according to an average value or a weighted average value of the average similarity for each target design element information.
  • the navigation support information may include at least one of at least one representative design image, an overlap image for the representative design image, and a similarity between the center vector of the cluster and the target design image.
  • the navigation support information may include at least one of at least one representative design image, an overlap image for the representative design image, and a similarity between the center vector of the cluster and the target design image.
  • the computing device may select a preset number or less of representative design images from the reference design images included in the cluster according to the Euclidean distance between the center vector of the cluster and the target design element information for the reference design image included in the cluster.
  • the computing device may cluster reference design images using various clustering algorithms, and as an example, may cluster reference design images using a mean shift algorithm.
  • the center of the cluster generated by the average shift algorithm is the center of gravity of the cluster and corresponds to the average value of each target design element information for the reference design image included in the cluster. If there is a plurality of target design element information, a center vector consisting of a plurality of average values is determined.
  • the computing device can select a preset number of representative design images in order of the closest Euclidean distance, and if the number of reference designs included in the cluster is less than the preset number or the Euclidean distance is excessively larger than the threshold, the preset number is selected. A smaller number of representative design images may be selected.
  • FIG. 4 is a diagram for explaining an overlap image according to an embodiment of the present invention.
  • FIG. 4 shows an embodiment in which an overlap image is generated from three representative design images 410, 420, and 430.
  • the computing device adjusts the size of the representative design images 410, 420, and 430 to create an overlap image.
  • the computing device may adjust the size of the representative design images 410, 420, and 430 so that the representative design images 410, 420, and 430 are maximally included in the virtual frame 440 of a preset size and shape. . That is, the computing device maintains the shape of the representative design images 410, 420, and 430 and changes the sizes of the representative design images 410, 420, and 430 to the same size.
  • the shape of the virtual frame 440 may be set in various ways depending on the embodiment, and may be the square shape shown in FIG. 4.
  • the computing device adjusts the transparency of the size-adjusted representative design images 410, 420, and 430 and overlaps them to create an overlap image 450. Transparency is adjusted according to the number of overlapping representative design images, and the computing device can determine transparency in proportion to the number of overlapping representative design images. That is, as the number of overlapping representative design images increases, the overlap image can be created with increased transparency of the representative design image.
  • the features of the reference design images may be expressed in multiple colors as shown in FIG. 4.
  • the reference design image may include rooms expressed in multiple colors.
  • the color may vary depending on the function or type of the room. For example, the color may be different for the bathroom, kitchen, and living room.
  • the computing device may change the shape of the overlap image 550 according to the average aspect ratio of the representative design images 410, 420, and 430. As shown in FIG. 4, when the aspect ratios of each representative design image are 1.7, 1.3, and 3.0, the computing device determines the aspect ratio of the square-shaped overlap image 450 and the average of the representative design images 410, 420, and 430. An image 460 is created in which the shape of the overlap image 450 is changed so that the aspect ratio is 2:1.
  • the center vector of the cluster corresponds to the average value of target design element information for the reference design image included in the cluster.
  • the computing device may calculate the similarity between the center vector and the target design element information for the target design image, and generate this similarity in the form of a gauge bar. Similarity may be calculated in the same manner as the similarity calculation method between target design element information for the target design image and target design element information for the reference design image.
  • the technical contents described above may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium.
  • the computer-readable medium may include program instructions, data files, data structures, etc., singly or in combination.
  • Program instructions recorded on the medium may be specially designed and configured for the embodiments or may be known and available to those skilled in the art of computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks.
  • Examples of program instructions include machine language code, such as that produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter, etc.
  • a hardware device may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Library & Information Science (AREA)
  • Quality & Reliability (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

디자인 이미지 탐색을 지원할 수 있는 디자인 이미지 클러스터링 방법이 개시된다. 개시된 디자인 이미지 클러스터링 방법은 타겟 디자인 이미지 및 데이터베이스에 저장된 복수의 레퍼런스 디자인 이미지에 대한 디자인 요소 정보 중, 사용자에 의해 선택된 타겟 디자인 요소 정보 사이의 유사도를 계산하는 단계; 상기 유사도에 따라서, 상기 레퍼런스 디자인 이미지를 복수의 클러스터로 클러스터링하는 단계; 및 상기 클러스터 별로, 적어도 하나의 대표 디자인 이미지, 상기 대표 디자인 이미지에 대한 오버랩 이미지 및 상기 클러스터의 중심 벡터와 상기 타겟 디자인 이미지 사이의 유사도 중 적어도 하나를 생성하는 단계를 포함한다.

Description

디자인 이미지 클러스터링 방법 및 장치
본 발명은 디자인 이미지 클러스터링 방법 및 장치에 관한 것으로서, 더욱 상세하게는 디자인 이미지 탐색을 지원할 수 있는 디자인 이미지 클러스터링 방법 및 장치에 관한 것이다.
사용자가 찾고자하는 디자인 이미지를 정확하게 탐색할 수 있는 방법에 대한 많은 연구 개발이 이루어지고 있다.
BIG(Bayesian Information Gain) 프레임워크(framework)는 정보 탐색 방법의 한가지로서, 베이지안 이론(Bayesian Theory)에 기반한 정보 탐색 방법이다. BIG 프레임워크는 베이지안 이론에 기반하여, 정보들이 타겟이 될 확률을 업데이트하고, 모든 정보들의 조합에 대해 정보 이득(Information Gain)을 계산함으로써, 정보 이득이 최대화가 되는 다음 뷰를 제공한다.
최근에는, "Liu, W., d'Oliveira, R. L., Beaudouin-Lafon, M., &Rioul, O. (2017, May). Bignav: Bayesian information gain for guiding multiscale navigation. In　Proceedings of the 2017 CHI Conference on Human Factors in Computing Systems　(pp. 5869-5880)", "Liu, W., Rioul, O., Mcgrenere, J., Mackay, W. E., &Beaudouin-Lafon, M. (2018, April). BIGFile: Bayesian information gain for fast file retrieval. In　Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems　(pp. 1-13)" 등에서, BIG 프레임워크를 내비게이션이나 파일 탐색에 적용하여, BIGnav, BIGfile 등과 같은 다양한 어플리케이션이 제안되기도 하였다.
본 발명은 사용자의 디자인 이미지 탐색을 지원할 수 있는 디자인 이미지 클러스터링 방법 및 장치를 제공하기 위한 것이다.
상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 타겟 디자인 이미지 및 데이터베이스에 저장된 복수의 레퍼런스 디자인 이미지에 대한 디자인 요소 정보 중, 사용자에 의해 선택된 타겟 디자인 요소 정보 사이의 유사도를 계산하는 단계; 상기 유사도에 따라서, 상기 레퍼런스 디자인 이미지를 복수의 클러스터로 클러스터링하는 단계; 및 상기 클러스터 별로, 적어도 하나의 대표 디자인 이미지, 상기 대표 디자인 이미지에 대한 오버랩 이미지 및 상기 클러스터의 중심 벡터와 상기 타겟 디자인 이미지 사이의 유사도 중 적어도 하나를 생성하는 단계를 포함하는 디자인 이미지 클러스터링 방법이 제공된다.
또한 상기한 목적을 달성하기 위한 본 발명의 다른 실시예에 따르면, 메모리; 및 상기 메모리와 전기적으로 연결된 적어도 하나의 프로세서를 포함하며, 상기 프로세서는, 타겟 디자인 이미지 및 데이터베이스에 저장된 복수의 레퍼런스 디자인 이미지에 대한 디자인 요소 정보 중, 사용자에 의해 선택된 타겟 디자인 요소 정보 사이의 유사도를 계산하고, 상기 유사도에 따라서, 상기 레퍼런스 디자인 이미지를 복수의 클러스터로 클러스터링하며, 상기 클러스터 별로, 적어도 하나의 대표 디자인 이미지, 상기 대표 디자인 이미지에 대한 오버랩 이미지 및 상기 클러스터의 중심 벡터와 상기 타겟 디자인 이미지 사이의 유사도 중 적어도 하나를 생성하는 디자인 이미지 클러스터링 장치가 제공된다.
본 발명의 일실시예에 따르면, 디자인 이미지들을 유사도에 따라 복수의 클러스터로 클러스터링하고, 클러스터 별로 디자인 탐색을 지원하기 위한 정보를 표시함으로써, 사용자가 효과적으로 디자인 이미지를 탐색할 수 있다.
도 1은 본 발명의 일실시예에 따른 디자인 이미지 탐색 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 일실시예에 따른 클러스터를 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 디자인 이미지 클러스터링 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 오버랩 이미지를 설명하기 위한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
본 발명은 디자인 이미지의 탐색을 지원할 수 있는 디자인 이미지 클러스터링 방법 및 장치에 관한 발명이다.
데이터베이스에 저장된 수많은 레퍼런스 디자인 이미지들을 사용자가 일일이 확인하여, 희망하는 레퍼런스 디자인 이미지를 찾아내는 것은 쉬운 일이 아니다. 검색 조건을 이용하여 디자인 이미지를 검색하는 것도, 이미지라는 검색 대상의 특수성 때문에, 사용자가 희망하는 레퍼런스 디자인 이미지를 찾아내는 결론에 이르기 쉽지 않다.
이에 본 발명의 일실시예는 데이터베이스에 저장된 레퍼런스 디자인 이미지를 유사도에 따라 복수의 클러스터로 클러스터링하고, 클러스터에 사용자의 탐색을 지원하는 정보들을 표시한다. 클러스터에 표시되는 탐색 지원 정보들은, 클러스터 별 대표 디자인 이미지, 대표 디자인 이미지에 대한 오버랩 이미지, 사용자가 입력한 타겟 이미지와 클러스터 사이의 유사도 등을 포함할 수 있다.
사용자는 클러스터에 표시된 탐색 지원 정보를 확인함으로써, 복수의 클러스터 중 희망하는 레퍼런스 디자인 이미지를 포함하는 클러스터를 선택할 수 있으며, 본 발명의 일실시예는 사용자에 의해 선택된 클러스터에 포함된 레퍼런스 이미지들을 사용자에게 제공할 수 있다.
본 발명의 일실시예에 따른 디자인 이미지 클러스터링 방법은 메모리 및 메모리와 전기적으로 연결된 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에서 수행될 수 있다. 프로세서는 디자인 이미지 클러스터링을 위한 일련의 과정을 수행한다.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 디자인 이미지 탐색 시스템을 설명하기 위한 도면이며, 도 2는 본 발명의 일실시예에 따른 클러스터를 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 디자인 이미지 탐색 시스템은 단말(110), 탐색 서버(120) 및 데이터베이스(130)를 포함한다.
사용자가 단말(110)로 타겟 디자인 이미지를 입력하면, 단말(110)은 타겟 디자인 이미지에 대한 복수의 디자인 요소 정보 중에서, 사용자에 의해 선택된 타겟 디자인 요소 정보를 탐색 서버(120)로 전송한다. 타겟 디자인 요소 정보는 사용자에 의해 단말(110)로 입력되거나 또는 타겟 디자인 이미지에는 복수의 디자인 요소 정보가 미리 할당된 상태일 수 있다.
여기서 디자인 요소 정보란, 타겟 디자인 이미지 예컨대, 도면 디자인 이미지나 의류 디자인 이미지 등을 구성하는 디자인 요소(design elements)에 대한 정보를 의미한다. 일실시예로서 건축 도면 디자인 이미지의 디자인 요소 정보는, 방의 개수, 방의 위치, 방의 형태, 방의 연결 관계, 방의 레이아웃, 건축 도면의 전체 형상(실루엣) 등을 포함할 수 있으며, 의류 디자인 이미지의 디자인 요소 정보는, 무늬 패턴, 무늬 형상, 의류 종류, 의류의 전체 형상 등을 포함할 수 있다. 사용자는 일예로서, 타겟 건축 도면 디자인을 단말(110)로 입력하고, 방의 개수, 방의 위치를 타겟 디자인 요소 정보로 선택할 수 있다.
탐색 서버(120)는 데이터베이스(130)에 저장된 복수의 레퍼런스 디자인 이미지에 대한 타겟 디자인 요소 정보와, 타겟 디자인 이미지에 대한 타겟 디자인 요소 정보 사이의 유사도를 계산한다. 레퍼런스 디자인 이미지에는 복수의 디자인 요소 정보가 미리 할당된 상태일 수 있으며, 유사도는 디자인 요소 정보에 따라 다양한 방식으로 계산될 수 있다.
예컨대, 타겟 디자인 요소 정보가 방의 개수인 경우, 방의 개수의 차이에 따라서 유사도가 계산될 수 있다. 타겟 디자인 이미지의 방의 개수가 5개라면, 5개와 차이가 큰 개수만큼의 방을 포함하는 레퍼런스 디자인 이미지와의 유사도는 작을 것이며, 5개와 차이가 작은 개수만큼의 방을 포함하는 레퍼런스 디자인 이미지와의 유사도는 클 것이다.
또는 타겟 디자인 요소 정보가 건축 도면의 전체 형상인 경우, 형상의 차이에 따라서 유사도가 계산될 수 있다. 타겟 디자인 이미지의 전체 형상이 사각형인 경우, 전체 형상이 사각형인 레퍼런스 디자인 이미지와의 유사도는 클 것이며, 전체 형상이 원형인 레퍼런스 디자인 이미지와의 유사도는 작을 것이다.
그리고 탐색 서버(120)는 계산된 유사도에 따라서 레퍼런스 디자인 이미지를 복수의 클러스터로 클러스터링한다. 예컨대, 탐색 서버(120)는 유사도의 크기를 3개 레벨로 구분하여, 각 레벨에 대응되는 유사도의 레퍼런스 디자인 이미지를 포함하는 3개의 클러스터를 생성할 수 있다.
탐색 서버(120)는 클러스터 별로, 탐색 지원 정보를 생성하여 단말(110)로 클러스터 및 탐색 지원 정보를 제공한다. 탐색 지원 정보는 적어도 하나의 대표 디자인 이미지, 대표 디자인 이미지에 대한 오버랩 이미지 및 클러스터의 중심 벡터와 타겟 디자인 이미지 사이의 유사도 중 적어도 하나를 포함할 수 있다.
여기서, 대표 디자인 이미지란, 클러스터에 포함된 레퍼런스 디자인 이미지 중에서 해당 클러스터를 대표하는 레퍼런스 디자인 이미지를 나타내며, 오버랩 이미지는 클러스터 각각에 대한 복수의 대표 디자인 이미지들이, 중첩된 이미지를 나타낸다. 그리고 클러스터의 중심 벡터는, 클러스터의 무게 중심에 대응되는 벡터로서, 클러스터에 포함된 레퍼런스 디자인 이미지에 대한 타겟 디자인 요소 정보에 의해 계산되는 벡터이다. 클러스터의 중심 벡터와 타겟 디자인 이미지 사이의 유사도는 이러한 중심 벡터와 타겟 디자인 이미지에 대한 타겟 디자인 요소 정보 사이의 유사도를 나타낸다.
탐색 서버(120)로부터 제공된 클러스터 및 클러스터에 대한 탐색 지원 정보는 단말(110)에 표시된다. 도 2는 단말(110)에 표시된 클러스터 및 탐색 지원 정보의 일실시예를 나타낸다. 도 2의 일실시예에서는, 5개의 대표 디자인 이미지(210)와 함께 5개의 대표 디자인 이미지가 오버랩된 오버랩 이미지(220)가 클러스터(200) 각각에 표시되며, 클러스터(200)의 중심 벡터와 타겟 디자인 이미지 사이의 유사도(230)는, 게이지 바 형태로 클러스터(200)에 표시된다. 클러스터의 크기는, 클러스터에 포함된 레퍼런스 디자인 이미지의 개수에 비례할 수 있다. 도 2에서는, 하나의 클러스터(200)에만 대표 디자인 이미지(210), 오버랩 이미지(220) 및 유사도(230)가 표시되어 있으나, 나머지 클러스터에도 대표 디자인 이미지(210), 오버랩 이미지(220) 및 유사도(230)가 표시될 수 있다.
사용자가 클러스터 및 탐색 지원 정보를 확인한 후, 자세한 탐색을 희망하는 클러스터(200)를 선택할 경우, 클러스터(200)에 포함된 레퍼런스 디자인 이미지들이 단말(100)에 표시될 수 있다. 일실시예로서, 사용자가 클러스터(200)에 대해 줌인 액션을 취할 경우, 클러스터에 포함된 레퍼런스 디자인 이미지가 시각화될 수 있으며, 사용자는 마우스를 이용해 화면을 확대하는 줌인 액션을 수행할 수 있다.
도 3은 본 발명의 일실시예에 따른 디자인 이미지 클러스터링 방법을 설명하기 위한 도면이다.
전술된 바와 같이, 본 발명의 일실시예에 따른 디자인 이미지 클러스터링 방법은 프로세서 및 메모리를 포함하는 컴퓨팅 장치에서 수행될 수 있으며, 도 1에서 설명된 탐색 서버는 컴퓨팅 장치의 일예이다.
도 3을 참조하면, 본 발명의 일실시예에 따른 컴퓨팅 장치는 타겟 디자인 이미지 및 데이터베이스에 저장된 복수의 레퍼런스 디자인 이미지에 대한 디자인 요소 정보 중, 사용자에 의해 선택된 타겟 디자인 요소 정보 사이의 유사도를 계산(S310)한다. 전술된 바와 같이, 디자인 이미지가 평면 도면 디자인 이미지인 경우, 방의 개수, 방의 위치, 방의 형태, 방의 연결 관계, 방의 레이아웃, 건축 도면의 전체 형상(실루엣) 등이 디자인 요소 정보일 수 있다. 사용자에 의해 선택된 타겟 디자인 요소 정보가 복수개인 경우, 타겟 디자인 요소 정보 각각에 대해 유사도가 계산된다.
컴퓨팅 장치는 단계 S310에서 계산된 유사도에 따라서, 레퍼런스 디자인 이미지를 복수의 클러스터로 클러스터링(S320)한다. 즉, 하나의 클러스터에 포함된 레퍼런스 디자인 이미지들에 대한 타겟 디자인 요소 정보와 타겟 디자인 이미지에 대한 타겟 디자인 요소 정보 사이의 유사도는, 비슷한 값을 나타낸다. 이 때, 클러스터링된 클러스터의 크기는, 클러스터에 포함된 레퍼런스 디자인 이미지의 개수에 비례할 수 있다.
타겟 디자인 요소 정보가 복수개인 경우, 컴퓨팅 장치는 타겟 디자인 요소 정보별 유사도를 평균한 평균값 또는 가중 평균 값 등에 따라 레퍼런스 디자인 이미지를 클러스터링할 수 있다.
그리고 컴퓨팅 장치는 클러스터 별로, 탐색 지원 정보를 생성(S330)한다. 탐색 지원 정보는 적어도 하나의 대표 디자인 이미지, 대표 디자인 이미지에 대한 오버랩 이미지 및 클러스터의 중심 벡터와 타겟 디자인 이미지 사이의 유사도 중 적어도 하나를 포함할 수 있다. 이하 대표 디자인 이미지, 대표 디자인 이미지에 대한 오버랩 이미지 및 클러스터의 중심 벡터와 타겟 디자인 이미지 사이의 유사도를 생성하는 방법을 자세히 살펴 보기로 한다.
대표 디자인 이미지
컴퓨팅 장치는 클러스터의 중심 벡터와 클러스터에 포함된 레퍼런스 디자인 이미지에 대한 타겟 디자인 요소 정보 사이의 유크리드 거리에 따라서, 클러스터에 포함된 레퍼런스 디자인 이미지 중에서 미리 설정된 개수 이하의 대표 디자인 이미지를 선택할 수 있다.
컴퓨팅 장치는 다양한 클러스터링 알고리즘을 이용하여 레퍼런스 디자인 이미지들을 클러스터링할 수 있으며, 일예로서 평균 이동(mean shift) 알고리즘을 이용해 레퍼런스 디자인 이미지들을 클러스터링할 수 있다. 평균 이동 알고리즘에 의해 생성된 클러스터의 중심은 클러스터의 무게 중심으로서, 클러스터에 포함된 레퍼런스 디자인 이미지에 대한 타겟 디자인 요소 정보별 평균값에 대응된다. 타겟 디자인 요소 정보가 복수개라면, 복수개의 평균값으로 이루어진 중심 벡터가 결정된다.
컴퓨팅 장치는 유클리드 거리가 가까운 순서로 미리 설정된 개수의 대표 디자인 이미지를 선택할 수 있으며, 클러스터에 포함된 레퍼런스 디자인의 개수가 미리 설정된 개수보다 작거나 또는 유클리드 거리가 임계값이상으로 지나치게 클 경우 미리 설정된 개수보다 작은 개수의 대표 디자인 이미지가 선택될 수 있다.
오버랩 이미지
도 4는 본 발명의 일실시예에 따른 오버랩 이미지를 설명하기 위한 도면으로서, 도 4에서는 3개의 대표 디자인 이미지(410, 420, 430)로부터 오버랩 이미지가 생성되는 실시예가 도시된다.
도 4를 참조하면, 컴퓨팅 장치는 오버랩 이미지를 생성하기 위해, 대표 디자인 이미지(410, 420, 430)의 크기를 조절한다. 컴퓨팅 장치는 대표 디자인 이미지(410, 420, 430)가, 미리 설정된 크기의 및 형상의 가상 프레임(440)에 최대 크기로 포함되도록, 대표 디자인 이미지(410, 420, 430)의 크기를 조절할 수 있다. 즉, 컴퓨팅 장치는 대표 디자인 이미지(410, 420, 430)의 형상은 유지한 채, 대표 디자인 이미지(410, 420, 430)의 크기를 동일한 크기로 변경한다. 가상 프레임(440)의 형상은 실시예에 따라서 다양하게 설정될 수 있으며, 도 4에 도시된 정사각형 형상일 수 있다.
컴퓨팅 장치는 크기가 조절된 대표 디자인 이미지(410, 420, 430)의 투명도를 조절하고 오버랩하여, 오버랩 이미지(450)를 생성한다. 투명도는 오버랩되는 대표 디자인 이미지의 개수에 따라서 조절되며, 컴퓨팅 장치는 오버랩되는 대표 디자인 이미지의 개수에 비례하여 투명도를 결정할 수 있다. 즉, 오버랩되는 대표 디자인 이미지의 개수가 많아질수록, 대표 디자인 이미지의 투명도가 증가된 상태로 오버랩 이미지가 생성될 수 있다.
그리고 오버랩된 상태에서도 대표 디자인 이미지(410, 420, 430)에 포함된 특징들이 식별될 수 있도록, 레퍼런스 디자인 이미지들의 특징은 도 4에 도시된 바와 같이 복수의 색상으로 표현될 수 있다. 예컨대, 레퍼런스 디자인 이미지가 평면 도면 디자인 이미지인 경우, 복수의 색상으로 표현된 룸을 포함할 수 있다. 그리고 색상은 룸의 기능이나 타입에 따라 달라질 수 있다. 예컨대, 화장실, 부엌, 거실 별로 색상이 다를 수 있다.
그리고 컴퓨팅 장치는 대표 디자인 이미지(410, 420, 430)의 평균 종횡비에 따라서, 오버랩 이미지(550)의 형상을 변경할 수 있다. 도 4에 도시된 바와 같이, 대표 디자인 이미지 각각의 종횡비가 1.7, 1.3, 3.0인 경우, 컴퓨팅 장치는 정사각형 형상의 오버랩 이미지(450)의 종횡비가, 대표 디자인 이미지(410, 420, 430)의 평균 종횡비인 2:1이 되도록, 오버랩 이미지(450)의 형상이 변경된 이미지(460)를 생성한다.
클러스터의 중심 벡터와 타겟 디자인 이미지 사이의 유사도
전술된 바와 같이, 클러스터의 중심 벡터는 클러스터에 포함된 레퍼런스 디자인 이미지에 대한 타겟 디자인 요소 정보의 평균값에 대응된다. 컴퓨팅 장치는 중심 벡터와 타겟 디자인 이미지에 대한 타겟 디자인 요소 정보 사이의 유사도를 계산하고, 이러한 유사도를 게이지 바 형태로 생성할 수 있다. 유사도는 타겟 디자인 이미지에 대한 타겟 디자인 요소 정보와 레퍼런스 디자인 이미지에 대한 타겟 디자인 요소 정보 사이의 유사도 계산 방법과 같이 계산될 수 있다.
앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (6)

  1. 타겟 디자인 이미지 및 데이터베이스에 저장된 복수의 레퍼런스 디자인 이미지에 대한 디자인 요소 정보 중, 사용자에 의해 선택된 타겟 디자인 요소 정보 사이의 유사도를 계산하는 단계;
    상기 유사도에 따라서, 상기 레퍼런스 디자인 이미지를 복수의 클러스터로 클러스터링하는 단계; 및
    상기 클러스터 별로, 적어도 하나의 대표 디자인 이미지, 상기 대표 디자인 이미지에 대한 오버랩 이미지 및 상기 클러스터의 중심 벡터와 상기 타겟 디자인 이미지 사이의 유사도 중 적어도 하나를 생성하는 단계
    를 포함하는 디자인 이미지 클러스터링 방법.
  2. 제 1항에 있어서,
    상기 클러스터의 중심 벡터와 상기 타겟 디자인 이미지 사이의 유사도 중 적어도 하나를 생성하는 단계는
    상기 중심 벡터와 상기 클러스터에 포함된 레퍼런스 디자인 이미지에 대한 타겟 디자인 요소 정보 사이의 유크리드 거리에 따라서, 상기 클러스터에 포함된 레퍼런스 디자인 이미지 중에서 미리 설정된 개수 이하의 대표 디자인 이미지를 선택하는
    디자인 이미지 클러스터링 방법.
  3. 제 1항에 있어서,
    상기 클러스터의 중심 벡터와 상기 타겟 디자인 이미지 사이의 유사도 중 적어도 하나를 생성하는 단계는
    상기 대표 디자인 이미지가, 미리 설정된 크기의 및 형상의 가상 프레임에 최대 크기로 포함되도록, 상기 대표 디자인 이미지의 크기를 조절하는 단계;
    상기 크기가 조절된 대표 디자인 이미지의 투명도를 조절하고 오버랩하여, 상기 오버랩 이미지를 생성하는 단계; 및
    상기 대표 디자인 이미지의 평균 종횡비에 따라서, 상기 오버랩 이미지의 형상을 변경하는 단계
    를 포함하는 디자인 이미지 클러스터링 방법.
  4. 제 3항에 있어서,
    상기 가상 프레임은, 정사각형 형상의 프레임이며,
    상기 레퍼런스 디자인 이미지는, 복수의 색상으로 표현된 룸을 포함하는 이미지인
    디자인 이미지 클러스터링 방법.
  5. 제 1항에 있어서,
    상기 클러스터에 포함된 레퍼런스 디자인 이미지는
    상기 클러스터에 상기 대표 디자인 이미지, 상기 오버랩 이미지 및 상기 클러스터의 중심 벡터와 상기 타겟 디자인 이미지 사이의 유사도 중 적어도 하나가 표시된 상태에서, 상기 사용자가 줌인 액션을 취할 경우 시각화되는
    디자인 이미지 클러스터링 방법.
  6. 메모리; 및
    상기 메모리와 전기적으로 연결된 적어도 하나의 프로세서를 포함하며,
    상기 프로세서는,
    타겟 디자인 이미지 및 데이터베이스에 저장된 복수의 레퍼런스 디자인 이미지에 대한 디자인 요소 정보 중, 사용자에 의해 선택된 타겟 디자인 요소 정보 사이의 유사도를 계산하고,
    상기 유사도에 따라서, 상기 레퍼런스 디자인 이미지를 복수의 클러스터로 클러스터링하며,
    상기 클러스터 별로, 적어도 하나의 대표 디자인 이미지, 상기 대표 디자인 이미지에 대한 오버랩 이미지 및 상기 클러스터의 중심 벡터와 상기 타겟 디자인 이미지 사이의 유사도 중 적어도 하나를 생성하는
    디자인 이미지 클러스터링 장치.
PCT/KR2023/008485 2022-07-20 2023-06-20 디자인 이미지 클러스터링 방법 및 장치 Ceased WO2024019336A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US19/029,284 US12632494B2 (en) 2022-07-20 2025-01-17 Image clustering method and apparatus

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220089270A KR102882657B1 (ko) 2022-07-20 2022-07-20 디자인 이미지 클러스터링 방법
KR10-2022-0089270 2022-07-20

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US19/029,284 Continuation US12632494B2 (en) 2022-07-20 2025-01-17 Image clustering method and apparatus

Publications (1)

Publication Number Publication Date
WO2024019336A1 true WO2024019336A1 (ko) 2024-01-25

Family

ID=89618192

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/008485 Ceased WO2024019336A1 (ko) 2022-07-20 2023-06-20 디자인 이미지 클러스터링 방법 및 장치

Country Status (2)

Country Link
KR (1) KR102882657B1 (ko)
WO (1) WO2024019336A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20260033873A (ko) * 2024-09-03 2026-03-10 삼성에스디에스 주식회사 이미지 저장 방법 및 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200044644A (ko) * 2018-10-11 2020-04-29 네이버 주식회사 Cnn 기반 이미지 검색 방법 및 장치
US20200234037A1 (en) * 2017-03-10 2020-07-23 Hitachi Kokusai Electric Inc. Similar image search system
US20210294851A1 (en) * 2020-03-23 2021-09-23 UiPath, Inc. System and method for data augmentation for document understanding
US20210311984A1 (en) * 2020-04-01 2021-10-07 Kabushiki Kaisha Toshiba Display control apparatus, display control method, and computer program product
KR20220015273A (ko) * 2020-07-30 2022-02-08 주식회사 비주얼 주얼리 상품을 디자인하는 전자 장치 및 이를 이용한 주얼리 상품을 디자인하는 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101842874B1 (ko) * 2015-10-22 2018-03-28 주식회사 뉴스젤리 메타 정보를 이용한 데이터 시각화 유형 추천 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200234037A1 (en) * 2017-03-10 2020-07-23 Hitachi Kokusai Electric Inc. Similar image search system
KR20200044644A (ko) * 2018-10-11 2020-04-29 네이버 주식회사 Cnn 기반 이미지 검색 방법 및 장치
US20210294851A1 (en) * 2020-03-23 2021-09-23 UiPath, Inc. System and method for data augmentation for document understanding
US20210311984A1 (en) * 2020-04-01 2021-10-07 Kabushiki Kaisha Toshiba Display control apparatus, display control method, and computer program product
KR20220015273A (ko) * 2020-07-30 2022-02-08 주식회사 비주얼 주얼리 상품을 디자인하는 전자 장치 및 이를 이용한 주얼리 상품을 디자인하는 방법

Also Published As

Publication number Publication date
US20250165524A1 (en) 2025-05-22
KR102882657B1 (ko) 2025-11-05
KR20240011957A (ko) 2024-01-29

Similar Documents

Publication Publication Date Title
EP3843418A1 (en) Video abstract generating method and apparatus, computing device, and storage medium
CN107003834B (zh) 行人检测设备和方法
WO2002015122A2 (en) A system and method for a greedy pairwise clustering
WO1999067727A1 (en) Method and system for visualization of clusters and classifications
JP4173246B2 (ja) 類似画像表示方法及び類似画像表示処理プログラムを格納した記録媒体
WO2012108623A1 (ko) 이미지 데이터베이스에 신규 이미지 및 이에 대한 정보를 추가하기 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
WO2011053036A2 (ko) 이미지 컨텐츠에 대해 트리밍을 수행하기 위한 방법, 단말기 및 컴퓨터 판독 가능한 기록 매체
WO2018212369A1 (ko) 2.5차원 이미지를 활용한 가상 전시 공간 시스템 및 제공 방법
WO2020222386A1 (en) Method and apparatus for updating a cluster probability model
WO2011034305A2 (ko) 건축물 이미지의 계층적 매칭 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
WO2019212129A1 (ko) 효율적인 데이터 관리를 위한 가상 전시 공간 제공 방법
WO2019151569A1 (ko) 3차원 지리 정보 시스템 웹 서비스를 제공하는 방법
CN114064380B (zh) 一种监控显示方法、装置、设备及计算机存储介质
KR20240011957A (ko) 디자인 이미지 클러스터링 방법
CN114332880A (zh) 一种文本检测方法、装置、设备及存储介质
WO2015008937A1 (ko) 모션 데이터 생성 방법 및 장치
WO2018131729A1 (ko) 단일 카메라를 이용한 영상에서 움직이는 객체 검출 방법 및 시스템
Stolk et al. Mining the human genome using virtual reality.
WO2024112030A1 (ko) 디자인 협업을 위한 도면 정보 제공 방법 및 장치
CN112491999B (zh) 一种数据上报方法及装置
WO2023095956A1 (ko) 3차원 모델의 형상 관계 정보 검색 및 제공 방법, 장치 및 시스템
WO2015023106A1 (en) Apparatus and method for processing image
WO2019216643A1 (ko) 특정 데이터 군집의 종단지점 탐색 방법 및 이를 위한 데이터 처리시스템
WO2021117964A1 (ko) Sph 기반의 유체 해석 시뮬레이션을 하는 장치, 방법 및 컴퓨터 프로그램
CN119739455B (zh) 页面布局方法、电子设备及计算机可读存储介质

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: 23843188

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 23843188

Country of ref document: EP

Kind code of ref document: A1