KR102607208B1 - 뉴럴 네트워크 학습 방법 및 디바이스 - Google Patents
뉴럴 네트워크 학습 방법 및 디바이스 Download PDFInfo
- Publication number
- KR102607208B1 KR102607208B1 KR1020207013184A KR20207013184A KR102607208B1 KR 102607208 B1 KR102607208 B1 KR 102607208B1 KR 1020207013184 A KR1020207013184 A KR 1020207013184A KR 20207013184 A KR20207013184 A KR 20207013184A KR 102607208 B1 KR102607208 B1 KR 102607208B1
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- images
- category
- learning
- network model
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims description 51
- 238000000034 method Methods 0.000 title claims description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 70
- 238000012795 verification Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 210000004556 brain Anatomy 0.000 abstract description 3
- 230000019771 cognition Effects 0.000 abstract description 3
- 230000003278 mimic effect Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 238000007781 pre-processing Methods 0.000 description 11
- 241000282472 Canis lupus familiaris Species 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning 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
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 특히, 본 개시는 인공지능 시스템 및 그 응용에 따라 특정 카테고리에 포함되는 복수의 제 1 영상 및 카테고리가 특정되지 않은 복수의 제 2 영상을 획득하고, 특정 카테고리에 포함되는 복수의 제 1 영상을 기초로, 카테고리 인식을 위한 뉴럴 네트워크 모델의 학습을 수행하며, 학습된 뉴럴 네트워크 모델을 이용하여, 복수의 제 2 영상 중 특정 카테고리에 해당하는 적어도 하나의 제 2 영상을 인식하고, 인식된 적어도 하나의 제 2 영상을 기초로, 학습된 뉴럴 네트워크 모델을 갱신할 수 있다.
Description
개시된 실시예는 뉴럴 네트워크 학습 방법, 뉴럴 네트워크 학습 디바이스 및 뉴럴 네트워크 학습 방법을 수행하는 프로그램이 기록된 기록매체에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
개시된 실시예는 카테고리가 특정된 일부 데이터 셋을 기초로 학습된 뉴럴 네트워크 모델을 통해 나머지 데이터 셋의 카테고리를 인식하고, 인식 결과를 뉴럴 네트워크 모델의 학습에 이용함으로써, 적은 양의 데이터 셋으로도 뉴럴 네트워크의 학습을 수행할 수 있는 뉴럴 네트워크 학습 방법 및 디바이스를 제공할 수 있다.
본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 특히, 본 개시는 인공지능 시스템 및 그 응용에 따라 특정 카테고리에 포함되는 복수의 제 1 영상 및 카테고리가 특정되지 않은 복수의 제 2 영상을 획득하고, 특정 카테고리에 포함되는 복수의 제 1 영상을 기초로, 카테고리 인식을 위한 뉴럴 네트워크 모델의 학습을 수행하며, 학습된 뉴럴 네트워크 모델을 이용하여, 복수의 제 2 영상 중 특정 카테고리에 해당하는 적어도 하나의 제 2 영상을 인식하고, 인식된 적어도 하나의 제 2 영상을 기초로, 학습된 뉴럴 네트워크 모델을 갱신할 수 있다.
도 1은 일 실시예에 따른 뉴럴 네트워크 학습 방법을 설명하기 위한 개념도이다.
도 2는 일 실시예에 따른 디바이스가 뉴럴 네트워크를 학습시키는 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 디바이스가 카테고리가 특정된 일부 영상을 기초로 점진적으로 뉴럴 네트워크 모델의 학습을 수행하는 방법을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 디바이스가 사용자 정보 또는 사용자 입력을 추가적으로 이용하여 뉴럴 네트워크의 학습을 수행하는 방법을 설명하기 위한 도면이다.
도 5 및 도 6은 일 실시예에 따른 클래스 인식을 위한 뉴럴 네트워크 학습 디바이스의 블록도이다.
도 7은 일 실시예에 따른 프로세서를 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 데이터 학습부의 블록도이다.
도 9는 일 실시예에 따른 데이터 인식부의 블록도이다.
도 2는 일 실시예에 따른 디바이스가 뉴럴 네트워크를 학습시키는 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 디바이스가 카테고리가 특정된 일부 영상을 기초로 점진적으로 뉴럴 네트워크 모델의 학습을 수행하는 방법을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 디바이스가 사용자 정보 또는 사용자 입력을 추가적으로 이용하여 뉴럴 네트워크의 학습을 수행하는 방법을 설명하기 위한 도면이다.
도 5 및 도 6은 일 실시예에 따른 클래스 인식을 위한 뉴럴 네트워크 학습 디바이스의 블록도이다.
도 7은 일 실시예에 따른 프로세서를 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 데이터 학습부의 블록도이다.
도 9는 일 실시예에 따른 데이터 인식부의 블록도이다.
발명의 실시를 위한 최선의 형태
일 실시예에 따른 뉴럴 네트워크 학습 방법은, 특정 카테고리에 포함되는 복수의 제 1 영상 및 카테고리가 특정되지 않은 복수의 제 2 영상을 획득하는 단계; 특정 카테고리에 포함되는 복수의 제 1 영상을 기초로, 카테고리 인식을 위한 뉴럴 네트워크 모델의 학습을 수행하는 단계; 학습된 뉴럴 네트워크 모델을 이용하여, 복수의 제 2 영상 중 특정 카테고리에 해당하는 적어도 하나의 제 2 영상을 인식하는 단계; 및 인식된 적어도 하나의 제 2 영상을 기초로, 학습된 뉴럴 네트워크 모델을 갱신하는 단계를 포함할 수 있다.
일 실시예에 따른 뉴럴 네트워크 학습 방법은, 갱신된 뉴럴 네트워크 모델을 이용하여, 복수의 제 2 영상 중 특정 카테고리에 해당하는 것으로 인식된 적어도 하나의 제 2 영상을 제외한 다른 제 2 영상의 카테고리를 인식하는 단계를 더 포함할 수 있다.
일 실시예에 따른 뉴럴 네트워크 학습 방법은, 특정 카테고리에 해당하는 것으로 인식된 적어도 하나의 제 2 영상과 기 생성된 검증 데이터베이스에 저장된 영상을 비교하여, 인식 결과를 검증하는 단계를 더 포함할 수 있다.
일 실시예에 따른 뉴럴 네트워크 학습 방법에 있어서, 적어도 하나의 제 2 영상을 인식하는 단계는, 뉴럴 네트워크 모델의 인식 결과에 사용자의 선호 영상에 관한 정보를 가중치로 적용하여, 적어도 하나의 제 2 영상을 인식할 수 있다.
일 실시예에 따른 뉴럴 네트워크 학습 방법에 있어서, 적어도 하나의 제 2 영상을 인식하는 단계는, 뉴럴 네트워크 모델의 인식 결과를 검증하는 사용자의 입력을 수신하는 단계; 및 뉴럴 네트워크 모델의 인식 결과 및 수신된 사용자 입력에 기초하여, 적어도 하나의 제 2 영상을 인식할 수 있다.
일 실시예에 따른 뉴럴 네트워크 학습 디바이스는, 하나 이상의 인스트럭션을 저장하는 메모리; 및 메모리에 저장된 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로세서는, 특정 카테고리에 포함되는 복수의 제 1 영상 및 카테고리가 특정되지 않은 복수의 제 2 영상을 획득하고, 특정 카테고리에 포함되는 복수의 제 1 영상을 기초로, 카테고리 인식을 위한 뉴럴 네트워크 모델의 학습을 수행하며, 학습된 뉴럴 네트워크 모델을 이용하여, 복수의 제 2 영상 중 특정 카테고리에 해당하는 적어도 하나의 제 2 영상을 인식하고, 인식된 적어도 하나의 제 2 영상을 기초로, 학습된 뉴럴 네트워크 모델을 갱신할 수 있다.
발명의 실시를 위한 형태
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되지는 않는다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 항목들의 조합 또는 복수의 관련된 항목들 중의 어느 하나의 항목을 포함한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에서 사용되는 "부"라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부"는 어떤 역할들을 수행한다. 그렇지만 "부"는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 특성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부"들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부"들로 결합되거나 추가적인 구성요소들과 "부"들로 더 분리될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 일 실시예에 따른 뉴럴 네트워크 학습 방법을 설명하기 위한 개념도이다.
도 1을 참조하면, 뉴럴 네트워크 학습 디바이스(이하, 디바이스)는 객체의 카테고리 인식을 위한 뉴럴 네트워크 기반의 인식 모델을 학습시키기 위한 복수의 영상(110, 120)을 획득할 수 있다. 한편, 카테고리란 영상에 포함된 객체의 종류를 나타내는 것으로서, 범주에 따라 다양한 카테고리가 존재할 수 있다. 예를 들어, 0, 1, 2, 3, 4, 5 등의 숫자의 종류가 각각 카테고리가 될 수도 있고, 강아지, 고양이 등 동물의 종이 카테고리가 될 수도 있다. 또한, 다른 예에 따라, 의자, 책상, 칠판 등 사물의 종류가 카테고리가 될 수도 있다.
일 실시예에 따른 디바이스는 획득한 복수의 영상(110, 120) 중 특정 카테고리에 포함되는 복수의 제 1 영상(110)을 기초로 뉴럴 네트워크 모델(130)의 학습을 수행할 수 있다. 예를 들어, 디바이스는 의자라는 카테고리에 포함되는 것으로 확인된 복수의 영상을 기초로 뉴럴 네트워크 모델(130)의 학습을 수행할 수 있다.
디바이스는 학습이 완료됨에 따라, 카테고리가 특정되지 않은 다른 복수의 제 2 영상(120)을 뉴럴 네트워크 모델(130)에 입력할 수 있다. 이 때, 뉴럴 네트워크 모델(130)은 많은 양의 영상을 기초로 학습되기 전임에 따라, 인식률이 낮을 수 있다. 예를 들어, 카테고리가 특정되지 않은 복수의 제 2 영상(120)에 포함된 의자 영상의 10% 정도 만이 뉴럴 네트워크 모델(130)을 통해 인식될 수 있다.
일 실시예에 따른 디바이스는 특정 카테고리에 해당하는 것(positive)으로 분류된 적어도 하나의 제 2 영상(140)을 이용하여 뉴럴 네트워크 모델의 학습을 수행할 수 있다. 디바이스는 인식 결과를 학습에 재이용함으로써, 학습에 필요한 추가적인 영상을 확보할 수 있고, 이에 따라 뉴럴 네트워크 모델(130)의 성능 또한 향상될 수 있다.
디바이스는 특정 카테고리에 해당하는 것으로 분류된 적어도 하나의 제 2 영상(140)을 기초로 뉴럴 네트워크 모델의 학습이 완료된 경우, 특정 카테고리에 해당하는 것으로 분류되지 않은 나머지 제 2 영상(150)을 뉴럴 네트워크 모델에 입력할 수 있다. 또한, 디바이스는 인식 결과를 전술한 바와 같이, 뉴럴 네트워크 모델을 재학습하는데 이용할 수 있다.
디바이스는 인식 결과를 학습에 다시 이용함으로써, 초기 뉴럴 네트워크 모델의 학습에 많은 양의 데이터가 필요하다는 로드를 줄이고, 점진적으로 뉴럴 네트워크 모델의 성능을 향상시킬 수 있다.
도 2는 일 실시예에 따른 디바이스가 뉴럴 네트워크를 학습시키는 방법을 설명하기 위한 흐름도이다.
단계 S210에서, 디바이스는 특정 카테고리에 포함되는 복수의 제 1 영상 및 카테고리가 특정되지 않은 복수의 제 2 영상을 획득할 수 있다.
일 실시예에 따른 디바이스는 외부 서버의 훈련(training) 데이터베이스 또는 디바이스 내의 메모리로부터 카테고리가 특정된 복수의 제 1 영상을 획득할 수 있다. 또한, 디바이스는 웹 서버 등으로부터 무작위로 크롤링(crawling)된 복수의 제 2 영상을 획득할 수 있다.
단계 S220에서, 디바이스는 특정 카테고리에 포함되는 복수의 제 1 영상을 기초로, 카테고리 인식을 위한 뉴럴 네트워크 모델의 학습을 수행할 수 있다.
일 실시예에 따른 디바이스는 카테고리가 특정되어 있는 복수의 제 1 영상을 기초로, 특정 카테고리의 인식을 위해 이용되는 특성 정보를 추출하기 위한 뉴럴 네트워크 모델의 기준을 학습시킬 수 있다.
여기에서, 특성 정보는, 예를 들어, 쿼리 이미지를 구성하는 색상, 엣지(edge), 폴리건(polygon), 채도(saturation), 명도(brightness), 색온도, 블러(blur), 선명도(sharpness) 및 명도비(contrast) 등을 포함할 수 있으나, 특성 정보가 이에 한정되는 것은 아니다.
또한, 디바이스는 뉴럴 네트워크 모델의 학습 결과를 별도의 검증 데이터베이스에 저장된 영상을 통해 검증할 수도 있다.
단계 S230에서, 디바이스는 학습된 뉴럴 네트워크 모델을 이용하여, 복수의 제 2 영상 중 특정 카테고리에 해당하는 적어도 하나의 제 2 영상을 인식할 수 있다.
디바이스는 카테고리가 특정되지 않은 복수의 제 2 영상을 뉴럴 네트워크 모델에 입력할 수 있다. 이 때, 뉴럴 네트워크 모델의 학습에 사용된 영상의 개수가 부족함을 고려하여, 특정 카테고리를 인식하는데 기준이 되는 임계값(threshold)를 비교적 높게 설정할 수 있다. 임계값은 실험을 통해 특정 카테고리에 해당하는 제 2 영상만이 인식되는 값으로 결정될 수 있다.
단계 S240에서, 디바이스는 인식된 적어도 하나의 제 2 영상을 기초로, 학습된 뉴럴 네트워크 모델을 갱신할 수 있다.
일 실시예에 따른 디바이스는 복수의 제 1 영상과 동일한 카테고리에 포함되는 것으로 분류된 적어도 하나의 제 2 영상을 뉴럴 네트워크 모델을 학습시키는데 이용할 수 있다. 적어도 하나의 제 2 영상이 새로운 트레이닝 데이터로 뉴럴 네트워크 모델에 입력됨으로써, 뉴럴 네트워크 모델에서 카테고리 인식을 위해 특성 정보를 추출하는 기준이 되는 파라미터가 갱신될 수 있다.
또한, 디바이스는 갱신된 뉴럴 네트워크 모델에 복수의 제 2 영상 중 특정 카테고리에 해당하는 것으로 인식된 적어도 하나의 제 2 영상을 제외한 다른 제 2 영상을 입력할 수 있다.
전술한 바와 같이, 디바이스는 반복적으로 인식 결과를 뉴럴 네트워크 모델의 학습에 이용함으로써, 뉴럴 네트워크 모델의 성능을 점진적으로 향상시킬 수 있다.
도 3은 일 실시예에 따른 디바이스가 카테고리가 특정된 일부 영상을 기초로 점진적으로 뉴럴 네트워크 모델의 학습을 수행하는 방법을 설명하기 위한 도면이다.
도 3을 참조하면, 디바이스는 특정 카테고리에 포함되는 복수의 제 1 영상(310) 및 카테고리가 특정되지 않은 복수의 제 2 영상(330)을 획득할 수 있다. 예를 들어, 디바이스는 의자로 카테고리가 분류된 복수의 제 1 영상을 획득할 수 있다. 또한, 디바이스는 웹 서버 등으로부터 무작위로 카테고리가 특정되지 않은 복수의 제 2 영상(330)을 획득할 수 있다.
디바이스는 복수의 제 1 영상을 기초로 객체 인식 모델의 학습(340)을 통해, 객체를 인식할 수 있는 뉴럴 네트워크 모델인 객체 인식 모델(350)을 획득할 수 있다. 디바이스는 객체 인식 모델(350)의 성능 향상을 위해, 검증 DB(320)로부터 획득된 검증 데이터를 기초로, 생성된 객체 인식 모델(350)을 검증하여, 성능이 향상된 객체 인식 모델(370)을 획득할 수 있다. 예를 들어, 디바이스는 검증 DB에 포함된 영상을 생성된 객체 인식 모델(350)을 통해 인식함으로써, 객체 인식 모델(350)의 성능을 향상시킬 수 있다. 여기에서, 검증 DB(320)는 디바이스 내에 저장되어 있을 수도 있고, 웹 서버 및 SNS 서버 등 외부의 서버 내에 저장되어 있을 수도 있다.
일 실시예에 따른 디바이스는 카테고리가 특정되지 않은 복수의 제 2 영상을 성능이 향상된 객체 인식 모델(370)에 입력하여, 복수의 제 2 영상의 분류(380)를 수행할 수 있다. 그 결과, 디바이스는 복수의 제 2 영상 중 제 1 영상과 동일한 카테고리에 해당하는 적어도 하나의 제 2 영상(332)을 인식할 수 있다.
디바이스는 인식된 적어도 하나의 제 2 영상(332)을 기초로 객체 인식 모델을 갱신할 수 있다. 또한, 디바이스는 갱신된 객체 인식 모델을 기초로 특정 카테고리에 포함되는 것으로 분류되지 않은 제 2 영상(334)의 카테고리를 인식할 수 있다.
도 4는 일 실시예에 따른 디바이스가 사용자 정보 또는 사용자 입력을 추가적으로 이용하여 뉴럴 네트워크의 학습을 수행하는 방법을 설명하기 위한 도면이다.
도 4를 참조하면, 디바이스는 특정 카테고리에 포함되는 복수의 제 1 영상(410) 및 카테고리가 특정되지 않은 복수의 제 2 영상(430)을 획득할 수 있다. 여기에서, 복수의 제 1 영상(410) 및 복수의 제 2 영상(430)은 도 3을 참조하여 전술한 복수의 제 1 영상(310) 및 복수의 제 2 영상(330)과 대응될 수 있다.
디바이스는 복수의 제 1 영상을 기초로 객체 인식 모델의 학습(440)을 통해, 객체를 인식할 수 있는 뉴럴 네트워크 모델인 객체 인식 모델(450)을 획득할 수 있다. 디바이스는 객체 인식 모델(450)의 성능 향상을 위해, 검증 DB(420)로부터 획득된 검증 데이터를 기초로, 생성된 객체 인식 모델(450)을 검증하여, 성능이 향상된 객체 인식 모델(470)을 획득할 수 있다.
일 실시예에 따른 디바이스는 카테고리가 특정되지 않은 복수의 제 2 영상을 성능이 향상된 객체 인식 모델(470)에 입력하여, 복수의 제 2 영상의 분류(480)를 수행할 수 있다.
한편, 카테고리가 특정된 복수의 제 1 영상 만으로 뉴럴 네트워크 모델의 학습이 수행됨에 따라, 뉴럴 네트워크 모델의 분류 결과 이외에 추가적인 정보를 이용하여 뉴럴 네트워크 모델의 분류 결과의 정확도를 향상시킬 수도 있다. 일 실시예에 따라, 디바이스는 사용자의 정보 및 사용자 입력 중 적어도 하나(490)를 추가적으로 뉴럴 네트워크 모델의 분류에 이용할 수 있다. 여기에서, 사용자의 정보는 사용자의 선호도 정보 등이 포함될 수 있다.
일반적으로, 사용자는 자신이 선호하는 종류의 객체가 포함된 영상을 더 많은 빈도수로 시청할 가능성이 있다. 예를 들어, 강아지를 좋아하는 사용자의 경우, 디바이스에 획득되는 영상에는 강아지가 포함된 영상이 존재할 확률이 높아질 수 있다. 이에 따라, 디바이스는 복수의 제 2 영상의 분류 결과, 복수의 제 1 영상과 동일한 카테고리에 포함되는지 여부가 불명확한 제 2 영상에 대해 사용자의 선호도를 반영하여 카테고리 인식을 수행할 수 있다. 일 예로, 소정의 제 2 영상에 포함된 객체의 카테고리가 강아지일 확률이 0.5로 결정된 경우, 강아지에 대한 사용자의 선호도가 높다면, 소정의 제 2 영상의 카테고리를 강아지로 인식할 수 있다. 다만, 이는 일 예일 뿐, 사용자의 선호도 정보를 이용한 뉴럴 네트워크 학습 방법이 전술한 예에 한정되는 것은 아니다.
다른 실시예에 따라, 디바이스는 사용자 입력을 복수의 제 2 영상의 카테고리를 인식하는데 이용할 수도 있다. 예를 들어, 디바이스는 복수의 제 2 영상의 분류 결과, 복수의 제 1 영상과 동일한 카테고리에 포함되는지 여부가 불명확한 제 2 영상에 대해 사용자의 입력을 기초로 카테고리 인식을 수행할 수 있다. 디바이스는 소정의 제 2 영상의 카테고리를 선택할 수 있는 쿼리 또는 메시지 등을 표시하여, 사용자 입력을 요청할 수 있다. 디바이스는 사용자로부터 소정의 제 2 영상이 제 1 영상과 동일한 카테고리에 포함되는 것으로 사용자 입력을 수신한 경우, 이를 반영하여 소정의 제 2 영상에 대한 카테고리를 결정할 수 있다.
디바이스는 인식된 적어도 하나의 제 2 영상(432)을 기초로 객체 인식 모델을 갱신할 수 있다. 또한, 디바이스는 갱신된 객체 인식 모델을 기초로 특정 카테고리에 포함되는 것으로 분류되지 않은 제 2 영상(434)의 카테고리를 인식할 수 있다.
도 5 및 도 6은 일 실시예에 따른 클래스 인식을 위한 뉴럴 네트워크 학습 디바이스(500)의 블록도이다.
도 5를 참조하면, 뉴럴 네트워크 학습 디바이스(500, 이하, 디바이스)는 프로세서(510) 및 메모리(520)를 포함할 수 있다. 다만, 이는 일 실시예일 뿐, 디바이스(500)는 프로세서(510) 및 메모리(520) 보다 더 적거나 더 많은 구성 요소를 포함할 수 있다. 예를 들어, 도 6을 참조하면, 다른 실시예에 따른 디바이스(600)는 프로세서(510) 및 메모리(520) 이외에 통신부(520) 및 출력부(540)를 더 포함할 수 있다. 또한, 다른 예에 따라, 디바이스(500)는 복수의 프로세서들을 포함할 수도 있다.
프로세서(510)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.
프로세서(510)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.
일 실시예에 따라 프로세서(510)는 도 1 내지 도 4를 참고하여 전술한 디바이스의 동작을 수행할 수 있다.
예를 들어, 프로세서(510)는 특정 카테고리에 포함되는 복수의 제 1 영상 및 카테고리가 특정되지 않은 복수의 제 2 영상을 획득할 수 있다. 또한, 프로세서(510)는 특정 카테고리에 포함되는 복수의 제 1 영상을 기초로, 카테고리 인식을 위한 뉴럴 네트워크 모델의 학습을 수행할 수 있다.
프로세서(510)는 학습된 뉴럴 네트워크 모델을 이용하여, 복수의 제 2 영상 중 상기 특정 카테고리에 해당하는 적어도 하나의 제 2 영상을 인식할 수 있다. 또한, 프로세서(510)는 인식된 적어도 하나의 제 2 영상을 기초로, 학습된 뉴럴 네트워크 모델을 갱신할 수 있다.
프로세서(510)는 갱신된 뉴럴 네트워크 모델을 이용하여, 복수의 제 2 영상 중 특정 카테고리에 해당하는 것으로 인식된 적어도 하나의 제 2 영상을 제외한 다른 제 2 영상의 카테고리를 인식할 수 있다.
일 실시예에 따라, 프로세서(510)는 특정 카테고리에 해당하는 것으로 인식된 적어도 하나의 제 2 영상과 기 생성된 검증 데이터베이스에 저장된 영상을 비교하여, 인식 결과를 검증할 수도 있다.
또한, 일 실시예에 따른 프로세서(510)는 뉴럴 네트워크 모델의 인식 결과에 사용자의 선호 영상에 관한 정보를 가중치로 적용하여, 적어도 하나의 제 2 영상을 인식할 수 있다. 또한, 다른 실시예에 따라, 프로세서(510)는 뉴럴 네트워크 모델의 인식 결과를 검증하는 사용자의 입력을 수신하고, 뉴럴 네트워크 모델의 인식 결과 및 수신된 사용자 입력에 기초하여, 적어도 하나의 제 2 영상을 인식할 수 있다.
한편, 프로세서(510)는 프로세서(510) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(510)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(520)는 프로세서(510)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(520)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다. 일 실시예에 따라 메모리(520)는 도 7을 참고하여 후술할 데이터 학습부 및 데이터 인식부가 소프트웨어 모듈로 구성될 수 있다. 또한, 데이터 학습부 및 데이터 인식부는 각각 독립적으로 학습 네트워크 모델을 포함하거나, 하나의 학습 네트워크 모델을 공유할 수 있다.
통신부(530)는 외부 서버 및 기타 외부 장치와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(530)는 웹 서버 또는 SNS 서버 등으로부터 적어도 하나의 영상을 수신할 수 있다.
출력부(540)는 디바이스(500)에서 처리되는 정보를 출력할 수 있다. 예를 들어, 출력부(540)는 뉴럴 네트워크 모델을 이용하여, 복수의 제 2 영상을 분류한 결과, 획득한 제 2 영상의 카테고리 정보 등을 출력할 수 있다.
한편, 디바이스(500)는 예를 들어, PC, 랩톱, 휴대폰, 마이크로 서버, GPS(global positioning system) 장치, 스마트 폰, 웨어러블 단말기, 전자책 단말기, 가전기기, 자동차 내의 전자 장치 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있다. 그러나, 이에 제한되지 않으며, 디바이스(500)는 데이터 프로세싱 기능을 구비한 모든 종류의 기기를 포함할 수 있다.
도 7은 일 실시예에 따른 프로세서(510)를 설명하기 위한 도면이다.
도 7을 참조하면, 일 실시예에 따른 프로세서(510)는 데이터 학습부(710) 및 데이터 인식부(720)를 포함할 수 있다.
데이터 학습부(710)는 영상으로부터 객체의 카테고리를 인식하는데 필요한 특성 정보를 획득하기 위한 기준을 학습할 수 있다. 예를 들어, 데이터 학습부(710)는 복수의 제 1 영상 또는 카테고리가 인식된 적어도 하나의 제 2 영상으로부터 특성 정보를 획득하기 위한 기준을 학습할 수 있다. 여기에서, 학습된 기준에 따라, 데이터 학습부(710)에 포함된 적어도 하나의 레이어의 가중치가 결정될 수 있다.
데이터 인식부(720)는 데이터 학습부(710)를 통해 학습된 기준에 기초하여, 복수의 영상 각각의 특성 정보를 추출하거나, 복수의 영상 각각에 포함된 객체의 카테고리를 인식할 수 있다.
데이터 학습부(710) 및 데이터 인식부(720) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 뉴럴 네트워크 학습 디바이스에 탑재될 수 있다. 예를 들어, 데이터 학습부(710) 및 데이터 인식부(720) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 뉴럴 네트워크 학습 디바이스에 탑재될 수도 있다.
이 경우, 데이터 학습부(710) 및 데이터 인식부(720)는 하나의 뉴럴 네트워크 학습 디바이스에 탑재될 수도 있으며, 또는 별개의 뉴럴 네트워크 학습 디바이스에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(710) 및 데이터 인식부(720) 중 하나는 디바이스에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(710) 및 데이터 인식부(720)는 유선 또는 무선으로 통하여, 데이터 학습부(710)가 구축한 모델 정보를 데이터 인식부(720)로 제공할 수도 있고, 데이터 인식부(720)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(710)로 제공될 수도 있다.
한편, 데이터 학습부(710) 및 데이터 인식부(720) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(710) 및 데이터 인식부(720) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 어플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 어플리케이션에 의해 제공될 수 있다.
도 8은 일 실시예에 따른 데이터 학습부(710)의 블록도이다.
도 8을 참조하면, 일부 실시예에 따른 데이터 학습부(710)는 데이터 획득부(810), 전처리부(820), 학습 데이터 선택부(830), 모델 학습부(840) 및 모델 평가부(850)를 포함할 수 있다. 다만, 이는 일 실시예일 뿐, 전술한 구성 들 보다 적은 구성 요소로 데이터 학습부(710)가 구성되거나, 전술한 구성들 이외에 다른 구성 요소가 추가적으로 데이터 학습부(710)에 포함될 수 있다.
데이터 획득부(810)는 특정 카테고리에 포함되는 복수의 제 1 영상을 학습 영상으로 획득할 수 있다. 일 예로, 데이터 획득부(810)는 데이터 학습부(710)를 포함하는 뉴럴 네트워크 학습 디바이스 또는 데이터 학습부(710)를 포함하는 뉴럴 네트워크 학습 디바이스와 통신 가능한 외부의 디바이스 또는 서버로부터 적어도 하나의 영상을 획득할 수 있다.
또한, 데이터 획득부(810)는 카테고리가 특정되지 않은 복수의 제 2 영상을 획득할 수 있다. 복수의 제 2 영상은 전술한 복수의 제 1 영상을 기초로 학습된 뉴럴 네트워크 모델에 입력으로 적용될 수 있다.
또한, 데이터 획득부(810)는 복수의 제 1 영상을 기초로 학습된 뉴럴 네트워크 모델을 검증하는데 이용되는 검증용 영상을 추가적으로 획득할 수도 있다.
전처리부(820)는 영상의 특성 정보 추출 또는 영상 내의 객체의 카테고리 인식을 위한 학습에 획득된 영상이 이용될 수 있도록, 획득된 영상을 전처리할 수 있다. 전처리부(820)는 후술할 모델 학습부(840)가 학습을 위하여 획득된 적어도 하나의 영상을 이용할 수 있도록, 획득된 적어도 하나의 영상을 기 설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(830)는 전처리된 데이터 중에서 학습에 필요한 영상을 선택할 수 있다. 선택된 영상은 모델 학습부(840)에 제공될 수 있다. 학습 데이터 선택부(830)는 설정된 기준에 따라, 전처리된 영상 중에서 학습에 필요한 영상을 선택할 수 있다.
모델 학습부(840)는 학습 네트워크 모델 내의 복수의 레이어에서 영상으로부터 어떠한 정보를 이용하여, 특성 정보를 획득하거나, 영상 내의 객체를 인식하는지에 대한 기준을 학습할 수 있다.
다양한 실시예에 따르면, 모델 학습부(840)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 객체의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(840)는, 예를 들어, 학습에 따라 인식된 카테고리가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 생성 모델을 학습시킬 수 있다.
또한, 데이터 생성 모델이 학습되면, 모델 학습부(840)는 학습된 데이터 생성 모델을 저장할 수 있다. 이 경우, 모델 학습부(840)는 학습된 데이터 생성 모델을 데이터 획득부(810)를 포함하는 뉴럴 네트워크 학습 디바이스의 메모리에 저장할 수 있다. 또는, 모델 학습부(840)는 학습된 데이터 생성 모델을 뉴럴 네트워크 학습 디바이스와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 생성 모델이 저장되는 메모리는, 예를 들면, 뉴럴 네트워크 학습 디바이스의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 애플리케이션 프로그래밍 인터페이스(API) 및/또는 애플리케이션 프로그램(또는 "애플리케이션") 등을 포함할 수 있다.
모델 평가부(850)는 데이터 생성 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 추가 학습 데이터의 생성 결과, 소정 기준을 만족하지 못하는 경우, 모델 학습부(840)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 생성 모델을 평가하기 위한 기 설정된 데이터일 수 있다. 여기에서, 평가 데이터는 학습 네트워크 모델을 기반으로 인식된 객체의 카테고리와 실제 객체의 카테고리 간의 차이 등을 포함할 수 있다.
한편, 학습 네트워크 모델이 복수 개 존재하는 경우, 모델 평가부(750)는 각각의 학습 네트워크 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 학습 네트워크 모델로서 결정할 수 있다.
한편, 데이터 학습부(710) 내의 데이터 획득부(810), 전처리부(820), 학습 데이터 선택부(830), 모델 학습부(840) 및 모델 평가부(850) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 뉴럴 네트워크 학습 디바이스에 탑재될 수 있다. 예를 들어, 데이터 획득부(810), 전처리부(820), 학습 데이터 선택부(830), 모델 학습부(840) 및 모델 평가부(850) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 뉴럴 네트워크 학습 디바이스 에 탑재될 수도 있다.
또한, 데이터 획득부(810), 전처리부(820), 학습 데이터 선택부(830), 모델 학습부(840) 및 모델 평가부(850)는 하나의 뉴럴 네트워크 학습 디바이스에 탑재될 수도 있으며, 또는 별개의 뉴럴 네트워크 학습 디바이스들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(810), 전처리부(820), 학습 데이터 선택부(830), 모델 학습부(840) 및 모델 평가부(850) 중 일부는 뉴럴 네트워크 학습 디바이스에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(810), 전처리부(820), 학습 데이터 선택부(830), 모델 학습부(840) 및 모델 평가부(850) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(810), 전처리부(820), 학습 데이터 선택부(830), 모델 학습부(840) 및 모델 평가부(850) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 9는 일 실시예에 따른 데이터 인식부(720)의 블록도이다.
도 9를 참조하면, 일부 실시예에 따른 데이터 인식부(720)는 데이터 획득부(910), 전처리부(920), 인식 데이터 선택부(930), 인식 결과 제공부(940) 및 모델 갱신부(950)를 포함할 수 있다.
데이터 획득부(910)는 영상의 특성 정보 추출 또는 영상 내의 객체 인식에 필요한 적어도 하나의 영상을 획득할 수 있으며, 전처리부(920)는 영상의 특성 정보 추출 또는 영상 내의 객체의 카테고리 인식을 위해 획득된 적어도 하나의 영상이 이용될 수 있도록, 획득된 영상을 전처리할 수 있다. 전처리부(920)는 후술할 인식 결과 제공부(940)가 영상의 특성 정보 추출 또는 영상 내의 객체의 카테고리 인식을 위하여 획득된 영상을 이용할 수 있도록, 획득된 영상을 기 설정된 포맷으로 가공할 수 있다. 인식 데이터 선택부(930)는 전처리된 데이터 중에서 특성 추출 또는 카테고리 인식에 필요한 영상을 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(840)에게 제공될 수 있다.
인식 결과 제공부(940)는 선택된 영상을 일 실시예에 따른 학습 네트워크 모델에 적용하여 영상의 특성 정보를 추출하거나, 영상 내의 객체를 인식할 수 있다. 학습 네트워크 모델에 적어도 하나의 영상을 입력하여 특성 정보를 추출하거나 객체를 인식하는 방법은 도 1 내지 4을 참고하여 전술한 방법과 대응될 수 있다.
인식 결과 제공부(940)는 적어도 하나의 영상 내에 포함된 객체의 카테고리를 인식한 결과를 제공할 수 있다.
모델 갱신부(950)는 인식 결과 제공부(940)에 의해 제공되는 영상 내의 객체의 카테고리 인식 결과에 대한 평가에 기초하여, 학습 네트워크 모델에 포함된 종분류 네트워크 또는 적어도 하나의 특성 추출 레이어의 파라미터 등이 갱신되도록 평가에 대한 정보를 도 8을 참고하여 전술한 모델 학습부(840)에게 제공할 수 있다.
한편, 데이터 인식부(720) 내의 데이터 획득부(910), 전처리부(920), 인식 데이터 선택부(930), 인식 결과 제공부(940) 및 모델 갱신부(950) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 뉴럴 네트워크 학습 디바이스에 탑재될 수 있다. 예를 들어, 데이터 획득부(910), 전처리부(920), 인식 데이터 선택부(930), 인식 결과 제공부(940) 및 모델 갱신부(950) 중 적어도 하나는 인공 지능을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 뉴럴 네트워크 학습 디바이스에 탑재될 수도 있다.
또한, 데이터 획득부(910), 전처리부(920), 인식 데이터 선택부(930), 인식 결과 제공부(940) 및 모델 갱신부(950)는 하나의 뉴럴 네트워크 학습 디바이스에 탑재될 수도 있으며, 또는 별개의 뉴럴 네트워크 학습 디바이스들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(910), 전처리부(920), 인식 데이터 선택부(930), 인식 결과 제공부(940) 및 모델 갱신부(950) 중 일부는 뉴럴 네트워크 학습 디바이스에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(910), 전처리부(920), 인식 데이터 선택부(930), 인식 결과 제공부(940) 및 모델 갱신부(950) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(910), 전처리부(920), 인식 데이터 선택부(930), 인식 결과 제공부(940) 및 모델 갱신부(950) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 어플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 어플리케이션에 의해 제공될 수 있다.
한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.
상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 및 캐리어 웨이브(예를 들면, 인터넷을 통한 전송)와 같은 저장매체를 포함한다.
이상과 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
Claims (11)
- 디바이스의 뉴럴 네트워크 학습 방법에 있어서,
복수의 제 1 영상 및 복수의 제 2 영상을 획득하는 단계, 상기 복수의 제 1 영상 각각은 복수의 카테고리 중 하나에 속하는 객체를 포함하고, 상기 복수의 제 2 영상 각각은 카테고리가 특정되지 않은 객체를 포함하며;
상기 복수의 제 1 영상을 기초로, 카테고리 인식을 위한 뉴럴 네트워크 모델의 학습을 수행하는 단계;
상기 학습이 수행된 뉴럴 네트워크 모델을 이용하여, 상기 복수의 제 2 영상 중 하나에 포함된 객체가 상기 복수의 카테고리 중 제 1 카테고리에 포함될 확률을 식별하는 단계;
상기 식별된 확률이 0.5인 경우, 사용자 선호도 정보에 기초하여 상기 객체의 카테고리를 사용자에 의해 선호되는 제 2 카테고리로 인식하는 단계; 및
상기 인식된 객체의 카테고리에 기초하여, 상기 학습된 뉴럴 네트워크 모델을 갱신하는 단계를 포함하는 뉴럴 네트워크 학습 방법. - 제 1 항에 있어서,
상기 갱신된 뉴럴 네트워크 모델을 이용하여, 상기 복수의 제 2 영상 중 객체의 카테고리가 인식된 제 2 영상을 제외한 다른 제 2 영상의 카테고리를 인식하는 단계를 더 포함하는, 뉴럴 네트워크 학습 방법. - 제 1 항에 있어서,
상기 복수의 제 2 영상 중 하나와 기 생성된 검증 데이터베이스에 저장된 영상을 비교하여, 상기 인식 결과를 검증하는 단계를 더 포함하는, 뉴럴 네트워크 학습 방법. - 삭제
- 삭제
- 뉴럴 네트워크 학습 디바이스에 있어서,
하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는,
복수의 제 1 영상 및 복수의 제 2 영상을 획득하고, 상기 복수의 제 1 영상 각각은 복수의 카테고리 중 하나에 속하는 객체를 포함하고, 상기 복수의 제 2 영상 각각은 카테고리가 특정되지 않은 객체를 포함하며,
상기 복수의 제 1 영상을 기초로, 카테고리 인식을 위한 뉴럴 네트워크 모델의 학습을 수행하며,
상기 학습이 수행된 뉴럴 네트워크 모델을 이용하여, 상기 복수의 제 2 영상 중 하나에 포함된 객체가 상기 복수의 카테고리 중 제 1 카테고리에 포함될 확률을 식별하고,
상기 식별된 확률이 0.5인 경우, 사용자 선호도 정보에 기초하여 상기 객체의 카테고리를 사용자에 의해 선호되는 제 2 카테고리로 인식하고,
상기 인식된 객체의 카테고리에 기초하여, 상기 학습된 뉴럴 네트워크 모델을 갱신하는, 뉴럴 네트워크 학습 디바이스. - 제 6 항에 있어서, 상기 적어도 하나의 프로세서는,
상기 갱신된 뉴럴 네트워크 모델을 이용하여, 상기 복수의 제 2 영상 중 객체의 카테고리가 인식된 제 2 영상을 제외한 다른 제 2 영상의 카테고리를 인식하는, 뉴럴 네트워크 학습 디바이스. - 제 6 항에 있어서, 상기 적어도 하나의 프로세서는,
상기 복수의 제 2 영상 중 하나와 기 생성된 검증 데이터베이스에 저장된 영상을 비교하여, 상기 인식 결과를 검증하는, 뉴럴 네트워크 학습 디바이스. - 삭제
- 삭제
- 제 1항 내지 제 3항 중 어느 하나의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2017/013043 WO2019098418A1 (ko) | 2017-11-16 | 2017-11-16 | 뉴럴 네트워크 학습 방법 및 디바이스 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200074958A KR20200074958A (ko) | 2020-06-25 |
| KR102607208B1 true KR102607208B1 (ko) | 2023-11-28 |
Family
ID=66538681
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020207013184A Active KR102607208B1 (ko) | 2017-11-16 | 2017-11-16 | 뉴럴 네트워크 학습 방법 및 디바이스 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11681912B2 (ko) |
| KR (1) | KR102607208B1 (ko) |
| WO (1) | WO2019098418A1 (ko) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10289903B1 (en) * | 2018-02-12 | 2019-05-14 | Avodah Labs, Inc. | Visual sign language translation training device and method |
| JP6806107B2 (ja) * | 2018-03-20 | 2021-01-06 | 日本電気株式会社 | 障害物認識支援装置、障害物認識支援方法、プログラム |
| CN110633788A (zh) * | 2019-08-14 | 2019-12-31 | 南京大学 | 面向神经网络模型的基于层间剖析的输入实例验证方法 |
| KR102703808B1 (ko) | 2020-04-21 | 2024-09-06 | 한국전자통신연구원 | 촬영 영상 데이터의 분석을 위한 모델 학습 장치 및 방법, 그리고 이를 적용한 지능형 영상 촬영 장치 |
| CN111738098B (zh) * | 2020-05-29 | 2022-06-17 | 浪潮(北京)电子信息产业有限公司 | 一种车辆识别方法、装置、设备及存储介质 |
| CN113869087A (zh) * | 2020-06-30 | 2021-12-31 | 华为技术有限公司 | 识别物体的卫生状况方法及相关电子设备 |
| CN114596184B (zh) * | 2020-12-04 | 2025-04-29 | 安徽寒武纪信息科技有限公司 | 一种累加图像数据的方法、装置以及存储介质 |
| US20220237414A1 (en) * | 2021-01-26 | 2022-07-28 | Nvidia Corporation | Confidence generation using a neural network |
| CN112784912B (zh) * | 2021-01-29 | 2024-11-26 | 北京百度网讯科技有限公司 | 图像识别方法及装置、神经网络模型的训练方法及装置 |
| KR102437309B1 (ko) * | 2021-02-24 | 2022-08-30 | 주식회사 스톡폴리오 | 딥러닝을 이용한 영상 카테고리 분류 장치 및 그 방법 |
| TWI805485B (zh) * | 2021-12-20 | 2023-06-11 | 財團法人工業技術研究院 | 影像辨識的方法及其電子裝置 |
| CN114693625A (zh) * | 2022-03-22 | 2022-07-01 | 北京鹰瞳科技发展股份有限公司 | 用于对进行甲亢识别的模型进行训练的方法及相关产品 |
| US20240242380A1 (en) * | 2023-01-13 | 2024-07-18 | Maya Heat Transfer Technologies Ltd. | System for generating an image dataset for training an artificial intelligence model for object recognition, and method of use thereof |
Family Cites Families (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1586076A2 (en) | 2003-01-15 | 2005-10-19 | Bracco Imaging S.p.A. | System and method for optimization of a database for the training and testing of prediction algorithms |
| US7362892B2 (en) * | 2003-07-02 | 2008-04-22 | Lockheed Martin Corporation | Self-optimizing classifier |
| KR20070079211A (ko) | 2006-02-01 | 2007-08-06 | 삼성전자주식회사 | 멀티미디어 컨텐츠 추천 장치 및 방법 |
| EP2198121A1 (en) * | 2007-08-31 | 2010-06-23 | Saudi Arabian Oil Company | Artificial neural network models for determining relative permeability of hydrocarbon reservoirs |
| EP2221805B1 (en) | 2009-02-20 | 2014-06-25 | Nuance Communications, Inc. | Method for automated training of a plurality of artificial neural networks |
| JP6164639B2 (ja) * | 2013-05-23 | 2017-07-19 | 国立研究開発法人情報通信研究機構 | ディープ・ニューラルネットワークの学習方法、及びコンピュータプログラム |
| KR102166105B1 (ko) | 2014-03-06 | 2020-10-16 | 프로그레스, 인코포레이티드 | 신경망 및 신경망 트레이닝의 방법 |
| EP3129920B1 (en) | 2014-04-11 | 2022-06-08 | Google LLC | Parallelizing the training of convolutional neural networks |
| US10387773B2 (en) * | 2014-10-27 | 2019-08-20 | Ebay Inc. | Hierarchical deep convolutional neural network for image classification |
| US20160358099A1 (en) | 2015-06-04 | 2016-12-08 | The Boeing Company | Advanced analytical infrastructure for machine learning |
| US10354199B2 (en) * | 2015-12-07 | 2019-07-16 | Xerox Corporation | Transductive adaptation of classifiers without source data |
| US10083369B2 (en) * | 2016-07-01 | 2018-09-25 | Ricoh Company, Ltd. | Active view planning by deep learning |
| US10192415B2 (en) * | 2016-07-11 | 2019-01-29 | Google Llc | Methods and systems for providing intelligent alerts for events |
| US10664157B2 (en) * | 2016-08-03 | 2020-05-26 | Google Llc | Image search query predictions by a keyboard |
| US10242443B2 (en) * | 2016-11-23 | 2019-03-26 | General Electric Company | Deep learning medical systems and methods for medical procedures |
| US9891884B1 (en) * | 2017-01-27 | 2018-02-13 | International Business Machines Corporation | Augmented reality enabled response modification |
| US20180374105A1 (en) * | 2017-05-26 | 2018-12-27 | Get Attached, Inc. | Leveraging an intermediate machine learning analysis |
| US10019654B1 (en) * | 2017-06-28 | 2018-07-10 | Accenture Global Solutions Limited | Image object recognition |
| US20190095946A1 (en) * | 2017-09-25 | 2019-03-28 | Get Attached, Inc. | Automatically analyzing media using a machine learning model trained on user engagement information |
| US20190122073A1 (en) * | 2017-10-23 | 2019-04-25 | The Charles Stark Draper Laboratory, Inc. | System and method for quantifying uncertainty in reasoning about 2d and 3d spatial features with a computer machine learning architecture |
| EP3704567A4 (en) * | 2017-11-02 | 2021-06-30 | Airworks Solutions, Inc. | METHODS AND APPARATUS FOR AUTOMATICALLY DEFINING COMPUTER-ASSISTED DESIGN FILES USING AUTOMATIC LEARNING, IMAGE ANALYSIS AND / OR ARTIFICIAL VISION |
| US10776662B2 (en) * | 2017-11-09 | 2020-09-15 | Disney Enterprises, Inc. | Weakly-supervised spatial context networks to recognize features within an image |
-
2017
- 2017-11-16 KR KR1020207013184A patent/KR102607208B1/ko active Active
- 2017-11-16 WO PCT/KR2017/013043 patent/WO2019098418A1/ko active Application Filing
- 2017-11-16 US US16/759,878 patent/US11681912B2/en active Active
Non-Patent Citations (1)
| Title |
|---|
| Liang Lin et al., "Active Self-Paced Learning for Cost-Effective and Progressive Face Identification," arXiv:1701.03555v2 [cs.CV] 3 Jul 2017 (2017.07.03.)* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200074958A (ko) | 2020-06-25 |
| US11681912B2 (en) | 2023-06-20 |
| US20210182664A1 (en) | 2021-06-17 |
| WO2019098418A1 (ko) | 2019-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102607208B1 (ko) | 뉴럴 네트워크 학습 방법 및 디바이스 | |
| US11449733B2 (en) | Neural network learning method and device for recognizing class | |
| KR102593438B1 (ko) | 뉴럴 네트워크 학습 방법 및 디바이스 | |
| KR102400017B1 (ko) | 객체를 식별하는 방법 및 디바이스 | |
| US11216694B2 (en) | Method and apparatus for recognizing object | |
| KR102532749B1 (ko) | 약한 지도 학습에 기초한 뉴럴 네트워크의 계층적 학습 방법 및 장치 | |
| KR102535411B1 (ko) | 메트릭 학습 기반의 데이터 분류와 관련된 장치 및 그 방법 | |
| KR102491546B1 (ko) | 객체를 인식하는 방법 및 장치 | |
| KR102646889B1 (ko) | 스타일 변환을 위한 영상 처리 장치 및 방법 | |
| KR102387305B1 (ko) | 멀티모달 데이터 학습 방법 및 장치 | |
| KR102532748B1 (ko) | 뉴럴 네트워크 학습 방법 및 장치 | |
| KR102606287B1 (ko) | 애플리케이션의 번역 정보를 제공하는 디바이스 및 방법 | |
| US20190228294A1 (en) | Method and system for processing neural network model using plurality of electronic devices | |
| KR102628042B1 (ko) | 연락처 정보를 추천하는 방법 및 디바이스 | |
| KR20190029083A (ko) | 신경망 학습 방법 및 이를 적용한 장치 | |
| US20230419721A1 (en) | Electronic device for improving quality of image and method for improving quality of image by using same | |
| KR20190096752A (ko) | 컨텐츠에 대한 텍스트 코멘트를 생성하는 방법 및 전자 장치 | |
| US20200202068A1 (en) | Computing apparatus and information input method of the computing apparatus | |
| US20240160929A1 (en) | Device for training and managing a visual scene graph model and control method thereof | |
| US20240153262A1 (en) | Device for managing a visual saliency model and control method thereof | |
| KR20190126662A (ko) | 특정 공간에 위치한 전자 장치를 구분하기 위한 서버 및 그의 제어 방법 | |
| KR20210096367A (ko) | 제품의 개발을 보조하기 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0105 | International application |
Patent event date: 20200507 Patent event code: PA01051R01D Comment text: International Patent Application |
|
| PG1501 | Laying open of application | ||
| PA0201 | Request for examination |
Patent event code: PA02012R01D Patent event date: 20201111 Comment text: Request for Examination of Application |
|
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20230131 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20230827 |
|
| PG1601 | Publication of registration |