KR101992239B1 - 훈련 데이터를 생성하는 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 - Google Patents
훈련 데이터를 생성하는 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 Download PDFInfo
- Publication number
- KR101992239B1 KR101992239B1 KR1020170107502A KR20170107502A KR101992239B1 KR 101992239 B1 KR101992239 B1 KR 101992239B1 KR 1020170107502 A KR1020170107502 A KR 1020170107502A KR 20170107502 A KR20170107502 A KR 20170107502A KR 101992239 B1 KR101992239 B1 KR 101992239B1
- Authority
- KR
- South Korea
- Prior art keywords
- mask
- data
- source domain
- defect data
- domain
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 title claims abstract description 56
- 238000004590 computer program Methods 0.000 title claims description 11
- 230000007547 defect Effects 0.000 claims abstract description 149
- 230000002950 deficient Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 239000003086 colorant Substances 0.000 claims description 6
- 230000001172 regenerating effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 238000003909 pattern recognition Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000873 masking effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000010985 leather Substances 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G06K9/6256—
-
- 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
- G06N3/045—Combinations of 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G06T5/001—
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법이 개시된다. 상기 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법은 제 1 마스크가 적용된 소스 도메인의 결함 데이터 및 제 1 마스크가 미적용된 소스 도메인의 결함 데이터를 복원알고리즘에 입력시키는 단계; 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 생성하도록 상기 복원알고리즘을 제 1 훈련시키는 단계; 제 2 마스크가 적용된 소스 도메인의 정상 데이터 및 제 2 마스크가 미적용된 소스 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키는 단계; 제 2 마스크가 복원된 소스 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 2 훈련시키는 단계; 제 2 마스크가 적용된 타겟 도메인의 정상 데이터 및 제 2 마스크가 미적용된 타겟 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키는 단계; 및 제 2 마스크가 복원된 타겟 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 3 훈련시키는 단계;를 포함한다.
Description
본 개시는 이미지 처리에 관한 것으로, 보다 구체적으로 훈련 데이터를 생성하는 방법에 관한 것이다.
패턴 인식(pattern recognition)은 머신 러닝(machine learning)의 일 분야로서, 패턴 및 데이터의 규칙성을 인식하는 학문을 의미한다. 패턴 인식 기술은 감독 학습(supervised learning) 및 비감독 학습(unsupervised learning) 방법을 포함한다. 감독 학습 방법은 이미 패턴 인식의 결과가 결정되어 있는 데이터("트레이닝" 데이터 라고 한다)를 이용하여 알고리즘이 패턴 인식을 학습하는 방법을 의미한다.
패턴 인식 기술을 구현하기 위해 다양한 방법이 제시되고 있으며, 미국 등록 특허 8, 873,856 는 이러한 패턴 인식 기술의 일 예를 도시한다.
그러나 패턴 인식 알고리즘의 종류와 방법에 무관하게, 상기 트레이닝 데이터가 다양하고 개수가 많을수록 양질의 학습이 수행되는 바, 트레이닝 데이터를 광범위하게 다량 확보하기 위한 기술이 요구된다. 특히, 상기 데이터가 제조 과정에서 발생하는 상이한 패턴 상 결함인 경우, 동일 제조 과정 하에 발생할 수 있는 결함은 상이한 패턴 상에서도 유사한 모양을 띠는 경향이 있음에도 불구하고, 상이한 패턴 별로 결함 데이터를 별개의 작업을 통해 획득해야하는 불편함이 존재한다.
이에 따라, 트레이닝 데이터로서 다양한 패턴 상의 결함 데이터를 효율적으로 획득하기 위한 당업계의 요구가 존재한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로 훈련 데이터를 생성하는 방법을 제공하기 위한 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법이 개시된다. 상기 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법은 제 1 마스크가 적용된 소스 도메인의 결함 데이터 및 제 1 마스크가 미적용된 소스 도메인의 결함 데이터를 복원알고리즘에 입력시키는 단계; 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 생성하도록 상기 복원알고리즘을 제 1 훈련시키는 단계; 제 2 마스크가 적용된 소스 도메인의 정상 데이터 및 제 2 마스크가 미적용된 소스 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키는 단계; 제 2 마스크가 복원된 소스 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 2 훈련시키는 단계; 제 2 마스크가 적용된 타겟 도메인의 정상 데이터 및 제 2 마스크가 미적용된 타겟 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키는 단계; 제 2 마스크가 복원된 타겟 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 3 훈련시키는 단계를 포함한다.
대안적으로, 마스크가 적용된 데이터로부터 마스크가 복원된 데이터를 생성하도록 최종 훈련된 복원알고리즘에 제 1 마스크가 적용된 타겟 도메인의 정상 데이터 입력시키는 단계; 및 타겟 도메인의 결함 데이터를 상기 최종 훈련된 복원 알고리즘을 이용하여 생성하는 단계;를 포함할 수 있다.
대안적으로, 결함 데이터 및 정상 데이터는 이미지 데이터인 것을 특징으로 할 수 있다.
대안적으로, 제 1 마스크는 결함 데이터의 결함 부분을 가리는 것을 특징으로 할 수 있고, 제 1 마스크와 제 2 마스크는 상이한 색상으로 구분되는 것을 특징으로 할 수 있다.
대안적으로, 제 1 마스크 및 제 2 마스크는 임의의 모양인 것을 특징으로 할 수 있다.
대안적으로, 소스 도메인 및 타겟 도메인은 상이한 패턴을 가지는 것을 특징으로 할 수 있다.
대안적으로, 상기 복원알고리즘은 생성 네트워크 및 식별 네트워크를 포함할 수 있고, 상기 제 1 훈련은 상기 생성 네트워크에 상기 제 1 마스크가 적용된 소스 도메인의 결함 데이터를 입력시키는 단계; 상기 생성 네트워크를 이용하여 상기 제 1 마스크가 적용된 소스 도메인의 결함 데이터로부터 상기 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 생성하는 단계; 상기 식별 네트워크에 상기 제 1 마스크가 미적용된 소스 도메인의 결함 데이터 및 상기 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 입력시키는 단계; 상기 식별 네트워크를 이용하여 상기 제 1 마스크가 미적용된 소스 도메인의 결함 데이터 및 상기 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 비교하여 구별 정보를 출력하는 단계; 상기 구별 정보에 기초하여 상기 생성 네트워크 및 상기 식별 네트워크를 학습시키는 단계; 및 학습된 상기 생성 네트워크를 이용하여 상기 제 1 마스크가 적용된 소스 도메인의 결함 데이터로부터 상기 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 재생성하는 단계;를 포함할 수 있다.
대안적으로, 상기 식별 네트워크에서 상기 마스크가 미적용된 데이터와 상기 마스크가 복원된 데이터를 비교하여 구별 정보를 출력하는 단계는, 마스크가 복원된 데이터 및 마스크가 미적용된 데이터를 일정한 크기의 이미지 패치로 나누어 이미지 패치 별로 비교하는 것을 특징으로 할 수 있다.
대안적으로, 상기 이미지 패치는 1 픽셀 크기인 것을 특징으로 할 수 있다.
대안적으로, 상기 구별 정보에 기초하여 상기 생성 네트워크 및 상기 식별 네트워크를 학습시키는 단계는 상기 구별 정보로부터 상기 복원알고리즘의 손실함수에 대한 값을 계산하는 단계를 포함할 수 있다.
대안적으로, 상기 생성 네트워크는 총 n 개의 레이어로 구성되고, 1 번째 레이어부터 n 번째 레이어까지 순차적으로 연결되고, 그리고 별도로 i 번째 레이어 (i>0, i<n/2)와 n-i+1 번째 레이어가 연결되는 것을 특징으로 할 수 있다.
본 개시의 다른 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 실행되는 복수의 명령들을 포함하는, 컴퓨터 판독가능 저장 매체(computer readable storage medium)에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은, 정상 데이터 및 비정상 데이터를 포함하는 훈련 데이터를 신경망의 입력 레이어에 입력시키도록 하는 명령제 1 마스크가 적용된 소스 도메인의 결함 데이터 및 제 1 마스크가 미적용된 소스 도메인의 결함 데이터를 복원알고리즘에 입력시키도록 하는 명령; 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 생성하도록 상기 복원알고리즘을 제 1 훈련시키는 명령; 제 2 마스크가 적용된 소스 도메인의 정상 데이터 및 제 2 마스크가 미적용된 소스 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키도록 하는 명령; 제 2 마스크가 복원된 소스 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 2 훈련시키는 명령; 제 2 마스크가 적용된 타겟 도메인의 정상 데이터 및 제 2 마스크가 미적용된 타겟 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키도록 하는 명령; 및 제 2 마스크가 복원된 타겟 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 3 훈련시키는 명령을 포함한다.
본 개시의 다른 일 실시예에 따라 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하기 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리를 포함하고, 상기 하나 이상의 프로세서는, 제 1 마스크가 적용된 소스 도메인의 결함 데이터 및 제 1 마스크가 미적용된 소스 도메인의 결함 데이터를 복원알고리즘에 입력하고, 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 생성하도록 상기 복원알고리즘을 제 1 훈련시키고, 제 2 마스크가 적용된 소스 도메인의 정상 데이터 및 제 2 마스크가 미적용된 소스 도메인의 정상 데이터를 상기 복원알고리즘에 입력하고, 제 2 마스크가 복원된 소스 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 2 훈련시키고, 제 2 마스크가 적용된 타겟 도메인의 정상 데이터 및 제 2 마스크가 미적용된 타겟 도메인의 정상 데이터를 상기 복원알고리즘에 입력하고, 그리고 제 2 마스크가 복원된 타겟 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 3 훈련시킬 수 있다.
본 개시는 훈련 데이터를 생성하는 방법을 제공할 수 있다.
상기 언급된 본 발명 내용의 특징들이 상세하게, 보다 구체화된 설명으로, 이하의 실시예들을 참조하여 이해될 수 있도록, 실시예들 중 일부는 첨부되는 도면에서 도시된다. 또한, 도면과의 유사한 참조번호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하는 것으로 의도된다. 그러나, 첨부된 도면들은 단지 본 발명 내용의 특정한 전형적인 실시예들만을 도시하는 것일 뿐, 본 개시의 범위를 한정하는 것으로 고려되지는 않으며, 동일한 효과를 갖는 다른 실시예들이 충분히 인식될 수 있다는 점을 유의하도록 한다.
도 1 은 본 개시의 일 실시예에 따라 컴퓨팅 장치의 블록 구성도를 도시한다.
도 2a 내지 2c 는 본 개시의 일 실시예에 따라 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 복원알고리즘의 훈련 시 입출력을 나타낸 도면이다.
도 3 는 본 개시의 일 실시예에 따라 훈련된 복원알고리즘을 이용하여 타겟 도메인의 결함 데이터 생성 시 입출력을 나타낸 도면이다.
도 4 내지 도 5 는 본 개시의 일 실시예에 따라 복원알고리즘을 제 1 훈련 시키는 방법을 나타낸 도면이다.
도 6 는 본 개시의 일 실시예에 따라 복원알고리즘 내 생성 네트워크를 나타낸 개략도이다.
도 7 은 본 개시의 일 실시예에 따른 이미지 패치의 예시도이다.
도 8 은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
도 1 은 본 개시의 일 실시예에 따라 컴퓨팅 장치의 블록 구성도를 도시한다.
도 2a 내지 2c 는 본 개시의 일 실시예에 따라 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 복원알고리즘의 훈련 시 입출력을 나타낸 도면이다.
도 3 는 본 개시의 일 실시예에 따라 훈련된 복원알고리즘을 이용하여 타겟 도메인의 결함 데이터 생성 시 입출력을 나타낸 도면이다.
도 4 내지 도 5 는 본 개시의 일 실시예에 따라 복원알고리즘을 제 1 훈련 시키는 방법을 나타낸 도면이다.
도 6 는 본 개시의 일 실시예에 따라 복원알고리즘 내 생성 네트워크를 나타낸 개략도이다.
도 7 은 본 개시의 일 실시예에 따른 이미지 패치의 예시도이다.
도 8 은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다. 다른 예들에서, 공지된 구조 및 장치들은 실시예들의 설명을 용이하게 하기 위해서 블록 다이어그램 형태로 제공된다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있고, 일 컴포넌트는 하나의 컴퓨터 내에 로컬화될 수 있고, 또는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에,본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
도 1 은 본 개시의 일 실시예에 따라 컴퓨팅 장치의 블록 구성도를 도시한다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(110) 및 메모리(120)를 포함할 수 있다. 도 1 에 도시된 블록 구성도는 컴퓨팅 장치를 간소화한 구성으로 표현한 것으로서, 본 개시는 이에 제한되지 않고, 구동에 필요한 추가적인 구성 요소들을 포함할 수 있다.
프로세서(110)는 하나 이상으로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU)를 포함할 수 있다. 프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법을 수행할 수 있다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 제 1 마스크가 적용된 소스 도메인의 결함 데이터 및 제 1 마스크가 미적용된 소스 도메인의 결함 데이터를 복원알고리즘에 입력하고, 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 생성하도록 복원알고리즘을 제 1 훈련시키고, 제 2 마스크가 적용된 소스 도메인의 정상 데이터 및 제 2 마스크가 미적용된 소스 도메인의 정상 데이터를 복원알고리즘에 입력하고, 제 2 마스크가 복원된 소스 도메인의 정상 데이터를 생성하도록 복원알고리즘을 제 2 훈련시키고, 제 2 마스크가 적용된 타겟 도메인의 정상 데이터 및 제 2 마스크가 미적용된 타겟 도메인의 정상 데이터를 복원알고리즘에 입력하고, 그리고 제 2 마스크가 복원된 타겟 도메인의 정상 데이터를 생성하도록 복원알고리즘을 제 3 훈련시킬 수 있다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 마스크가 적용된 데이터로부터 마스크가 복원된 데이터를 생성하도록 최종 훈련된 복원알고리즘에 제 1 마스크가 적용된 타겟 도메인의 정상 데이터 입력시키고, 타겟 도메인의 결함 데이터를 상기 최종 훈련된 복원 알고리즘을 이용하여 생성할 수 있다.
메모리(120)는 본 개시의 일 실시예에 따른 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(110), GPU 등에 의하여 판독되어 구동될 수 있다. 상기 컴퓨터 프로그램은 제 1 마스크가 적용된 소스 도메인의 결함 데이터 및 제 1 마스크가 미적용된 소스 도메인의 결함 데이터를 복원알고리즘에 입력시키도록 하는 명령, 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 생성하도록 상기 복원알고리즘을 제 1 훈련시키는 명령, 제 2 마스크가 적용된 소스 도메인의 정상 데이터 및 제 2 마스크가 미적용된 소스 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키도록 하는 명령, 제 2 마스크가 복원된 소스 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 2 훈련시키는 명령, 제 2 마스크가 적용된 타겟 도메인의 정상 데이터 및 제 2 마스크가 미적용된 타겟 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키도록 하는 명령, 및 제 2 마스크가 복원된 타겟 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 3 훈련시키는 명령을 포함할 수 있다.
이하 도면들을 참조하는 설명에서, 본 개시의 일 실시예에 따라 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법에 관해 구체적으로 개시한다.
도 2a 내지 도 2c 는 본 개시의 일 실시예에 따라 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 복원알고리즘의 훈련 시 입출력을 나타낸 도면이다.
본 개시의 실시예들에 따른 복원알고리즘(200)은 이미지 복원알고리즘일 수 있다. 여기서 이미지 복원알고리즘은, 예를 들어 Variational Autoencoder (VAE), Generative Model 등을 포함할 수 있고, 구체적으로, Generative Adversarial Networks, conditional Generative Adversarial Networks 등을 포함할 수 있다. 상기 이미지 복원알고리즘은 예시일뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.
본 개시의 실시예들에서, 도메인은 일정 소재 또는 물품일 수 있고, 일정 소재 또는 물품 상의 특정 패턴일 수 있다. 소재는, 예를 들어, 섬유, 가죽, 금속, 유리, 플라스틱, 나무 등일 수 있다. 물품은, 예를 들어, 의류, 렌즈, 가구 등일 수 있다. 패턴은, 예를 들어, 줄무늬, 꽃무늬, 도트(dot)무늬 등일 수 있다. 본 개시의 권리 범위는 위 예시들에 제한되지 않는다.
본 개시의 실시예들에서, 소스 도메인은 결함 데이터(213)를 가지고 있는 패턴을 의미하고, 타겟 도메인은 소스 도메인의 결함 데이터(213)를 이용하여 결함 데이터를 생성하고자 하는 패턴을 의미한다. 소스 도메인 및 타겟 도메인은 서로 상이한 패턴을 가질 수 있다. 예를 들어, 도 2 에서 소스 도메인은 줄무늬이고 타겟 도메인은 도트무늬로서, 결함(214)을 갖고 있는 소스 도메인의 결함 데이터(213)로부터 타겟 도메인의 결함 데이터(305)(도 3 참조)를 생성할 수 있다. 도 2 에 도시된 소스 도메인 및 타겟 도메인은 예시일 뿐이며, 본 개시의 권리 범위는 이에 제한되지 않는다.
본 개시의 실시예들에서, 데이터는 이미지 데이터일 수 있다. 이미지 데이터는 소스 도메인 또는 타겟 도메인 상에서, 결함을 포함한 결함 이미지 데이터 또는 결함을 미포함한 정상 이미지 데이터일 수 있다. 이미지는 3D이미지, 흑백 이미지, 적외선 이미지, 전자 이미지 등 일 수 있고, 필름 카메라, 디지털 카메라, 현미경, 확대경, 적외선 카메라, 자외선(UV) 카메라, X-Ray, 자기 공명 영상 장치 및 임의의 이미지 획득 장치 등을 통해 획득할 수 있다. 이미지 데이터는 압축 데이터, RAW 이미지, 이미지 데이터 파일일 수 있다. 이미지 데이터 형식은 jpg, png, tif, psd, Ai 등을 포함할 수 있다. 전술한 내용은 예시일 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.
본 개시의 실시예들에서, 결함 데이터(213)는 결함(214)이 포함된 데이터를 의미하고 정상 데이터(223, 233)는 결함이 미포함된 데이터를 의미한다. 여기서 결함은 공정상의 찢어짐, 마모, 눌림 등으로 인하여 생성되는 비정상 패턴을 포함할 수 있으며, 본 개시의 권리 범위는 이에 제한되지 않는다.
본 개시의 실시예들에서, 마스크는 제 1 마스크(212) 및 제 2 마스크(222)를 포함할 수 있으며, 제 1 마스크(212)는 결함 데이터(213)의 결함(214)을 가릴 수 있다. 제 1 마스크(212)와 제 2 마스크(222)는 상이한 색상으로 구분될 수 있다. 마스크는 임의의 모양일 수 있다. 마스크는 인간에 의해 수작업으로 적용되거나, 임의의 프로그램에 의해 자동으로 적용될 수 있으며, 본 개시의 권리 범위는 이에 제한되지 않는다.
본 개시의 실시예에 따른 복원알고리즘(200)의 훈련은 하기에 설명되는 훈련들을 적어도 하나 포함할 수 있다.
상기 훈련은, 복원알고리즘(200)으로 하여금 입력 데이터에 기초하여 데이터를 복원하도록 복원알고리즘(200)을 학습시키는 과정일 수 있다. 구체적으로, 상기 훈련은, 복원알고리즘(200)이 마스크가 적용된 데이터 및 마스크가 미적용된 데이터를 입력받는 경우, 복원알고리즘(200)이 마스크가 복원된 데이터를 출력하도록 복원알고리즘(200)을 학습시키는 과정일 수 있다. 복원알고리즘(200)의 학습은, 입력 데이터를 기반으로 출력값과 목표값과의 오차값을 최소화하도록 회귀식을 생성하는 것일 수 있다. 복원알고리즘(200)의 학습은, 복원알고리즘(200)에 포함되는 적어도 하나의 변수의 값을 조정하는 것일 수 있다. 복원알고리즘(200)이 학습됨으로써 복원알고리즘(200)의 데이터 복원율이 향상될 수 있다. 데이터 복원율은, 예를 들어, 이미지 데이터에 있어 선명도 증가율, 입력 이미지 데이터와의 일치율일 수 있다. 최종 훈련된 복원알고리즘은 입력 데이터에 기초하여 사용자가 요구하는 방향으로 데이터를 복원할 수 있다. 구체적으로, 최종 훈련된 복원 알고리즘은 제 1 마스크가 적용된 타겟 도메인의 정상 데이터를 입력받는 경우, 타겟 도메인의 결함 데이터를 출력할 수 있다. 상기 복원알고리즘(200)의 훈련은 컴퓨팅 장치(100)에 의해 수행될 수 있다. 전술한 내용은 예시일 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.
도 2a 는 본 개시의 일 실시예에 따른 복원알고리즘(200)의 제 1 훈련 시 입출력을 나타낸 도면이다.
본 개시의 일 실시예에 따른 제 1 훈련에서, 컴퓨팅 장치(100)는 복원알고리즘(200)에 제 1 마스크(212)가 적용된 소스 도메인의 결함 데이터(211) 및 제 1 마스크(212)가 미적용된 소스 도메인의 결함 데이터(213)를 입력시킬 수 있다. 컴퓨팅 장치(100)는 복원알고리즘(200)을 이용하여 제 1 마스크(212)가 복원(216)된 소스 도메인의 결함 데이터(215)를 생성할 수 있다. 여기서 제 1 마스크는 결함의 종류에 따라 색상이 상이할 수 있다. 즉 본 개시의 일 실시예에서 마스크는 결함 데이터를 마스킹하는 마스크와 정상 데이터를 마스킹하는 마스크를 포함할 수 있으며, 결함 데이터를 마스킹하는 마스크와 정상 데이터를 마스킹하는 데이터는 식별되는 특징(예를 들어, 색상, 무늬 등)을 가질 수 있다. 또한 결함 데이터를 마스킹하는 마스크는 마스킹하는 결함의 종류에 따라 식별되는 특징(예를 들어, 색상, 무늬 등)을 가질 수 있다. 예를 들어, 가죽의 찍힘 결함과 이염 결함은 서로 상이한 색상의 마스크로 마스킹 될 수 있다. 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
도 2b 는 본 개시의 일 실시예에 따른 복원알고리즘(200)의 제 2 훈련 시 입출력을 나타낸 도면이다.
본 개시의 일 실시예에 따른 제 2 훈련에서, 컴퓨팅 장치(100)는 복원알고리즘(200)에 제 2 마스크(222)가 적용된 소스 도메인의 정상 데이터(221) 및 제 2 마스크(222)가 미적용된 소스 도메인의 정상 데이터(223)를 입력시킬 수 있다. 컴퓨팅 장치(100)는 복원알고리즘(200)을 이용하여 제 2 마스크(222)가 복원(226)된 소스 도메인의 정상 데이터(225)를 생성할 수 있다.
도 2c 는 본 개시의 일 실시예에 따른 복원알고리즘(200)의 제 3 훈련 시 입출력을 나타낸 도면이다.
본 개시의 일 실시예에 따른 제 3 훈련에서, 컴퓨팅 장치(100)는 복원알고리즘(200)에 제 2 마스크(222)가 적용된 타겟 도메인의 정상 데이터(231) 및 제 2 마스크(222)가 미적용된 타겟 도메인의 정상 데이터(233)를 입력시킬 수 있다. 컴퓨팅 장치(100)는 복원알고리즘(200)을 이용하여 제 2 마스크(222)가 복원(236)된 타겟 도메인의 정상 데이터(235)를 생성할 수 있다.
본 개시의 제 1, 2 및 제 3 훈련은 전체 이미지를 일정한 크기로 나눈 패치를 입력으로 하여 수행될 수 있고, 이미지에서 결함에 해당하는 부분에서 추출된 패치를 입력으로 하여 수행될 수 있다.
도 3 는 본 개시의 일 실시예에 따라 훈련된 복원알고리즘을 이용하여 타겟 도메인의 결함 데이터 생성 시 입출력을 나타낸 도면이다.
본 개시의 일 실시예에 따라 마스크가 적용된 데이터로부터 마스크가 복원된 데이터를 생성하도록 최종 훈련된 복원알고리즘(300)이 제 1 마스크(212)가 적용된 타겟 도메인의 정상 데이터(301)를 입력 받으면, 타겟 도메인의 결함 데이터(305)를 생성할 수 있다. 구체적으로, 타겟 도메인의 제 1 마스크가 복원(306)되면서, 소스 도메인의 결함 데이터(213)(도 2 참조)의 결함(214)이 타겟 도메인 위에 생성되어 타겟 도메인의 결함 데이터(305)를 생성할 수 있다. 전술한 내용은 예시일 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.
도 4 내지 도 5 는 본 개시의 일 실시예에 따라 복원알고리즘을 제 1 훈련 시키는 방법을 나타낸 도면이다.
도 4 은 본 개시의 일 실시예에 따라 복원알고리즘을 제 1 훈련 시키는 방법의 순서도이다.
도 5 는 본 개시의 일 실시예에 따라 제 1 훈련을 수행하는 복원알고리즘의 예시도이다.
본 개시의 일 실시예에 따른 복원알고리즘(500)은 생성 네트워크(510) 및 식별 네트워크(520)를 포함할 수 있다. 네트워크는 일반적으로 "노드"라 지칭될 수 있는 상호연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은 "뉴런(neuroun)"들로 지칭될 수 도 있다. 네트워크는 적어도 둘 이상의 노드들을 포함하여 구성된다. 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 네트워크는 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 네트워크가 존재하는 경우, 두 개의 네트워크들은 서로 상이한 것으로 인식될 수 있다.
네트워크는 둘 이상의 노드들을 포함하여 구성될 수 있다. 네트워크를 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 네트워크 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 네트워크 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 네트워크 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 네트워크를 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 네트워크는 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 네트워크일 수 있다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 생성 네트워크(510)에 제 1 마스크가 적용된 소스 도메인의 결함 데이터(211)를 입력시킬 수 있다(S310). 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 결함 데이터가 이미지 데이터인 경우 이미지 전체에서 추출된 패치를 생성 네트워크(510)에 입력시켜 훈련 과정을 진행할 수도 있고, 이미지의 결함 부분에서 추출된 패치를 생성 네트워크(510)에 입력시켜 훈련 과정을 진행할 수도 있다. 여기서 마스크는 결함의 종류에 따라 색상이 상이할 수 있다. 즉 본 개시의 일 실시예에서 마스크는 결함 데이터를 마스킹하는 마스크와 정상 데이터를 마스킹하는 마스크를 포함할 수 있으며, 결함 데이터를 마스킹하는 마스크와 정상 데이터를 마스킹하는 데이터는 식별되는 특징(예를 들어, 색상, 무늬 등)을 가질 수 있다. 또한 결함 데이터를 마스킹하는 마스크는 마스킹하는 결함의 종류에 따라 식별되는 특징(예를 들어, 색상, 무늬 등)을 가질 수 있다. 예를 들어, 가죽의 찍힘 결함과 이염 결함은 서로 상이한 색상의 마스크로 마스킹 될 수 있다. 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 생성 네트워크(510)는 컨볼루션 신경망(convolution neural network: CNN), 오토 인코더(auto encoder) 등으로 구성될 수 있으며, 본 개시는 이에 제한되지 않는다. 생성 네트워크(510)는 도 6에 예시로 도시되며, 본 개시는 도 6에 도시된 예시로 제한되지 않는다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 생성 네트워크(510)를 이용하여 입력된 제 1 마스크가 적용된 소스 도메인의 결함 데이터(211)로부터 제 1 마스크가 복원된 소스 도메인의 결함 데이터(515)를 생성할 수 있다(S320). 생성 방법은 복원알고리즘 종류에 따라 상이하며, 예를 들어, 임의의 난수 분포 혹은 조건부의 난수 분포를 형성함으로써 생성할 수 있고, 본 개시의 권리 범위는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 식별 네트워크(520)에 제 1 마스크가 미적용된 소스 도메인의 결함 데이터(213) 및 생성한 제 1 마스크가 복원된 소스 도메인의 결함 데이터(515)를 입력시킬 수 있다(S330).
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 식별 네트워크(520)를 이용하여 입력된 제 1 마스크가 미적용된 소스 도메인의 결함 데이터(213) 및 생성한 제 1 마스크가 복원된 소스 도메인의 결함 데이터(515)를 비교하여 구별 정보(521)를 출력할 수 있다(S340). 여기서, 구별 정보(521)는 식별 네트워크가 제 1 마스크가 복원된 소스 도메인의 결함 데이터(515)를 제 1 마스크가 미적용된 소스 도메인의 결함 데이터(213)라고 인식할 확률값 또는 다수의 데이터를 비교하여 구분하는 임의의 정보일 수 있으며, 본 개시의 권리 범위는 이에 제한되지 않는다.
제 1 마스크가 미적용된 소스 도메인의 결함 데이터(213) 및 생성한 제 1 마스크가 복원된 소스 도메인의 결함 데이터(515)를 비교하여 구별 정보를 출력하는 단계에서, 마스크가 복원된 데이터 및 마스크가 미적용된 데이터를 일정한 크기의 이미지 패치로 나누어 이미지 패치 별로 비교할 수 있다. 상기 단계는 이미지 생성 시 고주파 정보를 강화하는 효과를 가진다. 여기서 이미지 패치는 N 픽셀 x N 픽셀 크기일 수 있고, 1 픽셀 크기일 수 있다. 식별 네트워크(520)는 각 이미지 패치 별로 제 1 마스크가 미적용된 소스 도메인의 결함 데이터(213) 및 생성한 제 1 마스크가 복원된 소스 도메인의 결함 데이터(515)를 비교한 이미지 패치 별 응답값들을 종합하여 최종 구별 정보(521)를 출력할 수 있다. 이미지 패치는 도 7에 예시로 도시되며, 본 개시는 도 7에 도시된 예시로 제한되지 않는다.
제 1 마스크가 미적용된 소스 도메인의 결함 데이터(213) 및 생성한 제 1 마스크가 복원된 소스 도메인의 결함 데이터(515)의 비교는, 예를 들어, 제 1 마스크가 복원된 소스 도메인의 결함 데이터(515)와 제 1 마스크가 적용된 소스 도메인의 결함 데이터(211)를 비교하는 단계 및 제 1 마스크 미적용된 소스 도메인의 결함 데이터(213)와 제 1 마스크가 적용된 소스 도메인의 결함 데이터(211)를 비교하는 단계를 포함할 수 있다. 상기 비교 과정은 예시일 뿐이며, 본 개시의 권리 범위는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 구별 정보(521)에 기초하여 생성 네트워크(510) 및 식별 네트워크(520)를 학습시킬 수 있다(S350). 구별 정보(521)에 기초하여 상기 생성 네트워크(510) 및 상기 식별 네트워크(520)를 학습시키는 단계는, 상기 구별 정보(521)로부터 복원알고리즘(500)의 손실함수에 대한 값을 계산하는 단계를 포함할 수 있다. 여기서, 손실함수는 학습을 통해 직접적으로 감소시키거나 증가시키고자 하는 값을 표현한 함수를 의미한다. 손실함수는 예를 들어, 하기와 같을 수 있다.
상기 수식에서, 
는 제 1 마스크가 복원된 소스 도메인의 결함 데이터(515)와 제 1 마스크가 미적용된 소스 도메인의 결함 데이터(213)의 차이값을 손실함수에 반영하는 가중치를 의미한다. 상기 수식은 예시일 뿐이며, 본 개시의 권리 범위는 이에 제한되지 않는다.
네트워크의 학습에 대하여, 생성 네트워크(510)는 손실함수에 대한 값이 감소하도록 학습하고, 동시에, 식별 네트워크(520)는 손실함수에 대한 값이 증가하도록 학습할 수 있다. 학습은 backward propagation 을 통해 수행할 수 있으며, 제시된 학습 방법은 예시일 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 학습된 생성 네트워크를 이용하여 제 1 마스크가 적용된 소스 도메인의 결함 데이터로부터 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 재생성할 수 있다(S460). 재생성된 제 1 마스크가 복원된 소스 도메인의 결함 데이터는 식별 네트워크(520)를 이용하여 제 1 마스크가 미적용된 소스 도메인의 결함 데이터(213)와 비교하여 구별 정보를 출력함으로써 위 과정을 반복할 수 있다. 반복은, 생성 네트워크(510)가 손실함수에 대한 값을 최소화하도록 학습하고, 동시에, 식별 네트워크(520)가 손실함수에 대한 값을 최대화하도록 학습할 때까지 수행할 수 있으나, 상기 훈련 종료 조건은 예시일뿐, 본 개시는 이에 제한되지 않는다. 전술한 과정은 제 2 훈련 및 제 3 훈련 시 동일하게 적용될 수 있다.
도 6 는 본 개시의 일 실시예에 따라 복원알고리즘 내 생성 네트워크를 나타낸 개략도이다.
본 개시의 일 실시예에 따른 생성 네트워크(600)가 총 n 개의 레이어로 구성된 경우, 1 번째 레이어부터 n 번째 레이어까지 순차적으로 연결되고, 별도로 i 번째 레이어 (i>0, i<n/2)와 n-i+1 번째 레이어가 연결될 수 있다. 예를 들어, 도 6 의 생성 네트워크(600)는 총 7 개의 레이어로 구성되어 있고, 1 번째 레이어부터 7 번째 레이어까지 순차적으로 연결(610)되고, 별도로 1 번째 레이어와 7 번째 레이어, 2 번째 레이어와 6 번째 레이어, 그리고 3 번째 레이어와 6 번째 레이어가 연결(620)되어 있다. 상기 구조는 일반적인 순차적 정보 전달 경로와 별도로, 단축 경로를 추가로 구축함으로써 입력 데이터에 대한 정보의 희석을 방지하여 생성 이미지의 고해상도를 보장하는 효과를 갖는다. 도 6 에 도시된 생성 네트워크(600)는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
도 7 은 본 개시의 일 실시예에 따른 이미지 패치의 예시도이다.
본 개시의 일 실시예에 따라, 식별 네트워크에서 마스크가 미적용된 데이터와 마스크가 복원된 데이터(700)를 비교하여 구별 정보를 출력하는 단계에서, 마스크가 복원된 데이터(700) 및 마스크가 미적용된 데이터를 일정한 크기의 이미지 패치(710)로 나누어 이미지 패치(710) 별로 비교할 수 있다. 이미지 패치(710)는 N 픽셀 x N 픽셀 크기일 수 있고, 1 픽셀 크기일 수 있다. 본 개시의 이미지 패치는 데이터의 전부 또는 일부에서 추출될 수 있다. 예를 들어, 본 개시의 이미지 패치는 결함 데이터에서 결함 부분을 위주로 추출될 수 있다. 식별 네트워크는 각 이미지 패치 별로 제 1 마스크가 미적용된 소스 도메인의 결함 데이터(213) 및 생성한 제 1 마스크가 복원된 소스 도메인의 결함 데이터(515)를 비교한 이미지 패치 별 응답값들을 종합하여 최종 구별 정보를 출력할 수 있으며, 본 개시의 권리 범위는 이에 제한되지 않는다.
도 8 은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(2110) 및 랜덤 액세스 메모리(RAM)(2112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(2110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(2112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(2114)(예를 들어, EIDE, SATA)?이 내장형 하드 디스크 드라이브(2114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음?, 자기 플로피 디스크 드라이브(FDD)(2116)(예를 들어, 이동식 디스켓(2118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(2114), 자기 디스크 드라이브(2116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(2130), 하나 이상의 애플리케이션 프로그램(2132), 기타 프로그램 모듈(2134) 및 프로그램 데이터(2136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(2112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(2112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용 가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(2138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (13)
- 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법으로서,
제 1 마스크가 적용된 소스 도메인의 결함 데이터 및 제 1 마스크가 미적용된 소스 도메인의 결함 데이터를 복원알고리즘에 입력시키는 단계;
제 1 마스크가 복원된 소스 도메인의 결함 데이터를 생성하도록 상기 복원알고리즘을 제 1 훈련시키는 단계;
제 2 마스크가 적용된 소스 도메인의 정상 데이터 및 제 2 마스크가 미적용된 소스 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키는 단계;
제 2 마스크가 복원된 소스 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 2 훈련시키는 단계;
제 2 마스크가 적용된 타겟 도메인의 정상 데이터 및 제 2 마스크가 미적용된 타겟 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키는 단계; 및
제 2 마스크가 복원된 타겟 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 3 훈련시키는 단계;
를 포함하는,
소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법.
- 제 1 항에 있어서,
마스크가 적용된 데이터로부터 마스크가 복원된 데이터를 생성하도록 최종 훈련된 복원알고리즘에 제 1 마스크가 적용된 타겟 도메인의 정상 데이터 입력시키는 단계; 및
타겟 도메인의 결함 데이터를 상기 최종 훈련된 복원 알고리즘을 이용하여 생성하는 단계;
를 더 포함하는,
소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법.
- 제 1 항에 있어서,
결함 데이터 및 정상 데이터는 이미지 데이터인 것을 특징으로 하는,
소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법.
- 제 1 항에 있어서,
제 1 마스크는 결함 데이터의 결함 부분을 가리는 것을 특징으로 하고,
제 1 마스크와 제 2 마스크는 상이한 색상으로 구분되는 것을 특징으로 하는,
소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법.
- 제 1 항에 있어서,
제 1 마스크는 결함 데이터의 결함 부분을 가리기 위한 모양이며, 그리고 제 2 마스크는 상기 제 1 마스크와 동일 또는 상이한 모양인 것을 특징으로 하는,
소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법.
- 제 1 항에 있어서,
소스 도메인 및 타겟 도메인은 상이한 패턴(모양)을 가지는 것을 특징으로 하는,
소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법.
- 제 1 항에 있어서,
상기 복원알고리즘은,
생성 네트워크; 및
식별 네트워크;
를 포함하고,
상기 제 1 훈련은,
상기 생성 네트워크에 상기 제 1 마스크가 적용된 소스 도메인의 결함 데이터를 입력시키는 단계;
상기 생성 네트워크를 이용하여 상기 제 1 마스크가 적용된 소스 도메인의 결함 데이터로부터 상기 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 생성하는 단계;
상기 식별 네트워크에 상기 제 1 마스크가 미적용된 소스 도메인의 결함 데이터 및 상기 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 입력시키는 단계;
상기 식별 네트워크를 이용하여 상기 제 1 마스크가 미적용된 소스 도메인의 결함 데이터 및 상기 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 비교하여 구별 정보를 출력하는 단계;
상기 구별 정보에 기초하여 상기 생성 네트워크 및 상기 식별 네트워크를 학습시키는 단계; 및
학습된 상기 생성 네트워크를 이용하여 상기 제 1 마스크가 적용된 소스 도메인의 결함 데이터로부터 상기 제 1 마스크가 복원된 소스 도메인의 결함 데이터를 재생성하는 단계;
를 포함하는,
소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법.
- 제 7 항에 있어서,
상기 식별 네트워크에서 상기 마스크가 미적용된 데이터와 상기 마스크가 복원된 데이터를 비교하여 구별 정보를 출력하는 단계는,
마스크가 복원된 데이터 및 마스크가 미적용된 데이터를 일정한 크기의 이미지 패치로 나누어 이미지 패치 별로 비교하는 것을 특징으로 하는,
소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법.
- 제 8 항에 있어서,
상기 이미지 패치는,
1 픽셀 크기인 것을 특징으로 하는,
소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법.
- 제 7 항에 있어서,
상기 구별 정보에 기초하여 상기 생성 네트워크 및 상기 식별 네트워크를 학습시키는 단계는,
상기 구별 정보로부터 상기 복원알고리즘의 손실함수에 대한 값을 계산하는 단계;
를 포함하는,
소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법.
- 제 7 항에 있어서,
상기 생성 네트워크는,
총 n 개의 레이어로 구성되고,
1 번째 레이어부터 n 번째 레이어까지 순차적으로 연결되고, 그리고
별도로 i 번째 레이어 (i>0, i<n/2)와 n-i+1 번째 레이어가 연결되는 것을 특징으로 하는,
소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하는 방법.
- 컴퓨팅 장치의 하나 이상의 프로세서에 의해 실행되는 복수의 명령들을 포함하는, 컴퓨터 판독가능 저장 매체(computer readable storage medium)에 저장된 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은,
제 1 마스크가 적용된 소스 도메인의 결함 데이터 및 제 1 마스크가 미적용된 소스 도메인의 결함 데이터를 복원알고리즘에 입력시키도록 하는 명령;
제 1 마스크가 복원된 소스 도메인의 결함 데이터를 생성하도록 상기 복원알고리즘을 제 1 훈련시키는 명령;
제 2 마스크가 적용된 소스 도메인의 정상 데이터 및 제 2 마스크가 미적용된 소스 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키도록 하는 명령;
제 2 마스크가 복원된 소스 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 2 훈련시키는 명령;
제 2 마스크가 적용된 타겟 도메인의 정상 데이터 및 제 2 마스크가 미적용된 타겟 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키도록 하는 명령; 및
제 2 마스크가 복원된 타겟 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 3 훈련시키는 명령;
을 포함하는,
컴퓨터 판독가능 저장 매체(computer readable storage medium)에 저장된 컴퓨터 프로그램.
- 소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하기 위한 컴퓨팅 장치로서,
하나 이상의 프로세서; 및
상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리;
를 포함하고,
상기 하나 이상의 프로세서는,
제 1 마스크가 적용된 소스 도메인의 결함 데이터 및 제 1 마스크가 미적용된 소스 도메인의 결함 데이터를 복원알고리즘에 입력시키고,
제 1 마스크가 복원된 소스 도메인의 결함 데이터를 생성하도록 상기 복원알고리즘을 제 1 훈련시키고,
제 2 마스크가 적용된 소스 도메인의 정상 데이터 및 제 2 마스크가 미적용된 소스 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키고,
제 2 마스크가 복원된 소스 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 2 훈련시키고,
제 2 마스크가 적용된 타겟 도메인의 정상 데이터 및 제 2 마스크가 미적용된 타겟 도메인의 정상 데이터를 상기 복원알고리즘에 입력시키고, 그리고
제 2 마스크가 복원된 타겟 도메인의 정상 데이터를 생성하도록 상기 복원알고리즘을 제 3 훈련시키는,
소스 도메인의 결함 데이터를 이용하여 타겟 도메인의 결함 데이터를 생성하기 위한 컴퓨팅 장치.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170107502A KR101992239B1 (ko) | 2017-08-24 | 2017-08-24 | 훈련 데이터를 생성하는 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 |
| US16/641,195 US11605003B2 (en) | 2017-08-24 | 2018-07-30 | Method and device for generating training data and computer program stored in computer-readable recording medium |
| PCT/KR2018/008619 WO2019039757A1 (ko) | 2017-08-24 | 2018-07-30 | 훈련 데이터를 생성하는 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170107502A KR101992239B1 (ko) | 2017-08-24 | 2017-08-24 | 훈련 데이터를 생성하는 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190062716A Division KR20190065989A (ko) | 2019-05-28 | 2019-05-28 | 훈련 데이터를 생성하는 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190021967A KR20190021967A (ko) | 2019-03-06 |
| KR101992239B1 true KR101992239B1 (ko) | 2019-06-25 |
Family
ID=65438913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170107502A KR101992239B1 (ko) | 2017-08-24 | 2017-08-24 | 훈련 데이터를 생성하는 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11605003B2 (ko) |
| KR (1) | KR101992239B1 (ko) |
| WO (1) | WO2019039757A1 (ko) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210057518A (ko) * | 2019-11-12 | 2021-05-21 | 라온피플 주식회사 | 불량 이미지 생성 장치 및 방법 |
| KR102263716B1 (ko) * | 2020-01-22 | 2021-06-10 | 라이트비전 주식회사 | 인공지능 기반 재료 결함 이미지 생성 방법 및 결함 검출시스템 |
| KR102430090B1 (ko) * | 2020-04-20 | 2022-08-11 | 세이지리서치 주식회사 | 사용자 입력에 기반하여 생성된 인공지능 모델을 이용하여 가상 결함 이미지를 생성하기 위한 컴퓨터 프로그램, 방법, 및 장치 |
| US20220301118A1 (en) * | 2020-05-13 | 2022-09-22 | Google Llc | Image replacement inpainting |
| KR102475851B1 (ko) * | 2020-07-14 | 2022-12-09 | 한국생산기술연구원 | 입출력 데이터 생성 및 변형을 이용한 딥러닝 기반 제품 결함 검사 시스템 및 방법 |
| KR102532031B1 (ko) * | 2020-08-25 | 2023-05-15 | 한국과학기술연구원 | 작물 영상 기반 작물 생육 계측 시스템, 및 방법 |
| KR102531368B1 (ko) * | 2020-11-26 | 2023-05-12 | 주식회사 딥핑소스 | 원본 의료 이미지의 영역별로 서로 다른 컨실링 프로세스가 수행되도록 하여 원본 의료 이미지를 컨실링 처리하는 변조 네트워크를 학습하는 방법 및 테스트하는 방법, 그리고 이를 이용한 학습 장치 및 테스트 장치 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001202265A (ja) | 1999-10-08 | 2001-07-27 | General Electric Co <Ge> | 学習能力のある診断システム |
| JP2005156334A (ja) | 2003-11-25 | 2005-06-16 | Nec Tohoku Sangyo System Kk | 疑似不良画像自動作成装置及び画像検査装置 |
| KR101688458B1 (ko) | 2016-04-27 | 2016-12-23 | 디아이티 주식회사 | 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1114553A (ja) * | 1997-06-23 | 1999-01-22 | Omron Corp | 視覚欠陥検査装置における欠陥サンプルデータ出力方法および装置 |
| US6466314B1 (en) * | 1998-09-17 | 2002-10-15 | Applied Materials, Inc. | Reticle design inspection system |
| JP2008139074A (ja) * | 2006-11-30 | 2008-06-19 | Rozefu Technol:Kk | 画像の欠陥検出方法 |
| US8620078B1 (en) | 2009-07-14 | 2013-12-31 | Matrox Electronic Systems, Ltd. | Determining a class associated with an image |
| TWI797699B (zh) * | 2015-12-22 | 2023-04-01 | 以色列商應用材料以色列公司 | 半導體試樣的基於深度學習之檢查的方法及其系統 |
| JP6705777B2 (ja) * | 2017-07-10 | 2020-06-03 | ファナック株式会社 | 機械学習装置、検査装置及び機械学習方法 |
-
2017
- 2017-08-24 KR KR1020170107502A patent/KR101992239B1/ko active IP Right Grant
-
2018
- 2018-07-30 US US16/641,195 patent/US11605003B2/en active Active
- 2018-07-30 WO PCT/KR2018/008619 patent/WO2019039757A1/ko active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001202265A (ja) | 1999-10-08 | 2001-07-27 | General Electric Co <Ge> | 学習能力のある診断システム |
| JP2005156334A (ja) | 2003-11-25 | 2005-06-16 | Nec Tohoku Sangyo System Kk | 疑似不良画像自動作成装置及び画像検査装置 |
| KR101688458B1 (ko) | 2016-04-27 | 2016-12-23 | 디아이티 주식회사 | 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200380373A1 (en) | 2020-12-03 |
| WO2019039757A1 (ko) | 2019-02-28 |
| US11605003B2 (en) | 2023-03-14 |
| KR20190021967A (ko) | 2019-03-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101992239B1 (ko) | 훈련 데이터를 생성하는 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 | |
| KR101916347B1 (ko) | 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램 | |
| CA2941352C (en) | Neural network and method of neural network training | |
| KR20190065989A (ko) | 훈련 데이터를 생성하는 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 | |
| KR102338913B1 (ko) | 혈관내 광단층 영상에서의 생분해성 스텐트를 포함하는 딥러닝 기반 영상 분할 방법 | |
| KR20190041961A (ko) | 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램 | |
| EP4386579A1 (en) | Retrieval model training method and apparatus, retrieval method and apparatus, device and medium | |
| KR20240035302A (ko) | 신경망 모델을 활용한 부분적인 이미지 변환 방법 | |
| KR20190015160A (ko) | 인공 신경망의 훈련 방법 | |
| KR102402194B1 (ko) | 딥러닝 기반 엔드-투-엔드 o-ring 결함 검출 방법 | |
| KR20220112164A (ko) | 목표 물체 검출 방법 및 장치 | |
| KR20220144149A (ko) | 엑스레이 영상에서 골절을 검출하는 방법 | |
| US20190130207A1 (en) | Programmable cellular automata for memory search, recall, simulation, and improvisation | |
| KR102546175B1 (ko) | 얼굴 변환을 수행하는 신경망 모델을 학습시키기 위한 방법 | |
| KR102515935B1 (ko) | 신경망 모델을 위한 학습 데이터 생성 방법 | |
| KR102493900B1 (ko) | 스크린을 자동으로 모델링하는 방법 | |
| KR20230127871A (ko) | 학습용 데이터셋을 생성하기 위한 방법 | |
| KR102070730B1 (ko) | 이미지 세그먼테이션 방법 | |
| KR20220015910A (ko) | 객체 중심 데이터 증강 방법 | |
| KR102558663B1 (ko) | 다양한 이상행동 검출을 수행하는 다중 태스크 네트워크 모델 | |
| KR102649301B1 (ko) | 발화영상의 품질을 향상시키기 위한 모델의 학습 방법 | |
| KR102588998B1 (ko) | 영상에서 이상행동 검출을 위한 딥러닝 모델을 이용하여 태스크를 수행하는 방법 및 장치 | |
| KR20230029469A (ko) | 이상행동 검출을 수행하기 위한 딥러닝 모델을 이용하여 태스크를 수행하는 방법 및 장치 | |
| KR102594562B1 (ko) | 치아 탐지 방법 및 장치 | |
| KR102616081B1 (ko) | 깊이 맵의 특징점을 획득하기 위한 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |