KR20180130925A - 머신 러닝을 위한 학습 이미지를 자동 생성하는 인공 지능 장치 및 그의 제어 방법 - Google Patents

Abstract

머신 러닝을 위한 학습 이미지를 자동으로 생성하는 인공 지능 장치 및 그의 제어 방법에 관한 것으로, 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 평가부와 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.

Description

머신 러닝을 위한 학습 이미지를 자동 생성하는 인공 지능 장치 및 그의 제어 방법{ARTIFICIAL INTELLIGENT DEVICE GENERATING A LEARNING IMAGE FOR MACHINE RUNNING AND CONTROL METHOD THEREOF}

머신 러닝을 위한 학습 이미지를 자동으로 생성하는 인공 지능 장치 및 그의 제어 방법에 관한 것이다.

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.

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.

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.

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.

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.

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.

상기와 같은 문제점을 해결하기 위하여, 본 발명은 학습 이미지를 자동으로 생성하는 장치를 제안하는 것을 일 목적으로 한다.

또한, 본 발명은 머신 러닝의 수행 시, 머신 러닝의 효율성을 향상시키는 방법을 제공하는 것을 또 다른 목적으로 한다.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

도 3을 참조하면, 본 발명에 따른 인공 지능 장치(100)의 신경망 후보 선택부(110)는 신경망 후보 모델을 선택할 수 있다(S310).

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.

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.

이미지 데이터 증강부(120)는, 적어도 하나의 영상 변환 방식을 이용하여, 원본 이미지 데이터에 대한 복수의 후보 이미지 데이터를 생성할 수 있다(S320).

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.

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.

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.

한편, 상기 S310 단계와 S320 단계는 병렬적인 단계로써, 순서가 서로 뒤바뀔 수 있으며, 또는, 두 단계가 동시에 일어날 수도 있다.

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).

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.

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.

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.

이를 통하여, 본 발명은 방대한 량의 후보 이미지 데이터 중 머신 러닝에 최적화된 이미지 데이터 그룹을 제공할 수 있다.

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.

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.

따라서, 본 발명은 사용자가 직접 신경망 모델을 선택하지 않더라도, 사용자가 필요로 하는 조건에 최적하된 신경망 모델을 자동으로 추천해줄 수 있다.

학습 이미지 데이터 선택부(140)은 상기 계산된 연산 효율에 근거하여, 최종 신경망 모델 및 최종 학습 이미지 데이터를 결정할 수 있다(S340).

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.

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.

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.

머신 러닝 프로세스부(150)는 상기 결정된 최종 신경망 모델 및 최종 학습 이미지 데이터를 이용하여, 머신 러닝을 수행할 수 있다(S350).

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.

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.

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.

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.

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.

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.

Claims (7)

1. 기 저장된 복수의 신경망 후보 모델 중 머신 러닝을 수행할 적어도 하나의 신경망 모델을 선택하는 신경망 후보 모델 선택부;
   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.
2. 제1항에 있어서,
   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.
3. 제1항에 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 하는 인공 지능 장치.
4. 제1항에 있어서,
   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.
5. 제1항에 있어서,
   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.
6. 제1항에 있어서,
   상기 학습 이미지 데이터 선택부는,
   상기 적어도 하나의 신경망 모델 중 연산 효율이 가장 높은 신경망 모델을 결정하는 것을 특징으로 하는 인공 지능 장치.
7. 제1항에 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 하는 인공 지능 장치.

Images