KR20180130925A - Artificial intelligent device generating a learning image for machine running and control method thereof - Google Patents
Artificial intelligent device generating a learning image for machine running and control method thereof Download PDFInfo
- Publication number
- KR20180130925A KR20180130925A KR1020170067164A KR20170067164A KR20180130925A KR 20180130925 A KR20180130925 A KR 20180130925A KR 1020170067164 A KR1020170067164 A KR 1020170067164A KR 20170067164 A KR20170067164 A KR 20170067164A KR 20180130925 A KR20180130925 A KR 20180130925A
- Authority
- KR
- South Korea
- Prior art keywords
- image data
- neural network
- learning
- network model
- candidate
- Prior art date
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
- G06N3/08—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
Description
머신 러닝을 위한 학습 이미지를 자동으로 생성하는 인공 지능 장치 및 그의 제어 방법에 관한 것이다. To an artificial intelligence device for automatically generating a learning image for machine learning and a control method thereof.
머신 러닝은 방대한 량의 데이터를 수집 및 분석하여, 미래를 예측하는 기술이다. 이러한 머신 러닝은 방대한 량의 데이터를 분석할수록 예측의 정확도가 향상될 수 있다. 따라서, 머신 러닝에 있어서, 방대한 량의 데이터를 수집하는 것이 매우 중요한 일이다. Machine learning is a technology that collects and analyzes vast amounts of data and predicts the future. Such machine learning can improve the accuracy of prediction by analyzing a large amount of data. Therefore, in machine learning, it is very important to collect a large amount of data.
종래에는 머신 러닝의 학습 효율을 향상시키기 위하여, 데이터 셋 확장 기술인 데이터 증강(data augementation) 방법을 사용하였다. 데이터 셋 확장 기술은 수작업 방식으로, 데이터를 전처리하는 기술이다. In order to improve learning efficiency of machine learning, a data augmentation method, which is a data set extension technique, has been used. Dataset extension technology is a technique for preprocessing data by hand.
예를 들어, 도 1의 (a) 내지 (c)를 참조하면, 기존에는, 사용자 선택에 근거하여, 원본 이미지에 대하여, 상하 반전, 일부 영역 크롭, 일 영역 확대/축소 등을 수행하였다. For example, referring to (a) to (c) of FIG. 1, up-down reversal, partial area cropping, and one-area enlargement / reduction are performed on an original image based on user selection.
즉, 개발자 별로, 소량의 학습 이미지 데이터에 대하여, 특정 데이터 증강 기법을 적용하여, 데이터 셋을 확장하였다. 이러한 데이터 셋 확장 기술은 수작업으로 수행하기 때문에, 데이터의 전체리 과정과 전체 머신러닝 프로세스의 효율성을 떨어뜨리는 문제점이 있다.That is, for each developer, a data set is extended by applying a specific data enhancement technique to a small amount of learning image data. This data set extension technique is performed by hand, so there is a problem of degrading the efficiency of the entire machine learning process and the entire data processing process.
또한, 영상분석용 딥러닝 기술의 경우, 기존 머신 러닝에서 요구되는 학습 데이터의 요구량을 크게 상회하는 수만~수백만 장의 학습 이미지 데이터를 필요로 하지만, 일부 공개되어있는 몇 종류의 표준 벤치마킹 데이터 셋 외에는 여러 가지 기술 외적인 요인으로 인해 대용량 학습 데이터의 확보 자체가 쉽지 않은 실정이다.Deep learning technology for image analysis requires tens of thousands to millions of learning image data that greatly exceeds the required amount of learning data required for existing machine learning. However, there are several kinds of standard benchmarking data sets It is not easy to secure large amount of learning data because of factors other than branch technology.
특히 전차, 항공기 등과 같은 무기체계 학습 이미지의 경우, 분야의 특수성으로 인해 이미지의 출처가 매우 제한적이고 머신러닝 학습용 학습 이미지 데이터 수집/획득에 많은 한계를 갖고 있었다. Especially, in the case of weapons system learning images such as tanks and aircraft, the source of the images is very limited due to the specificity of the field, and it has many limitations in acquisition / acquisition of learning image data for machine learning learning.
상기와 같은 문제점을 해결하기 위하여, 본 발명은 학습 이미지를 자동으로 생성하는 장치를 제안하는 것을 일 목적으로 한다. In order to solve the above problems, it is an object of the present invention to provide an apparatus for automatically generating a learning image.
또한, 본 발명은 머신 러닝의 수행 시, 머신 러닝의 효율성을 향상시키는 방법을 제공하는 것을 또 다른 목적으로 한다. Another object of the present invention is to provide a method for improving the efficiency of machine learning in performing machine learning.
본 발명은 기 저장된 복수의 신경망 후보 모델 중 머신 러닝을 수행할 적어도 하나의 신경망 모델을 선택하는 신경망 후보 모델 선택부와 원본 이미지 데이터를 복수의 영상 변환 방식 중 적어도 하나의 방식을 이용하여 복수의 후보 이미지 데이터를 생성하는 이미지 데이터 증강부와 상기 적어도 하나의 신경망 모델 및 상기 복수의 후보 이미지 데이터에 대한 연산 효율을 계산하는 연산 효율 평가부 상기 연산 효율에 근거하여, 상기 적어도 하나의 신경망 모델 중 어느 하나의 신경망 모델 및 상기 복수의 후보 이미지 데이터 중 적어도 하나의 이미지 데이터를 결정하는 학습 이미지 데이터 선택부 및 상기 결정된 어느 하나의 신경망 모델을 이용하여, 상기 결정된 적어도 하나의 이미지 데이터를 학습하는 머신 러닝 프로세스부를 포함한다. The present invention provides a neural network model selection unit for selecting at least one neural network model for performing machine learning among a plurality of previously stored neural network candidate models and a plurality of candidates An image data enhancer for generating image data, an arithmetic efficiency evaluating unit for calculating the arithmetic efficiency of the at least one neural network model and the plurality of candidate image data, A learning image data selection unit for determining at least one image data among the plurality of candidate image data and a neural network model of the selected neural network model; and a machine learning process unit for learning the determined at least one image data using the determined one of the neural network models .
일 실시 예에 있어서, 상기 신경망 후보 모델 선택부는 사용자의 제어 명령에 근거하여, 상기 복수의 신경망 모델 중 적어도 하나의 신경망 모델을 선택하는 것을 특징으로 한다. In one embodiment, the neural network candidate model selection unit selects at least one neural network model among the plurality of neural network models based on a user's control command.
일 실시 예에 있어서, 상기 이미지 데이터 증강부는 상기 복수의 후보 이미지 데이터를, 연산 효율 평가의 대상이 되는 복수의 시험 그룹과, 연산 효율 평가의 기준이 되는 검증 그룹으로 구분하고, 상기 연산 효율 평가부는 상기 시험 그룹에 대하여, 연산 효율을 평가하는 것을 특징으로 한다. In one embodiment, the image data enhancement unit divides the plurality of candidate image data into a plurality of test groups to be subjected to arithmetic efficiency evaluation and a verification group to be a reference of arithmetic efficiency evaluation, and the arithmetic efficiency evaluation unit And the calculation efficiency is evaluated for the test group.
일 실시 예에 있어서, 상기 연산 효율 평가부는 상기 적어도 하나의 신경망 모델 각각에 대하여, 상기 복수의 후보 이미지 데이터에 대한 연산 효율을 계산하는 것을 특징으로 한다. In one embodiment, the computation efficiency evaluating unit calculates the computation efficiency for each of the plurality of candidate image data for each of the at least one neural network model.
일 실시 예에 있어서, 상기 학습 이미지 데이터 선택부는, 상기 복수의 후보 이미지 데이터 중 연산 효율이 가장 높은 적어도 하나의 후보 이미지 데이터를 결정하는 것을 특징으로 한다. In one embodiment, the learning image data selection unit determines at least one candidate image data having the highest computation efficiency among the plurality of candidate image data.
일 실시 예에 있어서, 상기 학습 이미지 데이터 선택부는, 상기 적어도 하나의 신경망 모델 중 연산 효율이 가장 높은 신경망 모델을 결정하는 것을 특징으로 한다. In one embodiment, the learning image data selection unit determines a neural network model having the highest computation efficiency among the at least one neural network model.
일 실시 예에 있어서, 상기 복수의 영상 변환 방식은 크롭(crop), 회전(rotation), 플립(flip), 스퀴지(squash), 전환(translation), 줌(zoom) 및 색 변화(color perturbation) 중 적어도 하나인 것을 특징으로 한다. In one embodiment, the plurality of image transformation methods may be selected from among crop, rotation, flip, squash, translation, zoom, and color perturbation And is at least one.
본 발명은 학습 이미지를 자동으로 생성함으로써, 머신 러닝의 학습 효율을 향상시킬 수 있다. The present invention can improve learning efficiency of machine learning by automatically generating a learning image.
또한, 본 발명은 학습 이미지 획득이 어려운 분야, 예를 들어, 전차나 항공기 이미지 등의 학습 이미지 획득 시, 자동으로 학습 이미지를 생성함으로써, 방대한 량의 학습 이미지를 확보할 수 있다. Further, according to the present invention, when a learning image such as a train or an aircraft image is acquired in an area where it is difficult to acquire a learning image, a learning image is automatically generated to secure a large amount of learning image.
도 1은 종래 이미지 변환 방식을 나타낸 개념도이다.
도 2는 본 발명에 따른 인공 지능 장치의 학습 데이터 생성을 위한 구성 요소들을 설명한 블록도이다.
도 3은 인공 지능 장치에서 학습 데이터를 생성하는 방법을 나타낸 흐름도이다. 1 is a conceptual diagram illustrating a conventional image conversion method.
2 is a block diagram illustrating components for generating learning data of an artificial intelligence device according to the present invention.
3 is a flowchart showing a method of generating learning data in an artificial intelligence device.
이하에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 이하의 실시 예에 한정되지 않으며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 효율적으로 설명하기 위한 수단일 뿐이다. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art can easily carry out the present invention. However, the present invention is not limited to the following embodiments, but merely serves as a means for efficiently explaining to a person having ordinary skill in the art to which the present invention belongs.
그리고 본 발명을 명확하게 설명하기 위하여, 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그 상세한 설명은 생략하였다. 또한, 본 발명의 도면에서는, 명세서 전체를 통하여 동일한 구성 요소에 대하여, 동일한 도면 부호를 붙여 설명한다.In the following description, well-known functions or constructions are not described in detail since they would obscure the invention in unnecessary detail. In the drawings of the present invention, the same constituent elements are denoted by the same reference numerals throughout the entire specification.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Throughout the specification, when a part is referred to as being "connected" to another part, it includes not only "directly connected" but also "electrically connected" with another part in between . Also, when a part is referred to as "including " an element, it does not exclude other elements unless specifically stated otherwise.
본 명세서에 있어서 '부(部)' 또는 ‘모듈’이란, 하드웨어 또는 소프트웨어에 의해 실현되는 유닛(unit), 양방을 이용하여 실현되는 유닛을 포함하며, 하나의 유닛이 둘 이상의 하드웨어를 이용하여 실현되어도 되고, 둘 이상의 유닛이 하나의 하드웨어에 의해 실현되어도 된다.Herein, the term " part " or " module " means a unit realized by hardware or software, a unit realized by using both, and a unit realized by using two or more hardware Or two or more units may be realized by one hardware.
그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. The following terms are defined in consideration of the functions of the present invention, and may be changed according to the intention or custom of the user, the operator, and the like. Therefore, the definition should be based on the contents throughout this specification.
이하에서는 본 발명에 따른 인공 지능 장치가 학습 이미지를 자동으로 생성하여, 머신 러닝을 수행하는 방법을 설명한다. 도 2는 본 발명에 따른 인공 지능 장치의 학습 데이터 생성을 위한 구성 요소들을 설명한 블록도이고, 도 3은 인공 지능 장치에서 학습 데이터를 생성하는 방법을 나타낸 흐름도이다. Hereinafter, a method of automatically generating a learning image by the artificial intelligence device according to the present invention and performing machine learning will be described. FIG. 2 is a block diagram illustrating elements for generating learning data of an artificial intelligence apparatus according to the present invention, and FIG. 3 is a flowchart illustrating a method of generating learning data in an artificial intelligence apparatus.
도 2를 참조하면, 본 발명에 따른 인공 지능 장치(100)는, 신경망 후보 모델 선택부(110), 이미지 데이터 증강부(120), 연산 효율 평가부(130), 학습 이미지 데이터 선택부(140) 및 머신 러닝부(150)을 포함할 수 있다. 2, the
신경망 후보 모델 선택부(110)는 기 저장된 복수의 신경망 후보 모델 중 머신 러닝을 수행할 신경망 모델을 선택하는 역할을 수행할 수 있다. 신경망 모델은, 생물의 신경망에서 영감을 얻은 통계학적 학습 알고리즘이다. The neural network candidate
신경망 모델은, 기존에 잘 알려진 모델이 사용될 수 있으며, 지도 학습 모델, 비지도 학습 모델, 지도 학습 및 비지도 학습 결합 모델로 나뉠 수 있다. 지도 학습 모델에는, 홉필드 모델(hopfield network), 퍼셉트론(perceptron), 다층퍼셉트론(multilayer perceptron) 등이 있다. 비지도 학습 모델에는, 아트 모델(ART Model), 경쟁 학습(Competitive Learning), 자기 조직 지도(self-organization Maps) 등이 있다. 지도 학습과 비지도 학습 결합 모델에는, 카운터 프로파게이션 네트워크(counter propagaion network) 등이 있다. The neural network model can be classified into a map learning model, a non-map learning model, a map learning model, and a non-map learning combination model. Map learning models include a hopfield network, a perceptron, and a multilayer perceptron. The non-map learning models include ART Model, Competitive Learning, and self-organization Maps. Map learning and non-mapping learning models include counter propagation networks.
이미지 데이터 증강부(120)은 학습을 위하여, 원본 이미지 데이터를 복수의 영상 변환 방식 중 적어도 하나의 방식을 이용하여 복수의 후보 이미지 데이터를 생성하는 역할을 수행할 수 있다. 이러한 복수의 영상 변환 방식에는, 크롭(crop), 회전(rotation), 플립(flip), 스퀴지(squash), 전환(translation), 줌(zoom), 색 변화(color perturbation) 등이 있다. 따라서, 본 발명은 머신 러닝을 위한 학습 데이터를 웹이나 메모리로부터 수집하지 않더라도, 복수의 후보 이미지 데이터를 머신 러닝을 위한 학습 이미지로 활용할 수 있다. The image
연산 효율 평가부(130)는 복수의 후보 이미지 데이터에 대하여, 신경망 모델을 통하여 이미지 데이터의 학습을 수행하고, 상기 수행된 학습의 연산 효율을 계산할 수 있다. 연산 효율은 머신 러닝의 학습에 따른 예측 정확도를 의미한다. The computation
연산 효율 평가부(130)는 두 가지 항목에 대하여 연산 효율을 계산할 수 있다. 보다 구체적으로, 연산 효율 평가부(130)는 복수의 후보 이미지 데이터들을 이용한 신경망 모델의 연산 효율을 계산하는 데이터셋 효율 평가부(131)과 서로 다른 신경망 모델의 연산 효율을 계산하는 신경망 효율 평가부(132)를 포함할 수 있다. The computation
학습 이미지 데이터 선택 모듈(140)은 머신 러닝에 이용될 최종 후보 이미지 데이터와, 최종 신경망 모델을 결정할 수 있다. 따라서, 본 발명은, 사용자의 입력 없이도, 신경망 모델 및 후보 이미지 데이터가 자동으로 결정될 수 있으며, 이를 통하여, 머신 러닝의 효율성을 향상시킬 수 있다. The learning image
머신 러닝 프로세스부(150)는 상기 결정된 신경망 모델을 이용하여, 상기 결정된 후보 이미지 데이터를 학습할 수 있다. 그리고, 머신 러닝 프로세스부(150)는 학습 결과에 근거하여, 최종 결과를 예측할 수 있다. The machine
이상에서는 본 발명에 따른 인공 지능 장치(100)의 구성 요소에 대하여 설명하였다. 본 발명에 따른 인공 지능 장치(100)는 도 2에서 설명한 구성 요소들 중 적어도 하나를 구비할 수 있으며, 도 2에서 설명한 구성 요소 이외에 다른 구성 요소들이 추가로 구비될 수 있다. 다만, 본 발명에서는, 본 발명의 본질을 흐리지 않도록 불필요한 구성 요소에 대한 설명은 생략하였다. The components of the artificial
이하에서는 본 발명에 따른 인공 지능 장치에서, 머신 러닝을 위한 학습 이미지 생성 및 신경망 모델을 자동으로 결정하여, 머신 러닝을 수행하는 방법에 대하여 설명한다. 도 3은 본 발명에 따른 인공 지능 장치에서, 머신 러닝을 위한 학습 이미지 생성 및 신경망 모델을 자동으로 결정하여, 머신 러닝을 수행하는 방법을 나타낸 흐름도이다. Hereinafter, a method of automatically generating a learning image for machine learning and automatically determining a neural network model in the artificial intelligence device according to the present invention will be described. FIG. 3 is a flowchart illustrating a method of automatically generating a learning image for machine learning and automatically determining a neural network model in the artificial intelligence device according to the present invention, and performing machine learning.
도 3을 참조하면, 본 발명에 따른 인공 지능 장치(100)의 신경망 후보 선택부(110)는 신경망 후보 모델을 선택할 수 있다(S310). Referring to FIG. 3, the neural network
신경망 후보 선택부(110)은 신경망 모델 선택을 위한 사용자의 제어 명령이 입력되면, 상기 사용자의 제어 명령에 근거하여, 복수의 신경망 모델 중 적어도 하나의 신경망 후보 모델을 선택할 수 있다. The neural network
사용자의 제어 명령은 특정 신경망 모델의 선택을 위한 제어 명령이거나, 신경망 모델의 선택 조건을 나타내는 제어 명령일 수 있다. 상기 신경망 모델의 선택 조건은 특정 상황에 적합한 신경망 모델을 선택하기 위한 조건이다. 예를 들어, 이미지 인식이 필요한 상황에서는, 지도 학습을 위한 신경망 모델을 필요로 하고, 가격의 경향 예측이 필요한 상황에서는, 비지도 학습을 위한 신경망 모델이 필요할 수 있다. 이에, 신경망 모델의 선택 조건에는, 학습 대상의 속성(예를 들어, 이미지, 단어, 그래프 등), 예측 결과의 속성(예를 들어, 이미지 인식, 경향 예측 등) 등이 포함될 수 있다. The user's control command may be a control command for selecting a particular neural network model or a control command indicating a selection condition of the neural network model. The selection condition of the neural network model is a condition for selecting a neural network model suitable for a specific situation. For example, in a situation where image recognition is required, a neural network model for learning maps may be needed, and a neural network model for non-map learning may be required in a situation where price trend prediction is required. Accordingly, the selection condition of the neural network model may include an attribute (e.g., an image, a word, a graph, etc.) of the learning target and an attribute of the prediction result (e.g., image recognition, trend prediction, etc.).
이미지 데이터 증강부(120)는, 적어도 하나의 영상 변환 방식을 이용하여, 원본 이미지 데이터에 대한 복수의 후보 이미지 데이터를 생성할 수 있다(S320). The image
상기 이미지 데이터 증강부(120)는 원본 이미지 데이터를 적어도 하나의 영상 변환 방식을 이용하여 복수의 후보 이미지 데이터로 변환할 수 있다. 상기 영상 변환 방식에 대한 설명은 도 2의 설명으로 대체한다. 예를 들어, 상기 이미지 데이터 증강부(120)는 원본 이미지 데이터의 일부를 크롭(crop)하여, 후보 이미지 데이터로 변환할 수 있다. 또 다른 예로, 상기 이미지 데이터 증강부(120)는 원본 이미지 데이터를 좌우 반전시켜, 후보 이미지 데이터로 변환할 수 있다. The image
즉, 이미지 데이터 증강부(120)는 다양한 영상 변환 방식을 이용하여, 방대한 량의 후보 이미지 데이터를 생성할 수 있다. 이를 통하여, 본 발명은 적은 수의 이미지 데이터만으로도, 머신 러닝을 위하여 필요한 방대한 량의 이미지 데이터를 생성할 수 있다. That is, the image
한편, 상기 영상 변환 방식은 랜덤(random)으로 선택될 수 있다. 따라서, 이미지데이터 증강부(120)는 복수의 영상 변환 방식 중 임의로 선택된 적어도 하나의 영상 변환 방식으로 후보 이미지 데이터를 생성할 수 있다. Meanwhile, the image conversion method may be selected randomly. Accordingly, the image
한편, 상기 S310 단계와 S320 단계는 병렬적인 단계로써, 순서가 서로 뒤바뀔 수 있으며, 또는, 두 단계가 동시에 일어날 수도 있다. Meanwhile, the steps S310 and S320 may be performed in parallel, and the order may be reversed, or two steps may occur at the same time.
연산 효율 평가부(130)은 상기 선택된 적어도 하나의 신경망 모델 및 상기 생성된 복수의 후보 이미지 데이터에 대하여, 연산 효율을 계산할 수 있다(S330). The computation
우선 상기 연산 효율 평가부(130)에 포함된 데이터 셋 효율부(131)는, 상기 생성된 복수의 후보 이미지 데이터를 복수의 시험 그룹과, 검증 그룹으로 구분할 수 있다. 상기 시험 그룹은, 연산 효율의 평가 대상이 되는 그룹이고, 상기 검증 그룹은 연산 효율 평가의 기준이 되는 그룹이다. 각각의 그룹에는, 적어도 하나의 후보 이미지 데이터가 포함될 수 있다. The data
상기 데이터 셋 효율부(131)는 각 시험 그룹에 대한 신경망 모델의 성능을 나타내는 연산 효율을 평가할 수 있다. 상기 신경망 모델은, 앞서 선택된 적어도 하나의 신경망 모델 중 어느 하나의 신경망 모델이 될 수 있다. The data
상기 데이터 셋 효율부(131)는, 비용 함수(cost function)을 통하여 연산 효율을 평가할 수 있다. 여기에서, 시험 그룹에 대한 연산 효율이란, 특정 신경망 모델을 통하여 시험 그룹을 학습하고, 상기 학습 결과와 기대 학습 결과 간의 차이에 대한 Mean square Error(MSE) 값으로 측정될 수 있다. The data
이를 통하여, 본 발명은 방대한 량의 후보 이미지 데이터 중 머신 러닝에 최적화된 이미지 데이터 그룹을 제공할 수 있다. Through this, the present invention can provide a group of image data optimized for machine learning among a large amount of candidate image data.
한편, 상기 데이터 셋 효율부(131)는, 복수의 신경망 모델이 존재하는 경우, 각 시험 그룹에 대하여, 각각의 신경망 모델의 연산 효율을 계산할 수 있다. 예를 들어, 1개의 시험 그룹에 대하여, 복수의 신경망 모델 각각에 대한 연산 효율이 계산될 수 있다. On the other hand, when there are a plurality of neural network models, the data
또한, 상기 연산 효율 평가부(130)에 포함된 신경망 효율 평가부(132)는 상기 선택된 적어도 하나의 신경망 모델에 대한 연산 효율을 계산할 수 있다. 신경망 모델에 대한 연산 효율은 특정 신경망 모델에 대하여, 동일한 이미지 데이터를 학습하고, 학습 결과와 기대 결과 사이의 간의 차이에 대한 Mean square Error(MSE) 값으로 측정될 수 있다. In addition, the neural network
따라서, 본 발명은 사용자가 직접 신경망 모델을 선택하지 않더라도, 사용자가 필요로 하는 조건에 최적하된 신경망 모델을 자동으로 추천해줄 수 있다. Therefore, even if the user does not select the neural network model directly, the present invention can automatically recommend a neural network model optimized for the conditions required by the user.
학습 이미지 데이터 선택부(140)은 상기 계산된 연산 효율에 근거하여, 최종 신경망 모델 및 최종 학습 이미지 데이터를 결정할 수 있다(S340). The learning image
학습 이미지 데이터 선택부(140)는, 상기 계산된 연산 효율에 근거하여, 복수의 시험 그룹 중 중 어느 하나의 시험 그룹을 결정할 수 있다. 상기 어느 하나의 시험 그룹에 포함된 후보 이미지 데이터들은, 최종 학습 이미지 데이터로 설정될 수 있다. The learning image
보다 구체적으로, 학습 이미지 데이터 선택부(140)는, 복수의 시험 그룹 중 연산 효율이 가장 높은 시험 그룹에 포함된 후보 이미지 데이터를 최종 학습 이미지 데이터로 설정할 수 있다. More specifically, the learning image
또한, 학습 이미지 데이터 선택 모듈(140)은 상기 계산된 연산 효율에 근거하여, 적어도 하나의 신경망 모델 중 어느 하나의 신경망 모델을 결정할 수 있다. 보다 구체적으로, 학습 이미지 데이터 선택 모듈(140)은 연산 효율이 가장 높은 신경망 모델을 최종 신경망 모델로 결정할 수 있다. Also, the learning image
머신 러닝 프로세스부(150)는 상기 결정된 최종 신경망 모델 및 최종 학습 이미지 데이터를 이용하여, 머신 러닝을 수행할 수 있다(S350).The machine
머신 러닝 프로세스부(150)는 상기 결정된 최종 신경망 모델을 기반으로, 최종 학습 이미지 데이터를 학습할 수 있다. 따라서, 본 발명은 특정 상황에 가장 적절한 신경망 모델로, 학습 이미지 데이터를 학습함으로써, 머신 러닝의 학습 효율성을 향상시킬 수 있다. The machine
이상에서는, 본 발명에 따른 인공 지능 장치에서, 머신 러닝을 수행하는 방법에 대하여 설명하였다. 상기 살펴본 바와 같이, 본 발명은 학습 이미지를 자동으로 생성함으로써, 머신 러닝의 학습 효율을 향상시킬 수 있다. 또한, 본 발명은 학습 이미지 획득이 어려운 분야, 예를 들어, 전차나 항공기 이미지 등의 학습 이미지 획득 시, 자동으로 학습 이미지를 생성함으로써, 방대한 량의 학습 이미지를 확보할 수 있다. In the foregoing, a method of performing machine learning in the artificial intelligence device according to the present invention has been described. As described above, the present invention can improve learning efficiency of machine learning by automatically generating a learning image. Further, according to the present invention, when a learning image such as a train or an aircraft image is acquired in an area where it is difficult to acquire a learning image, a learning image is automatically generated to secure a large amount of learning image.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다. One embodiment of the present invention may also be embodied in the form of a recording medium including instructions executable by a computer, such as program modules, being executed by a computer. Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media. In addition, the computer-readable medium may include both computer storage media and communication media. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. Communication media typically includes any information delivery media, including computer readable instructions, data structures, program modules, or other data in a modulated data signal such as a carrier wave, or other transport mechanism.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.While the methods and systems of the present invention have been described in connection with specific embodiments, some or all of those elements or operations may be implemented using a computer system having a general purpose hardware architecture.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.It will be understood by those skilled in the art that the foregoing description of the present invention is for illustrative purposes only and that those of ordinary skill in the art can readily understand that various changes and modifications may be made without departing from the spirit or essential characteristics of the present invention. will be. It is therefore to be understood that the above-described embodiments are illustrative in all aspects and not restrictive. For example, each component described as a single entity may be distributed and implemented, and components described as being distributed may also be implemented in a combined form.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is defined by the appended claims rather than the detailed description and all changes or modifications derived from the meaning and scope of the claims and their equivalents are to be construed as being included within the scope of the present invention do.
Claims (7)
원본 이미지 데이터를 복수의 영상 변환 방식 중 적어도 하나의 방식을 이용하여 복수의 후보 이미지 데이터를 생성하는 이미지 데이터 증강부;
상기 적어도 하나의 신경망 모델 및 상기 복수의 후보 이미지 데이터에 대한 연산 효율을 계산하는 연산 효율 평가부 ;
상기 연산 효율에 근거하여, 상기 적어도 하나의 신경망 모델 중 어느 하나의 신경망 모델 및 상기 복수의 후보 이미지 데이터 중 적어도 하나의 이미지 데이터를 결정하는 학습 이미지 데이터 선택부 ; 및
상기 결정된 어느 하나의 신경망 모델을 이용하여, 상기 결정된 적어도 하나의 이미지 데이터를 학습하는 머신 러닝 프로세스부를 포함하는 인공 지능 장치. A neural network candidate model selection unit for selecting at least one neural network model to perform machine learning among a plurality of previously stored neural network candidate models;
An image data enhancement unit for generating a plurality of candidate image data by using at least one of a plurality of image conversion methods of the original image data;
An arithmetic efficiency evaluator for calculating the arithmetic efficiency of the at least one neural network model and the plurality of candidate image data;
A learning image data selection unit that determines, based on the computation efficiency, at least one of the neural network model of the at least one neural network model and the plurality of candidate image data; And
And a machine learning process unit that learns the determined at least one image data using any one of the determined neural network models.
상기 신경망 후보 모델 선택부는
사용자의 제어 명령에 근거하여, 상기 복수의 신경망 모델 중 적어도 하나의 신경망 모델을 선택하는 것을 특징으로 하는 인공 지능 장치. The method according to claim 1,
The neural network candidate model selection unit
And selects at least one neural network model among the plurality of neural network models based on a user's control command.
상기 이미지 데이터 증강부는
상기 복수의 후보 이미지 데이터를, 연산 효율 평가의 대상이 되는 복수의 시험 그룹과, 연산 효율 평가의 기준이 되는 검증 그룹으로 구분하고,
상기 연산 효율 평가부는
상기 시험 그룹에 대하여, 연산 효율을 평가하는 것을 특징으로 하는 인공 지능 장치. The method according to claim 1,
The image data augmenting unit
The plurality of candidate image data is divided into a plurality of test groups to be subjected to calculation efficiency evaluation and a verification group to be a reference of calculation efficiency evaluation,
The computation efficiency evaluation unit
And evaluates the computation efficiency with respect to the test group.
상기 연산 효율 평가부는
상기 적어도 하나의 신경망 모델 각각에 대하여, 상기 복수의 후보 이미지 데이터에 대한 연산 효율을 계산하는 것을 특징으로 하는 인공 지능 장치. The method according to claim 1,
The computation efficiency evaluation unit
Wherein the computation efficiency of the plurality of candidate image data is calculated for each of the at least one neural network model.
상기 학습 이미지 데이터 선택부는,
상기 복수의 후보 이미지 데이터 중 연산 효율이 가장 높은 적어도 하나의 후보 이미지 데이터를 결정하는 것을 특징으로 하는 인공 지능 장치. The method according to claim 1,
Wherein the learning image data selection unit comprises:
And determines at least one candidate image data having the highest computation efficiency among the plurality of candidate image data.
상기 학습 이미지 데이터 선택부는,
상기 적어도 하나의 신경망 모델 중 연산 효율이 가장 높은 신경망 모델을 결정하는 것을 특징으로 하는 인공 지능 장치. The method according to claim 1,
Wherein the learning image data selection unit comprises:
And determines a neural network model having the highest computation efficiency among the at least one neural network model.
상기 복수의 영상 변환 방식은
크롭(crop), 회전(rotation), 플립(flip), 스퀴지(squash), 전환(translation), 줌(zoom) 및 색 변화(color perturbation) 중 적어도 하나인 것을 특징으로 하는 인공 지능 장치.The method according to claim 1,
The plurality of image conversion methods
Wherein the at least one image is at least one of a crop, a rotation, a flip, a squash, a translation, a zoom, and a color perturbation.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170067164A KR20180130925A (en) | 2017-05-30 | 2017-05-30 | Artificial intelligent device generating a learning image for machine running and control method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170067164A KR20180130925A (en) | 2017-05-30 | 2017-05-30 | Artificial intelligent device generating a learning image for machine running and control method thereof |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20180130925A true KR20180130925A (en) | 2018-12-10 |
Family
ID=64670973
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170067164A KR20180130925A (en) | 2017-05-30 | 2017-05-30 | Artificial intelligent device generating a learning image for machine running and control method thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20180130925A (en) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102008973B1 (en) * | 2019-01-25 | 2019-08-08 | (주)나스텍이앤씨 | Apparatus and Method for Detection defect of sewer pipe based on Deep Learning |
| KR20200018031A (en) * | 2018-08-10 | 2020-02-19 | 주식회사 딥핑소스 | Method, system and non-transitory computer-readable recording medium for providing an identification of data |
| WO2020141882A1 (en) * | 2019-01-04 | 2020-07-09 | 에스케이 주식회사 | Explainable artificial intelligence modeling and simulation system and method |
| WO2020141745A1 (en) * | 2018-12-31 | 2020-07-09 | 오지큐 주식회사 | Method for improving reliability of artificial intelligence-based object recognition using collective intelligence-based mutual verification |
| US10963231B1 (en) | 2019-10-15 | 2021-03-30 | UiPath, Inc. | Using artificial intelligence to select and chain models for robotic process automation |
| KR20210050168A (en) | 2019-10-28 | 2021-05-07 | 주식회사 뷰온 | Method For Applying Learning Data Augmentaion To Deep Learning Model, Apparatus And Method For Classifying Images Using Deep Learning |
| CN113126493A (en) * | 2021-04-14 | 2021-07-16 | 西北工业大学 | Strict feedback system limited time tracking self-adaptive control method based on data screening estimation |
| WO2021150284A1 (en) * | 2020-01-22 | 2021-07-29 | Gracenote, Inc. | Automated cropping of images using a machine learning predictor |
| US11145065B2 (en) | 2020-01-22 | 2021-10-12 | Gracenote, Inc. | Selection of video frames using a machine learning predictor |
| KR20210123635A (en) | 2020-04-03 | 2021-10-14 | (주)제타미디어 | Automatic System And Method For Image Learning Using Artificial Intelligence |
| KR20210129413A (en) * | 2020-04-20 | 2021-10-28 | (주)제타미디어 | History Data Managing Method On The Basis Of Artificial Intelligence |
| KR20220001759A (en) | 2020-06-30 | 2022-01-06 | (주)뉴로파 | Artificial intelligence system for creating image using internet |
| KR20230003769A (en) * | 2021-06-30 | 2023-01-06 | 연세대학교 산학협력단 | Device for detecting the localization of object, method for detecting the localization of object and computer program stored in a recording medium to execute the method |
| WO2023128320A1 (en) * | 2020-12-29 | 2023-07-06 | (주)심플랫폼 | System and method for verifying artificial intelligence |
| KR20230161124A (en) * | 2022-05-18 | 2023-11-27 | 국민대학교산학협력단 | Image super-resolution-based selective labeling device and method for improving the efficiency of deep learning model training |
| WO2024014706A1 (en) * | 2022-07-13 | 2024-01-18 | 삼성전자주식회사 | Electronic device for training neural network model performing image enhancement, and control method therefor |
| US11915429B2 (en) | 2021-08-31 | 2024-02-27 | Gracenote, Inc. | Methods and systems for automatically generating backdrop imagery for a graphical user interface |
| US11941816B2 (en) | 2020-01-22 | 2024-03-26 | Gracenote, Inc. | Automated cropping of images using a machine learning predictor |
-
2017
- 2017-05-30 KR KR1020170067164A patent/KR20180130925A/en active Search and Examination
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200018031A (en) * | 2018-08-10 | 2020-02-19 | 주식회사 딥핑소스 | Method, system and non-transitory computer-readable recording medium for providing an identification of data |
| WO2020141745A1 (en) * | 2018-12-31 | 2020-07-09 | 오지큐 주식회사 | Method for improving reliability of artificial intelligence-based object recognition using collective intelligence-based mutual verification |
| KR20200087345A (en) * | 2018-12-31 | 2020-07-21 | 오지큐 주식회사 | Method for Improving Reliability of Artificial Intelligence based Object Recognition by using Collective Intelligence based Mutual Verification |
| US11798268B2 (en) | 2018-12-31 | 2023-10-24 | Ogq Corporation | Method for improving reliability of artificial intelligence-based object recognition using collective intelligence-based mutual verification |
| EP3907618A4 (en) * | 2019-01-04 | 2022-09-21 | SK Holdings Co., Ltd. | Explainable artificial intelligence modeling and simulation system and method |
| WO2020141882A1 (en) * | 2019-01-04 | 2020-07-09 | 에스케이 주식회사 | Explainable artificial intelligence modeling and simulation system and method |
| KR20200092447A (en) * | 2019-01-04 | 2020-08-04 | 에스케이 주식회사 | Explainable AI Modeling and Simulation System and Method |
| US12032469B2 (en) | 2019-01-04 | 2024-07-09 | Sk Holdings Co., Ltd. | Explainable artificial intelligence modeling and simulation system and method |
| KR102008973B1 (en) * | 2019-01-25 | 2019-08-08 | (주)나스텍이앤씨 | Apparatus and Method for Detection defect of sewer pipe based on Deep Learning |
| WO2021076223A1 (en) * | 2019-10-15 | 2021-04-22 | UiPath, Inc. | Using artificial intelligence to select and chain models for robotic process automation |
| US11893371B2 (en) | 2019-10-15 | 2024-02-06 | UiPath, Inc. | Using artificial intelligence to select and chain models for robotic process automation |
| US10963231B1 (en) | 2019-10-15 | 2021-03-30 | UiPath, Inc. | Using artificial intelligence to select and chain models for robotic process automation |
| KR20210050168A (en) | 2019-10-28 | 2021-05-07 | 주식회사 뷰온 | Method For Applying Learning Data Augmentaion To Deep Learning Model, Apparatus And Method For Classifying Images Using Deep Learning |
| US11080549B1 (en) | 2020-01-22 | 2021-08-03 | Gracenote, Inc. | Automated cropping of images using a machine learning predictor |
| US11145065B2 (en) | 2020-01-22 | 2021-10-12 | Gracenote, Inc. | Selection of video frames using a machine learning predictor |
| US11941816B2 (en) | 2020-01-22 | 2024-03-26 | Gracenote, Inc. | Automated cropping of images using a machine learning predictor |
| WO2021150284A1 (en) * | 2020-01-22 | 2021-07-29 | Gracenote, Inc. | Automated cropping of images using a machine learning predictor |
| US11776234B2 (en) | 2020-01-22 | 2023-10-03 | Gracenote, Inc. | Selection of video frames using a machine learning predictor |
| KR20210123635A (en) | 2020-04-03 | 2021-10-14 | (주)제타미디어 | Automatic System And Method For Image Learning Using Artificial Intelligence |
| KR20210129413A (en) * | 2020-04-20 | 2021-10-28 | (주)제타미디어 | History Data Managing Method On The Basis Of Artificial Intelligence |
| KR20220001759A (en) | 2020-06-30 | 2022-01-06 | (주)뉴로파 | Artificial intelligence system for creating image using internet |
| WO2023128320A1 (en) * | 2020-12-29 | 2023-07-06 | (주)심플랫폼 | System and method for verifying artificial intelligence |
| CN113126493B (en) * | 2021-04-14 | 2023-03-07 | 西北工业大学 | Strict feedback system limited time tracking self-adaptive control method based on data screening estimation |
| CN113126493A (en) * | 2021-04-14 | 2021-07-16 | 西北工业大学 | Strict feedback system limited time tracking self-adaptive control method based on data screening estimation |
| KR20230003769A (en) * | 2021-06-30 | 2023-01-06 | 연세대학교 산학협력단 | Device for detecting the localization of object, method for detecting the localization of object and computer program stored in a recording medium to execute the method |
| US11915429B2 (en) | 2021-08-31 | 2024-02-27 | Gracenote, Inc. | Methods and systems for automatically generating backdrop imagery for a graphical user interface |
| KR20230161124A (en) * | 2022-05-18 | 2023-11-27 | 국민대학교산학협력단 | Image super-resolution-based selective labeling device and method for improving the efficiency of deep learning model training |
| WO2024014706A1 (en) * | 2022-07-13 | 2024-01-18 | 삼성전자주식회사 | Electronic device for training neural network model performing image enhancement, and control method therefor |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20180130925A (en) | Artificial intelligent device generating a learning image for machine running and control method thereof | |
| EP3620990A1 (en) | Capturing network dynamics using dynamic graph representation learning | |
| WO2019178702A9 (en) | Systems and methods for polygon object annotation and a method of training an object annotation system | |
| Wickstrøm et al. | Uncertainty modeling and interpretability in convolutional neural networks for polyp segmentation | |
| CN109740588A (en) | The X-ray picture contraband localization method reassigned based on the response of Weakly supervised and depth | |
| CN111052128B (en) | Descriptor learning method for detecting and locating objects in video | |
| Chen et al. | Exchange means change: An unsupervised single-temporal change detection framework based on intra-and inter-image patch exchange | |
| KR20190092043A (en) | Visual Question Answering Apparatus for Explaining Reasoning Process and Method Thereof | |
| CN114297036A (en) | Data processing method and device, electronic equipment and readable storage medium | |
| CN112270259B (en) | SAR image ship target rapid detection method based on lightweight convolutional neural network | |
| CN116596916B (en) | Training of defect detection model and defect detection method and device | |
| Kim et al. | Urban traffic prediction using congestion diffusion model | |
| Chen et al. | Alfpn: adaptive learning feature pyramid network for small object detection | |
| CN112420125A (en) | Molecular attribute prediction method and device, intelligent equipment and terminal | |
| Qu et al. | Improving the reliability for confidence estimation | |
| Brust et al. | Not just a matter of semantics: the relationship between visual similarity and semantic similarity | |
| CN112966553A (en) | Strong coupling target tracking method, device, medium and equipment based on twin network | |
| CN115296984A (en) | Method, device, equipment and storage medium for detecting abnormal network nodes | |
| CN115526503A (en) | Equipment inspection data processing method, device, equipment and readable storage medium | |
| CN115438575B (en) | Analysis method for high-precision airfoil flow field prediction | |
| Andersen et al. | Domain adapted probabilistic inspection using deep probabilistic segmentation | |
| CN113609948A (en) | Method, device and equipment for detecting video time sequence action | |
| Rengasamy et al. | Towards a more reliable interpretation of machine learning outputs for safety-critical systems using feature importance fusion | |
| WO2022202456A1 (en) | Appearance inspection method and appearance inspection system | |
| Iqbal et al. | CAMEO: A Causal Transfer Learning Approach for Performance Optimization of Configurable Computer Systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment |