KR101657495B1 - 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법 - Google Patents
딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법 Download PDFInfo
- Publication number
- KR101657495B1 KR101657495B1 KR1020150125526A KR20150125526A KR101657495B1 KR 101657495 B1 KR101657495 B1 KR 101657495B1 KR 1020150125526 A KR1020150125526 A KR 1020150125526A KR 20150125526 A KR20150125526 A KR 20150125526A KR 101657495 B1 KR101657495 B1 KR 101657495B1
- Authority
- KR
- South Korea
- Prior art keywords
- deep learning
- image object
- learning algorithm
- module
- application service
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 68
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 title claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06K9/66—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- G06F17/30244—
-
- G06K9/6251—
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 오픈소스기반 IDE(integrated development environment) 환경에 따른 다양한 딥러닝 기술을 모듈화하며, 모듈화된 딥러닝 알고리즘들을 플러그인하여 사용자가 사용하기 어려운 딥러닝 기술의 알고리즘 이해와 복작한 구조를 간단하게 도식화하여 사용할 수 있는 딥러닝 분석을 위한 모듈화 시스템에 관한 것으로, 모듈간의 연결을 위한 표준 논리 회로와 입출력 채널을 포함하는 표준 API 인터페이스와(11)와, 상기 표준 API 인터페이스(11)를 통해 이미지 객체 모듈을 송신 및 수신하고 각 카테고리별로 이미지 객체 데이터를 모듈상태로 저장하는 이미지 객체 데이터베이스(12)와, 상기 이미지 객체 데이터베이스(12)에 저장된 이미지 객체를 반복작업을 통해 이미지 객체 인식 응용서비스를 구현하기 위한 딥러닝 알고리즘을 모듈화하여 저장되는 딥러닝 알고리즘 모듈 데이터베이스(13)과, 상기 이미지 객체 데이터를 딥러닝 알고리즘에 입력하는 반복적인 작업을 통해 출력된 결과값을 통계하여 훈련된 데이터를 저장하는 훈련된 데이터셋 저장소(14) 및 상기 훈련된 데이터셋 저장소(14)의 데이터를 통합구축하여 프로그래밍 된 응용서비스를 저장하는 응용서비스 데이터베이스(15)를 포함하여 구성된다.
딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법을 이용하면, 개발되는 기술들을 모듈화하여 여러가지 응용서비스에 적용여부를 단시간내에 결정할 수 있으며, 수집된 데이터베이스에 대한 문제점을 분석할 수 있어 응용서비스의 성능을 높일 수 있는 효과가 있다.
딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법을 이용하면, 개발되는 기술들을 모듈화하여 여러가지 응용서비스에 적용여부를 단시간내에 결정할 수 있으며, 수집된 데이터베이스에 대한 문제점을 분석할 수 있어 응용서비스의 성능을 높일 수 있는 효과가 있다.
Description
본 발명은 딥러닝 분석을 위한 모듈화 시스템에 관한 것으로, 더욱 상세하게는 오픈소스기반 IDE(integrated development environment) 환경에 따른 각 딥러닝 기술을 모듈화하며, 모듈화된 딥러닝 알고리즘들을 플러그인하여 사용자가 사용하기 어려운 딥러닝 기술의 알고리즘 이해와 복잡한 구조를 간단하게 도식화하여 사용할 수 있는 딥러닝 분석을 위한 모듈화 시스템에 관한 것이다.
일반적으로 딥러닝(Deep learning)은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계학습 알고리즘의 집합으로 정의되며, 큰틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야이다.
어떠한 데이터가 있을 때 이를 컴퓨터가 알아 들을 수 있는 형태(예를 들어 이미지의 경우 픽셀정보를 열벡터로 표현하는 툴)로 표현하고 이를 학습에 적용하기 위해 많은 연구가 진행되고 있으며, 이러한 노력의 결과로 심층 신경망(deep neural networks), 합성곱 신경망(convolutional neural network), 순환 신경망(Recurrent neural network)와 같은 다양한 딥러닝 기법들이 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용되어 우수한 성능의 응용프로그램들이 개발되고 있다.
이와 같은 영상 콘텐츠 내에 포함되어 있는 객체를 인식하며, 태깅하는 종래의 기술로는 대한민국 공개특허 제10-2015-0079064호(자동 태깅 시스템 및 그 방법, 이하 '선행기술'이라함)이 있다.
상기 선행기술은 정지 영상을 입력받는 입력부, 상기 정지 영상을 해석하여 객체의 시각적인 특징을 포함하는 물리적인 정보를 추론하는 물리적 정보 추출부, 상기 정지 영상을 해석하여 추상적인 개념 또는 상황을 묘사하는 영상의 속성에 해당하는 의미론적인 정보를 추론하는 의미론적 정보 추출부, 그리고 상기 정지 영상의 메타 데이터, 상기 물리적인 정보 및 상기 의미론적인 정보를 통합하여 상기 정지 영상에 태깅하는 자동 태깅부를 포함하는 자동 태깅 시스템에 관한 것이다.
그러나 종래의 기술은 정지영상에 대한 영상의 속성에 해당하는 의미론적 정보를 추출하여 태깅하는 부분에만 적용되며, 각각의 영상 콘텐츠를 딥러닝 기술을 통해 분석하고 분류하는 데에 있어 응용서비스에 적용여부를 판단하기에 개발기간 및 테스트 기간이 장기간 소요되는 문제점이 있었다.
각각의 카테고리별 데이터가 방대한 양을 가지고 있어 테스트 후 성능이 제대로 나오지 않으면 DB수집부터 다시 해야 되는 문제점이 있었다.
이러한 문제점들은 인식관련 응용서비스를 개발하기 위해서 딥러닝 기술의 알고리즘 구현 및 복잡한 구조를 이해해야만 개발이 가능하며, 개발하고자하는 응용기술에 대한 정확한 딥러닝 알고리즘 적용이 응용서비스의 성능을 좌우한다.
상기와 같은 문제점을 해결하기 위해 안출된 것으로 본 발명은 수집된 데이터베이스를 심층 신경망(deep neural networks), 합성곱 신경망(convolutional neural network), 순환 신경망(Recurrent neural network)등과 같은 오픈소스기반 IDE 환경에 따른 각 딥러닝 기술의 모듈들을 플러그인하는 솔루션을 제공하여 인식관련 응용서비스 구축에 편리성을 제공하는 데에 그 목적이 있다.
또한, 수요처의 부담을 감소시키며, 판매 대상에 따른 맞춤형 모듈을 제공하는데 그 목적이 있다.
또한, 모듈화를 통해 훈련된 데이터셋의 영상특징들을 훈련하며, 그 결과값을 통해 정지영상을 인식할 수 있는 영상 인식 방법을 제공하는데 그 목적이 있다.
상기와 같은 목적을 달성하기 위해 본 발명의 시스템은 모듈간의 연결을 위한 표준 논리 회로와 입출력 채널을 포함하는 표준 API 인터페이스와(11), 상기 표준 API 인터페이스(11)를 통해 이미지 객체 모듈을 송신 및 수신하고 각 카테고리별로 이미지 객체 데이터를 모듈상태로 저장하는 이미지 객체 데이터베이스(12)와, 상기 이미지 객체 데이터베이스(12)에 저장된 이미지 객체를 반복작업을 통해 이미지 객체 인식 응용서비스를 구현하기 위한 딥러닝 알고리즘을 모듈화하여 저장되는 딥러닝 알고리즘 모듈 데이터베이스(13)과, 상기 이미지 객체 데이터를 딥러닝 알고리즘에 입력하는 반복적인 작업을 통해 출력된 결과값을 통계하여 훈련 데이터를 저장하는 훈련된 데이터셋 저장소(14); 및 상기 훈련된 데이터셋 저장소(14)의 데이터를 통합구축하여 프로그래밍 된 응용서비스를 저장하는 응용서비스데이터베이스(15)를 포함하여 구성된다.
이때, 상기 표준API 인터페이스부(11)는 드래그앤드롭 방식으로 적용되며, 카테고리별, 모듈별 컴포넌트가 연동된다.
또한, 상기 딥러닝 알고리즘 모듈 데이터베이스는 심층 신경망(deep neural network), 합성곱 신경망(convolutional neural network), 순환 신경망(recurrent neural network) 등과 같은 하나 이상의 딥러닝 알고리즘을 모듈화하여 데이터베이스에 저장하게 된다.
또한, 상기 표준 API 인터페이스부(11)는 이미지 객체 모듈 및 딥러닝 알고리즘 모듈을 화면(40)상에 디스플레이하되, 상기 화면(40)은 딥러닝 알고리즘 모듈을 디스플레이하는 딥러닝 모듈공간(41)과, 상기 이미지 객체 모듈을 디스플레이하는 이미지 객체 모듈공간(42)과, 상기 디스플레이 된 이미지 객체 모듈 및 딥러닝 알고리즘 모듈을 배치하는 캔버스 공간(43) 및 배치된 이미지 객체 모듈 및 딥러닝 알고리즘 모듈이 연산을 하여 출력되는 출력결과를 표시하는 출력화면(44)을 포함하여 구성된다.
이때, 상기 화면(40)은 이미지 객체 및 딥러닝 알고리즘 모듈이 배치되는 캔버스 공간(43)에 세부적인 연결포트를 배치할 수 있는 커넥트툴을 디스플레이하는 파렛트공간(45)을 더 포함하여 구성된다.
또한, 본 발명의 딥러닝 분석을 이용한 영상 인식 방법은 모듈화시스템의 이미지 객체 데이터베이스에 이미지 객체를 저장하며, 저장된 이미지 객체를 모듈화하는 단계(S110), 상기 모듈화시스템의 딥러닝 알고리즘 모듈 데이터베이스에 하나 이상의 딥러닝 알고리즘을 모듈화하며 저장하는 단계(S120), 모듈화된 이미지 객체 및 딥러닝 알고리즘을 표준 API 인터페이스를 통해 화면상으로 불러오는 단계(S130), 불러온 이미지 객체 및 딥러닝 알고리즘을 각각 선택하며 화면상의 캔버스 공간에 배치하는 단계(S140), 상기 이미지 객체가 딥러닝 알고리즘을 통해 영상특징들을 분류하며 분류된 특징들의 출력 결과를 저장 및 반복하는 단계(S150), 상기 반복 연산을 통해 출력된 결과값을 통계내어 훈련된 데이터셋을 구성하여 저장하는 단계(S160) 및 상기 훈련된 데이터셋을 프로그래밍화하여 응용 서비스를 구축하고 응용서비스 데이터베이스에 저장하는 단계(S170)를 포함한다.
이때, 상기 응용 서비스를 구축하고 응용서비스 데이터베이스에 저장하는 단계(S170)는, 훈련된 데이터셋을 기반으로 이미지 객체를 입력할 경우 해당 이미지 객체에 대한 정보를 인식할 수 응용서비스를 구축한다.
이와 같은 구성으로 본 발명의 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법이 완성되는 것이다.
본 발명의 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법을 이용하면, 개발되는 기술들을 모듈화하여 여러가지 응용서비스에 적용여부를 단시간내에 결정할 수 있으며, 수집된 데이터베이스에 대한 문제점을 분석할 수 있어 응용서비스의 성능을 높일 수 있는 효과가 있다.
또한, 여러가지 응용서비스를 통해 정지영상에 대한 정보를 훈련된 데이터셋으로 분석하여 인식할 수 있는 효과가 있다
도 1은 본 발명의 모듈화시스템의 구성도이다.
도 2는 본 발명의 일실시예에 따른 모듈화 시스템을 이용한 응용시스템 구축 방법에 관한 순서도이다.
도 3은 본 발명의 일실시예에 따른 응용서비스를 통한 영상 인식 방법에 관한 순서도이다.
도 4는 본 발명의 일실시예에 따른 표준 API 인터페이스를 통해 이미지 객체 및 딥러닝 알고리즘을 화면상에 배치하는 예시도이다.
도 2는 본 발명의 일실시예에 따른 모듈화 시스템을 이용한 응용시스템 구축 방법에 관한 순서도이다.
도 3은 본 발명의 일실시예에 따른 응용서비스를 통한 영상 인식 방법에 관한 순서도이다.
도 4는 본 발명의 일실시예에 따른 표준 API 인터페이스를 통해 이미지 객체 및 딥러닝 알고리즘을 화면상에 배치하는 예시도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러가지 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 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
이하 도면을 참조하여 본 발명의 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법에 대하여 상세하게 설명한다.
도 1은 본 발명의 모듈화시스템의 구성도이고, 도 2는 본 발명의 일실시예에 따른 모듈화 시스템을 이용한 응용시스템 구축 방법에 관한 순서도이고, 도 3은 본 발명의 일실시예에 따른 응용서비스를 통한 영상 인식 방법에 관한 순서도이고, 도 4는 본 발명의 일실시예에 따른 표준 API 인터페이스를 통해 이미지 객체 및 딥러닝 알고리즘을 화면상에 배치하는 예시도이다.
도 1을 참조하여 설명하면, 본 발명의 모듈화시스템은 모듈간의 연결을 위한 표준 논리 회로와 입출력 채널을 포함하는 표준 API 인터페이스와(11), 상기 표준 API 인터페이스(11)를 통해 이미지 객체 모듈을 송신 및 수신하고 각 카테고리별로 이미지 객체 데이터를 모듈상태로 저장하는 이미지 객체 데이터베이스(12)와, 상기 이미지 객체 데이터베이스(12)에 저장된 이미지 객체를 반복작업을 통해 이미지 객체 인식 응용서비스를 구현하기 위한 딥러닝 알고리즘을 모듈화하여 저장되는 딥러닝 알고리즘 모듈 데이터베이스(13)과, 상기 이미지 객체 데이터를 딥러닝 알고리즘에 입력하는 반복적인 작업을 통해 출력된 결과값을 통계하여 훈련된 데이터를 저장하는 훈련된 데이터셋 저장소(14); 및 상기 훈련된 데이터셋 저장소(14)의 데이터를 통합구축하여 프로그래밍 된 응용서비스를 저장하는 응용서비스데이터베이스(15)를 포함하여 구성된다.
이때, 상기 표준API 인터페이스부(11)는 드래그앤드롭 방식으로 적용되며, 카테고리별, 모듈별 컴포넌트가 연동된다.
또한, 상기 딥러닝 알고리즘 모듈 데이터베이스는 심층 신경망(deep neural network), 합성곱 신경망(convolutional neural network), 순환 신경망(recurrent neural network) 등과 같은 하나 이상의 딥러닝 알고리즘을 모듈화하여 데이터베이스에 저장하게 된다.
여기서 상기 딥러닝 알고리즘 모듈 데이터베이스에 하나 이상의 딥러닝 알고리즘을 모듈화하여 데이터베이스에 저장하는 것은 이미지 객체를 분석하는 과정에서 각각의 이미지 객체 모듈에 따라 적합한 딥러닝 알고리즘이 다르기 때문이다.
예를 들면, 카테고리별로 1만장의 이미지객체를 수집하여 모듈화한 상태에서 딥러닝 알고리즘을 통해 분석하는 경우, 1만장의 강아지 이미지객체를 분석할 때 사용되는 딥러닝 알고리즘 모듈이 사물 식별 모델을 위한 심층 신경망의 구조를 지니며, 각 객체가 이미지 기본 요소들의 계층적 구성을 표현하는 심층 신경망 알고리즘이 적합하며, 1만장의 글자체 이미지객체를 분석할 때 사용되는 알고리즘 모듈은 인공신경망을 구성하는 유닛 사시의 연결이 다이렉트 사이클을 구성하는 신경망으로 순환 신경망 알고리즘이 적합하게 사용될 수 있는 것이다.
또한, 상기 표준 API 인터페이스부(11)는 이미지 객체 모듈 및 딥러닝 알고리즘 모듈을 화면(40)상에 디스플레이하되, 상기 화면(40)은 딥러닝 알고리즘 모듈을 디스플레이하는 딥러닝 모듈공간(41)과, 상기 이미지 객체 모듈을 디스플레이하는 이미지 객체 모듈공간(42)과, 상기 디스플레이 된 이미지 객체 모듈 및 딥러닝 알고리즘 모듈을 배치하는 캔버스 공간(43) 및 배치된 이미지 객체 모듈 및 딥러닝 알고리즘 모듈이 연산을 하여 출력되는 출력결과를 표시하는 출력화면(44)을 포함하여 구성된다.(도 4 참조)
이때, 상기 화면(40)은 이미지 객체 및 딥러닝 알고리즘 모듈이 배치되는 캔버스 공간(43)에 세부적인 연결포트를 배치할 수 있는 커넥트툴을 디스플레이하는 파렛트공간(45)을 더 포함하여 구성된다.
도 2를 참조하여 설명하면, 본 발명의 영상 인식 방법은, 모듈화시스템의 이미지 객체 데이터베이스에 이미지 객체를 저장하며, 저장된 이미지 객체를 모듈화하는 단계(S110), 상기 모듈화시스템의 딥러닝 알고리즘 모듈 데이터베이스에 하나 이상의 딥러닝 알고리즘을 모듈화하며 저장하는 단계(S120), 모듈화된 이미지 객체 및 딥러닝 알고리즘을 표준 API 인터페이스를 통해 화면상으로 불러오는 단계(S130), 불러온 이미지 객체 및 딥러닝 알고리즘을 각각 선택하며 화면상의 캔버스 공간에 배치하는 단계(S140), 상기 이미지 객체가 딥러닝 알고리즘을 통해 영상특징들을 분류하며 분류된 특징들의 출력 결과를 저장 및 반복하는 단계(S150), 상기 반복 연산을 통해 출력된 결과값을 통계내어 훈련된 데이터셋을 구성하여 저장하는 단계(S160) 및 상기 훈련된 데이터셋을 프로그래밍화하여 응용 서비스를 구축하고 응용서비스 데이터베이스에 저장하는 단계(S170)를 포함한다.
이때, 상기 응용 서비스를 구축하고 응용서비스 데이터베이스에 저장하는 단계(S170)는, 훈련된 데이터셋을 기반으로 이미지 객체를 입력할 경우 해당 이미지 객체에 대한 정보를 인식할 수 응용서비스를 구축한다.
또한, 상기 불러온 이미지 객체 및 딥러닝 알고리즘을 각각 선택하여 화면상의 캔버스공간에 배치하는 단계는, 각각의 이미지 객체 모듈 및 딥러닝 알고리즘 모듈은 드래그앤드롭 방식으로 적용된다.
도 3을 참조하여 본 발명의 일실시예에 따른 응용 서비스를 이용한 이미지 객체 인식방법에 대해 설명한다.
상기 응용 서비스 데이터베이스에 저장된 응용서비스를 실행하는 단계(S210)와, 상기 실행된 응용 서비스에 모듈화 된 상태의 이미지 객체를 입력하는 단계(S220)와, 응용 서비스에서는 훈련된 데이터셋을 기반으로 입력된 이미지 객체와 유사도를 분석하는 단계(S230)와, 상기 훈련된 데이터셋에 저장된 이미지 객체들의 특징점과 입력된 이미지 객체의 특징점의 유사도을 판단하는 단계(S240) 및 이미지 객체들 중 유사도가 높은 이미지 객체의 정보를 출력하는 단계(S250)로 구성된다.
이와 같은 구성으로 본 발명의 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법에 관한 것이다.
이상에서와 같이 도면과 명세서에서 최적의 실시예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로, 본 기술 분야의 통상의 지식을 가진자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.
10 : 모듈화시스템 11 : 표준 API 인터페이스
12 : 이미지 객체 DB 13 : 딥러닝 알고리즘 모듈 DB
14 : 훈련된 데이터셋 저장소 14 : 응용 서비스 DB
20 : 입력부 30 : 출력부
12 : 이미지 객체 DB 13 : 딥러닝 알고리즘 모듈 DB
14 : 훈련된 데이터셋 저장소 14 : 응용 서비스 DB
20 : 입력부 30 : 출력부
Claims (7)
- 모듈간의 연결을 위한 표준 논리 회로와 입출력 채널을 포함하는 표준 API 인터페이스(11)와;
상기 표준 API 인터페이스(11)를 통해 이미지 객체 모듈을 송신 및 수신하고 각 카테고리별로 이미지 객체 데이터를 모듈상태로 저장하는 이미지 객체 데이터베이스(12)와;
상기 이미지 객체 데이터베이스(12)에 저장된 이미지 객체를 반복작업을 통해 이미지 객체 인식 응용서비스를 구현하기 위한 딥러닝 알고리즘을 모듈화하여 저장되는 딥러닝 알고리즘 모듈 데이터베이스(13)과;
상기 이미지 객체 데이터를 딥러닝 알고리즘에 입력하는 반복적인 작업을 통해 출력된 결과값을 통계하여 훈련 데이터를 저장하는 훈련된 데이터셋 저장소(14); 및 상기 훈련된 데이터셋 저장소(14)의 데이터를 통합구축하여 프로그래밍 된 응용서비스를 저장하는 응용서비스 데이터베이스(15);를 포함하여 구성된 것을 특징으로 하는 딥러닝 분석을 위한 모듈화시스템.
- 제1항에 있어서,
상기 표준API 인터페이스(11)는 드래그앤드롭 방식으로 적용되며, 카테고리별, 모듈별 컴포넌트가 연동되는 것을 특징으로 하는 딥러닝 분석을 위한 모듈화시스템.
- 제1항에 있어서,
상기 딥러닝 알고리즘 모듈 데이터베이스는 심층 신경망(deep neural network), 합성곱 신경망(convolutional neural network), 순환 신경망(recurrent neural network) 등과 같은 하나 이상의 딥러닝 알고리즘을 모듈화하여 데이터베이스에 저장하는 것을 특징으로 하는 딥러닝 분석을 위한 모듈화 시스템.
- 제1항에 있어서,
상기 표준API 인터페이스(11)는 이미지 객체 모듈 및 딥러닝 알고리즘 모듈을 화면(40)상에 디스플레이하되,
상기 화면(40)은 딥러닝 알고리즘 모듈을 디스플레이하는 딥러닝 모듈공간(41)과, 상기 이미지 객체 모듈을 디스플레이하는 이미지 객체 모듈공간(42)과, 상기 디스플레이 된 이미지 객체 모듈 및 딥러닝 알고리즘 모듈을 배치하는 캔버스 공간(43) 및 배치된 이미지 객체 모듈 및 딥러닝 알고리즘 모듈이 연산을 하여 출력되는 출력결과를 표시하는 출력화면(44)을 포함하여 구성된 것을 특징으로 하는 딥러닝 분석을 위한 모듈화 시스템.
- 제4항에 있어서,
상기 화면(40)은 이미지 객체 및 딥러닝 알고리즘 모듈이 배치되는 캔버스 공간(43)에 세부적인 연결포트를 배치할 수 있는 커넥트툴을 디스플레이하는 파렛트공간(45)을 더 포함하여 구성되는 것을 특징으로 하는 딥러닝 분석을 위한 모듈화 시스템.
- 딥러닝 분석을 위한 모듈화시스템을 이용한 영상 인식 방법에 있어서,
상기 모듈화시스템의 이미지 객체 데이터베이스에 이미지 객체를 저장하며, 저장된 이미지 객체를 모듈화하는 단계(S110);
상기 모듈화시스템의 딥러닝 알고리즘 모듈 데이터베이스에 하나 이상의 딥러닝 알고리즘을 모듈화하며 저장하는 단계(S120);
모듈화된 이미지 객체 및 딥러닝 알고리즘을 표준 API 인터페이스를 통해 화면상으로 불러오는 단계(S130);
불러온 이미지 객체 및 딥러닝 알고리즘을 각각 선택하며 화면상의 캔버스 공간에 배치하는 단계(S140);
상기 이미지 객체를 딥러닝 알고리즘을 통해 영상특징들을 분류하며 분류된 특징들의 출력 결과를 저장 및 반복하는 단계(S150);
상기 반복 연산을 통해 출력된 결과값을 통계내어 훈련된 데이터셋을 구성하여 저장하는 단계(S160); 및 상기 훈련된 데이터셋을 프로그래밍화하여 응용 서비스를 구축하고 응용서비스 데이터베이스에 저장하는 단계(S170);를 포함하여 구성된 것을 특징으로 하는 딥러닝 분석을 이용한 영상 인식 방법.
- 제6항에 있어서,
상기 응용 서비스를 구축하고 응용서비스 데이터베이스에 저장하는 단계(S170)는, 훈련된 데이터셋을 기반으로 이미지 객체를 입력할 경우 해당 이미지 객체에 대한 정보를 인식할 수 응용서비스를 구축하는 것을 특징으로 하는 딥러닝 분석을 이용한 영상 인식 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150125526A KR101657495B1 (ko) | 2015-09-04 | 2015-09-04 | 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법 |
| PCT/KR2016/000707 WO2017039086A1 (ko) | 2015-09-04 | 2016-01-22 | 웹플러그인 기반 딥러닝 모듈화시스템 및 이를 이용한 영상인식방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150125526A KR101657495B1 (ko) | 2015-09-04 | 2015-09-04 | 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101657495B1 true KR101657495B1 (ko) | 2016-09-30 |
Family
ID=57079656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020150125526A KR101657495B1 (ko) | 2015-09-04 | 2015-09-04 | 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR101657495B1 (ko) |
| WO (1) | WO2017039086A1 (ko) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101729694B1 (ko) * | 2017-01-02 | 2017-04-25 | 한국과학기술정보연구원 | 시뮬레이션 결과 예측 방법 및 장치 |
| KR101829279B1 (ko) | 2017-09-15 | 2018-02-19 | 한국과학기술정보연구원 | 시뮬레이션관리를 위한 장치 및 방법 |
| KR101836742B1 (ko) | 2016-12-05 | 2018-03-08 | 연세대학교 산학협력단 | 제스쳐를 판단하는 장치 및 방법 |
| WO2018084381A1 (ko) * | 2016-11-04 | 2018-05-11 | (주)한국플랫폼서비스기술 | 지피유장치를 기반으로 하는 딥러닝 분석을 이용한 영상 보정 방법 |
| KR101869895B1 (ko) * | 2018-01-19 | 2018-06-25 | 주식회사 리싸이클파크 | 딥 러닝 기반의 오브젝트 인식 서버, 오브젝트 인식 시스템 및 오브젝트 인식 방법 |
| KR101872733B1 (ko) * | 2017-06-14 | 2018-06-29 | 조선대학교산학협력단 | 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 팔로잉 추천 방법 |
| WO2018143486A1 (ko) * | 2017-01-31 | 2018-08-09 | (주)한국플랫폼서비스기술 | 딥러닝 분석을 위한 모듈화시스템을 이용한 컨텐츠 제공 방법 |
| KR101891631B1 (ko) | 2018-03-07 | 2018-08-27 | (주)크레아소프트 | 영상 학습 장치, 이를 이용한 촬영영상 분석 시스템 및 방법, 이를 수행하기 위한 기록매체 |
| KR20180097949A (ko) | 2017-02-24 | 2018-09-03 | 오치민 | 순차적 다중 합성곱 신경망을 이용한 영상 내 관절 자세 예측 방법 |
| WO2019031714A1 (ko) * | 2017-08-08 | 2019-02-14 | 삼성전자 주식회사 | 객체를 인식하는 방법 및 장치 |
| WO2019054638A1 (ko) * | 2017-09-13 | 2019-03-21 | 이재준 | 영상 분석 방법, 장치 및 컴퓨터 프로그램 |
| WO2019059505A1 (ko) * | 2017-09-22 | 2019-03-28 | 삼성전자 주식회사 | 객체를 인식하는 방법 및 장치 |
| WO2019098657A1 (ko) * | 2017-11-14 | 2019-05-23 | 고려대학교 산학협력단 | 영상 분석 플랫폼 운영방법 및 시스템 |
| KR20190088094A (ko) * | 2017-12-29 | 2019-07-26 | 주식회사 아임클라우드 | 자동 학습 데이터 생성을 통한 모델 학습 시스템 및 방법 |
| KR102045223B1 (ko) * | 2019-05-03 | 2019-11-19 | 주식회사 크레스콤 | 골 연령 분석 방법, 장치 및 컴퓨터 프로그램 |
| CN110533170A (zh) * | 2019-08-30 | 2019-12-03 | 陕西思科锐迪网络安全技术有限责任公司 | 一种图形化编程的深度学习神经网络搭建方法 |
| KR20200013174A (ko) | 2018-07-20 | 2020-02-06 | 오치민 | 다중 합성곱 신경망을 이용한 영상 내 관절 좌표 예측 방법 |
| KR20200017564A (ko) | 2018-07-23 | 2020-02-19 | 오치민 | 인물 포즈 예측을 위한 사스 서비스 방법 |
| KR102090770B1 (ko) * | 2018-10-12 | 2020-03-18 | 성균관대학교산학협력단 | 자동화된 영상 인식 모델 생성과 영상 인식 장치 및 이를 이용한 관리 방법 |
| US10719741B2 (en) | 2017-02-10 | 2020-07-21 | Electronics And Telecommunications Research Institute | Sensory information providing apparatus, video analysis engine, and method thereof |
| KR20210028511A (ko) | 2019-09-04 | 2021-03-12 | 국방과학연구소 | 통계적 특징점 선별 장치 및 방법 |
| KR20210069898A (ko) * | 2019-12-04 | 2021-06-14 | 세종대학교산학협력단 | 시계열 분석 간편화를 위한 자동화된 딥러닝 스튜디오 |
| KR102278284B1 (ko) * | 2021-02-23 | 2021-07-16 | 주식회사 에이아이노미스 | 중첩 편집 블록을 이용한 딥러닝 모델 제작 장치 및 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150079064A (ko) * | 2013-12-31 | 2015-07-08 | 주식회사 케이티 | 자동 태깅 시스템 및 그 방법 |
| KR101541808B1 (ko) * | 2015-04-30 | 2015-08-04 | 한국해양과학기술원 | 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법 |
| US20150242463A1 (en) * | 2014-02-25 | 2015-08-27 | Tsung-Han Lin | Systems, apparatuses, and methods for deep learning of feature detectors with sparse coding |
| KR20150098119A (ko) * | 2014-02-19 | 2015-08-27 | 삼성전자주식회사 | 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100738037B1 (ko) * | 2005-11-14 | 2007-07-12 | 주식회사 케이티프리텔 | 개방형 모바일 비즈니스 지원 시스템에서의 개방형인터페이스 방법 및 장치 |
-
2015
- 2015-09-04 KR KR1020150125526A patent/KR101657495B1/ko active IP Right Grant
-
2016
- 2016-01-22 WO PCT/KR2016/000707 patent/WO2017039086A1/ko active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150079064A (ko) * | 2013-12-31 | 2015-07-08 | 주식회사 케이티 | 자동 태깅 시스템 및 그 방법 |
| KR20150098119A (ko) * | 2014-02-19 | 2015-08-27 | 삼성전자주식회사 | 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법 |
| US20150242463A1 (en) * | 2014-02-25 | 2015-08-27 | Tsung-Han Lin | Systems, apparatuses, and methods for deep learning of feature detectors with sparse coding |
| KR101541808B1 (ko) * | 2015-04-30 | 2015-08-04 | 한국해양과학기술원 | 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법 |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018084381A1 (ko) * | 2016-11-04 | 2018-05-11 | (주)한국플랫폼서비스기술 | 지피유장치를 기반으로 하는 딥러닝 분석을 이용한 영상 보정 방법 |
| KR101836742B1 (ko) | 2016-12-05 | 2018-03-08 | 연세대학교 산학협력단 | 제스쳐를 판단하는 장치 및 방법 |
| KR101729694B1 (ko) * | 2017-01-02 | 2017-04-25 | 한국과학기술정보연구원 | 시뮬레이션 결과 예측 방법 및 장치 |
| WO2018143486A1 (ko) * | 2017-01-31 | 2018-08-09 | (주)한국플랫폼서비스기술 | 딥러닝 분석을 위한 모듈화시스템을 이용한 컨텐츠 제공 방법 |
| KR101930400B1 (ko) * | 2017-01-31 | 2018-12-18 | (주)한국플랫폼서비스기술 | 딥러닝 분석을 위한 모듈화시스템을 이용한 컨텐츠 제공 방법 |
| US10719741B2 (en) | 2017-02-10 | 2020-07-21 | Electronics And Telecommunications Research Institute | Sensory information providing apparatus, video analysis engine, and method thereof |
| KR20180097949A (ko) | 2017-02-24 | 2018-09-03 | 오치민 | 순차적 다중 합성곱 신경망을 이용한 영상 내 관절 자세 예측 방법 |
| KR101872733B1 (ko) * | 2017-06-14 | 2018-06-29 | 조선대학교산학협력단 | 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 팔로잉 추천 방법 |
| WO2019031714A1 (ko) * | 2017-08-08 | 2019-02-14 | 삼성전자 주식회사 | 객체를 인식하는 방법 및 장치 |
| US11216694B2 (en) | 2017-08-08 | 2022-01-04 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing object |
| US11551433B2 (en) | 2017-09-13 | 2023-01-10 | Crescom Co., Ltd. | Apparatus, method and computer program for analyzing image |
| WO2019054638A1 (ko) * | 2017-09-13 | 2019-03-21 | 이재준 | 영상 분석 방법, 장치 및 컴퓨터 프로그램 |
| KR20190030151A (ko) * | 2017-09-13 | 2019-03-21 | 이재준 | 영상 분석 방법, 장치 및 컴퓨터 프로그램 |
| KR101977174B1 (ko) | 2017-09-13 | 2019-05-10 | 이재준 | 영상 분석 방법, 장치 및 컴퓨터 프로그램 |
| US11017255B2 (en) | 2017-09-13 | 2021-05-25 | Crescom Co., Ltd. | Apparatus, method and computer program for analyzing image |
| KR101829279B1 (ko) | 2017-09-15 | 2018-02-19 | 한국과학기술정보연구원 | 시뮬레이션관리를 위한 장치 및 방법 |
| WO2019059505A1 (ko) * | 2017-09-22 | 2019-03-28 | 삼성전자 주식회사 | 객체를 인식하는 방법 및 장치 |
| US11170201B2 (en) | 2017-09-22 | 2021-11-09 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing object |
| WO2019098657A1 (ko) * | 2017-11-14 | 2019-05-23 | 고려대학교 산학협력단 | 영상 분석 플랫폼 운영방법 및 시스템 |
| KR20190088094A (ko) * | 2017-12-29 | 2019-07-26 | 주식회사 아임클라우드 | 자동 학습 데이터 생성을 통한 모델 학습 시스템 및 방법 |
| KR102227906B1 (ko) | 2017-12-29 | 2021-03-16 | 주식회사 아임클라우드 | 자동 학습 데이터 생성을 통한 모델 학습 시스템 및 방법 |
| KR101869895B1 (ko) * | 2018-01-19 | 2018-06-25 | 주식회사 리싸이클파크 | 딥 러닝 기반의 오브젝트 인식 서버, 오브젝트 인식 시스템 및 오브젝트 인식 방법 |
| KR101891631B1 (ko) | 2018-03-07 | 2018-08-27 | (주)크레아소프트 | 영상 학습 장치, 이를 이용한 촬영영상 분석 시스템 및 방법, 이를 수행하기 위한 기록매체 |
| KR20200013174A (ko) | 2018-07-20 | 2020-02-06 | 오치민 | 다중 합성곱 신경망을 이용한 영상 내 관절 좌표 예측 방법 |
| KR20200017564A (ko) | 2018-07-23 | 2020-02-19 | 오치민 | 인물 포즈 예측을 위한 사스 서비스 방법 |
| KR102090770B1 (ko) * | 2018-10-12 | 2020-03-18 | 성균관대학교산학협력단 | 자동화된 영상 인식 모델 생성과 영상 인식 장치 및 이를 이용한 관리 방법 |
| KR102045223B1 (ko) * | 2019-05-03 | 2019-11-19 | 주식회사 크레스콤 | 골 연령 분석 방법, 장치 및 컴퓨터 프로그램 |
| CN110533170A (zh) * | 2019-08-30 | 2019-12-03 | 陕西思科锐迪网络安全技术有限责任公司 | 一种图形化编程的深度学习神经网络搭建方法 |
| KR20210028511A (ko) | 2019-09-04 | 2021-03-12 | 국방과학연구소 | 통계적 특징점 선별 장치 및 방법 |
| KR20220045137A (ko) | 2019-09-04 | 2022-04-12 | 국방과학연구소 | 통계적 특징점 선별 장치 및 방법 |
| KR102405484B1 (ko) | 2019-12-04 | 2022-06-03 | 세종대학교산학협력단 | 시계열 분석 간편화를 위한 자동화된 딥러닝 스튜디오 |
| KR20210069898A (ko) * | 2019-12-04 | 2021-06-14 | 세종대학교산학협력단 | 시계열 분석 간편화를 위한 자동화된 딥러닝 스튜디오 |
| KR102278284B1 (ko) * | 2021-02-23 | 2021-07-16 | 주식회사 에이아이노미스 | 중첩 편집 블록을 이용한 딥러닝 모델 제작 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2017039086A1 (ko) | 2017-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101657495B1 (ko) | 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법 | |
| US11210569B2 (en) | Method, apparatus, server, and user terminal for constructing data processing model | |
| US11093698B2 (en) | Method and apparatus and computer device for automatic semantic annotation for an image | |
| CN111522994B (zh) | 用于生成信息的方法和装置 | |
| KR101719278B1 (ko) | 비주얼 콘텐츠기반 영상 인식을 위한 딥러닝 프레임워크 및 영상 인식 방법 | |
| JP6894534B2 (ja) | 情報処理方法及び端末、コンピュータ記憶媒体 | |
| EP3579124A1 (en) | Method and apparatus for providing search results | |
| CN108062377A (zh) | 标签图片集的建立、标签的确定方法、装置、设备及介质 | |
| CN110175609B (zh) | 界面元素检测方法、装置及设备 | |
| CN108846378A (zh) | 手语识别处理方法及装置 | |
| CN113811869A (zh) | 将自然语言查询翻译成标准数据查询 | |
| CN109101476A (zh) | 一种词向量生成、数据处理方法和装置 | |
| CN110598869B (zh) | 基于序列模型的分类方法、装置、电子设备 | |
| CN113590776A (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
| CN107807968A (zh) | 基于贝叶斯网络的问答装置、方法及存储介质 | |
| US20190147104A1 (en) | Method and apparatus for constructing artificial intelligence application | |
| CN112182178A (zh) | 智能问答方法、装置、设备及可读存储介质 | |
| CN104699844A (zh) | 为广告确定视频标签的方法及装置 | |
| CN114492601A (zh) | 资源分类模型的训练方法、装置、电子设备及存储介质 | |
| CN111797313A (zh) | 自学习推荐方法、装置、计算机设备和存储介质 | |
| CN110991183A (zh) | 问题的谓词确定方法、装置、设备及存储介质 | |
| CN112488052B (zh) | 题目辅助方法、装置和*** | |
| CN113220854A (zh) | 机器阅读理解的智能对话方法及装置 | |
| CN109522921A (zh) | 语句相似度判别方法及设备 | |
| CN111699472A (zh) | 确定用于开发、设计和/或部署不同技术领域的复杂的嵌入式或信息物理***，特别是其中使用的复杂的软件架构的措施的方法和计算机程序产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20190725 Year of fee payment: 4 |