KR102234609B1 - 이미지 데이터베이스 분석 기반 상품 추천 장치 - Google Patents

이미지 데이터베이스 분석 기반 상품 추천 장치 Download PDF

Info

Publication number
KR102234609B1
KR102234609B1 KR1020200091775A KR20200091775A KR102234609B1 KR 102234609 B1 KR102234609 B1 KR 102234609B1 KR 1020200091775 A KR1020200091775 A KR 1020200091775A KR 20200091775 A KR20200091775 A KR 20200091775A KR 102234609 B1 KR102234609 B1 KR 102234609B1
Authority
KR
South Korea
Prior art keywords
image
spatial image
spatial
color
avg
Prior art date
Application number
KR1020200091775A
Other languages
English (en)
Inventor
백윤아
윤대희
Original Assignee
주식회사 어반베이스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 어반베이스 filed Critical 주식회사 어반베이스
Priority to KR1020200091775A priority Critical patent/KR102234609B1/ko
Priority to KR1020210007468A priority patent/KR102485503B1/ko
Application granted granted Critical
Publication of KR102234609B1 publication Critical patent/KR102234609B1/ko
Priority to PCT/KR2021/009473 priority patent/WO2022019670A1/ko
Priority to EP21847334.6A priority patent/EP4184414A1/en
Priority to CN202180060892.2A priority patent/CN116420155A/zh
Priority to JP2023504704A priority patent/JP2023537268A/ja
Priority to US18/156,808 priority patent/US20230153889A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G06K9/46—
    • G06K9/6267—
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0621—Item configuration or customization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06T5/002—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/36—Indoor scenes
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/10—Recognition assisted with metadata

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Processing Or Creating Images (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)

Abstract

본 발명의 일 실시예에 따른 이미지 데이터베이스 분석 기반 상품 추천 장치는 프로세서를 통해, 소정의 공간에 배치된 상품에 대한 이미지 파일을 포함하는 이미지 데이터베이스를 획득하는 동작; 이미지 파일에 포함된 공간의 용도, 사물의 종류, 공간의 스타일 및 색상에 어울리는 배색을 특정하는 메타데이터를 추출하여, 이미지 파일 또는 상품의 상품 정보에 메타데이터를 매핑하는 동작; 공간의 용도, 사물의 종류, 공간의 스타일 및 배색 중 적어도 어느 하나에 대한 카테고리를 결정하는 동작; 및 결정된 카테고리와 대응되는 메타데이터와 매핑되어 있는 이미지 파일 또는 상품 정보를 이미지 데이터베이스에서 검색하여 추천하는 동작을 수행할 수 있다.

Description

이미지 데이터베이스 분석 기반 상품 추천 장치{APPARATUS AND METHOD FOR RECOMMENDING GOODS BASED ON ANALYSIS OF IMAGE DATABASE}
본 발명은 이미지 데이터베이스 분석 기반 상품 추천 장치 및 방법에 관한 것이다.
한국인터넷진흥원(KISA)에 따르면 2019년에 집계된 국내 온라인 쇼핑 시장의 규모는 약 133조 원으로 2018년의 111조 원 대비 약 20% 성장세를 보인다. 이처럼 온라인 쇼핑 시장의 성장세가 가파르게 증가하면서, 온라인 쇼핑 플랫폼에 등록되는 스토어 및 상품의 수가 비약적으로 증가하고 있으며, 소비자들이 오프라인 매장보다 온라인 매장을 통해 물건을 구입하는 비율이 대폭 상승하고 있다.
한편, 오프라인 쇼핑의 형태는 소비자가 매장을 골라 매장 내에 구비된 상품들을 눈으로 확인하여 마음에 드는 상품을 구입하는 형태였다면, 온라인 쇼핑의 형태는 소비자들이 원하는 상품의 키워드를 통해 상품을 검색하여 구입하는 형태로써, 상품이 판매되는 플랫폼이 변화함에 따라 소비자가 상품을 찾게 되는 형태도 달라지고 있다.
그렇기 때문에, 온라인 쇼핑에서는 상품 페이지에 소비자들의 트래픽을 유입시킬 수 있도록 상품과 연관된 키워드를 잘 설정하는 것이 매우 중요해지고 있다. 다만, 국내 상위 10개의 온라인 쇼핑몰에 업로드된 상품의 개수만 하더라도 4억 개가 넘는 상황에서 상품마다의 키워드를 일일이 설정하는 것은 어려운 상황이기 때문에, 온라인 쇼핑몰에는 상품에 대한 이미지 파일만으로 상품의 키워드를 설정할 수 있는 기능의 솔루션이 요구되고 있다.
이때 상품의 이미지를 구성하는 요소는 크게 공간, 사물, 상품이 쓰이는 배경의 스타일(분위기), 색상으로 나눌 수 있다. 구매자가 역시 상품을 검색할 때 상품이 사용되는 공간의 용도, 상품 자체, 공간의 분위기, 공간의 색상을 중요한 요소로 여기기 때문에, 상품의 이미지를 구성하는 요소인 공간, 사물, 스타일, 색상 중 어느 하나의 키워드를 조합하여 검색하게 된다.
이처럼, 상품의 이미지로부터 자동으로 공간, 사물, 스타일, 색상에 대한 키워드를 추출할 수 있는 솔루션이 요구되는 상황에서 도입 가능한 대표적인 기술로는 인공지능을 이용한 이미지 분류 알고리즘들이 있다. 한편, 상품의 이미지로부터 공간, 사물, 스타일, 색상을 정확히 분류해내기 위해서는, 데이터의 품질, 데이터의 수량, 레이블링 방법, 학습의 용이성 등 고려해야 할 요소가 많다. 이에 따라, 다양한 학습 데이터를 생성하고 인공지능 모델의 학습을 용이하게 하면서 정확한 성능을 갖는 모델을 생성시킬 수 있는 기술이 필요한 실정이다.
한국 공개특허공보 제10-2010-0102772호: 실내환경 분석 시스템 및 그 방법
본 발명의 실시예에서 해결하고자 하는 과제는 쇼핑몰이 보유하는 공간, 상품 등에 대한 방대한 이미지를 포함하는 데이터베이스에 대하여, 자동으로 데이터베이스에 포함된 이미지가 나타내는 공간의 용도, 공간 안에 배치된 상품, 공간의 분위기, 공간의 색상과 어울리는 배색을 특정할 수 있는 메타데이터를 추출하는 기술을 제공하고자 한다.
이때 본 발명의 실시예가 사용하는 기술인 이미지 분류 인공지능 알고리즘은 학습에 사용하는 학습 데이터의 양과 질에 따라 모델의 성능에 큰 차이가 발생할 수 있다. 특히, 인공지능 모델의 학습의 경우 한정된 학습 데이터만으로도 우수한 성능을 가진 모델을 만들기 위해서는, 모델이 실제로 사용될 다양한 환경이나 다양한 상황의 변수를 포함하는 학습 데이터를 통해 모델을 학습시키는 것이 중요하다. 본 발명은 공간 이미지가 내포하고 있는 다양한 정보들을 분류하는 모델을 생성함에 있어, 모델이 실제로 사용될 다양한 환경이나 상황의 변수를 포함하는 학습 데이터를 생성하는 데이터 증강 기술을 제시한다.
다만, 본 발명의 실시예가 이루고자 하는 기술적 과제는 이상에서 언급한 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 도출될 수 있다.
본 발명의 일 실시예에 따른 이미지 데이터베이스 분석 기반 상품 추천 장치는 소정의 동작을 수행하도록 하는 명령어들을 저장하는 하나 이상의 메모리; 및 상기 하나 이상의 메모리와 동작할 수 있도록 연결되어 상기 명령어들을 실행하도록 설정된 하나 이상의 프로세서를 포함하고, 상기 프로세서가 수행하는 동작은, 소정의 공간에 배치된 상품에 대한 이미지 파일을 포함하는 이미지 데이터베이스를 획득하는 동작; 상기 이미지 파일에 포함된 공간의 용도, 사물의 종류, 공간의 스타일 및 색상에 어울리는 배색을 특정하는 메타데이터를 추출하여, 상기 이미지 파일 또는 상기 상품의 상품 정보에 상기 메타데이터를 매핑하는 동작; 소정의 상품을 선정하기 위한 카테고리 정보로서, 공간의 용도, 사물의 종류, 공간의 스타일 및 배색 중 적어도 어느 하나에 대한 카테고리를 결정하는 동작; 및 상기 결정된 카테고리와 대응되는 메타데이터와 매핑되어 있는 이미지 파일 또는 상품 정보를 상기 이미지 데이터베이스에서 검색하여 추천하는 동작을 포함할 수 있다.
또한, 상기 카테고리를 결정하는 동작은, 사용자의 공간을 촬영한 제1 이미지를 획득하는 동작; 상기 제1 이미지에 포함된 공간의 용도, 사물의 종류, 공간의 스타일 및 배색을 특정하는 메타데이터를 추출하는 동작; 및 상기 제1 이미지에서 추출된 사물의 종류에 대한 메타데이터를 포함하지 않으면서, 상기 샘플 이미지에서 추출된 공간의 용도, 공간의 스타일 및 배색에 대한 메타데이터를 포함하는 카테고리의 상품 선정을 결정하는 동작을 포함할 수 있다.
또한, 상기 카테고리를 결정하는 동작은, 사용자의 공간을 촬영한 제1 이미지를 획득하는 동작; 상기 제1 이미지에 포함된 공간의 용도, 사물의 종류, 공간의 스타일 및 배색을 특정하는 메타데이터를 추출하는 동작; 및 상기 제1 이미지에서 추출된 사물의 종류에 대한 메타데이터 중 상기 사용자가 선택한 하나의 사물에 대한 메타데이터를 포함하면서, 상기 제1 이미지에서 추출된 공간의 용도, 공간의 스타일 및 배색에 대한 메타데이터를 포함하는 카테고리의 상품 선정을 결정하는 동작을 포함할 수 있다.
또한 상기 메타데이터를 매핑하는 동작은, 공간 이미지에 포함된 공간의 용도를 특정하는 제1 신경망 모델을 이용하여 상기 메타데이터를 추출하는 동작을 더 포함하고, 상기 제1 신경망 모델은 프로세서가, 복수의 공간 이미지를 획득하여 상기 복수의 공간 이미지 각각에 해당하는 공간 정보를 특정하는 클래스를 레이블링하거나, 상기 클래스가 레이블링된 복수의 공간 이미지를 획득하여 학습 데이터를 생성하는 동작; 상기 복수의 공간 이미지 중 제1 공간 이미지가 포함하는 픽셀 정보의 일부 또는 전부를 변경한 제2 공간 이미지를 생성하여 상기 학습 데이터를 증강하는 동작; 상기 제1 공간 이미지에 레이블링된 클래스를 상기 제2 공간 이미지에 레이블링하는 동작; 및 소정의 이미지 분류 알고리즘 기반으로 설계된 모델에 상기 증강된 학습 데이터를 입력하고, 상기 학습 데이터에 포함된 공간 이미지와 상기 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 상기 모델의 가중치를 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 대한 클래스를 판별하는 모델을 생성하는 동작을 수행하여 생성될 수 있다.
또한, 상기 메타데이터를 매핑하는 동작은, 공간 이미지에 포함된 사물의 종류를 특정하는 제2 신경망 모델을 이용하여 상기 메타데이터를 추출하는 동작을 더 포함하고, 상기 제2 신경망 모델은 프로세서가, 제1 사물 이미지를 포함하는 제1 공간 이미지를 획득하여, 상기 제1 공간 이미지가 포함하는 픽셀 정보를 변경한 제2 공간 이미지를 생성하는 동작; 상기 제1 공간 이미지 내의 상기 제1 사물 이미지를 포함하는 영역에 바운딩 박스(bounding box)를 지정하고, 상기 바운딩 박스에 상기 제1 사물 이미지를 특정하는 제1 클래스를 레이블링하는 동작; 소정의 이미지 분류 알고리즘 기반으로 설계된 모델에 상기 제1 공간 이미지를 입력하여, 상기 바운딩 박스 내 상기 제1 사물 이미지와 상기 제1 클래스와의 상관관계를 도출하는 상기 모델의 가중치를 1차 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 포함된 사물 이미지를 특정하고 클래스를 판별하는 모델을 생성하는 동작; 상기 1차 학습된 모델에 상기 제2 공간 이미지를 입력하여, 상기 모델이 상기 제2 공간 이미지 내의 제2 사물 이미지를 특정한 바운딩 박스와 상기 모델이 상기 제2 사물 이미지에 대해 판별한 제2 클래스를 상기 제2 공간 이미지에 레이블링하는 동작; 및 상기 제2 공간 이미지를 기초로 상기 모델의 가중치를 2차 학습시킨 모델을 생성하는 동작을 수행하여 생성될 수 있다.
또한, 상기 메타데이터를 매핑하는 동작은, 공간 이미지에 포함된 공간의 스타일을 특정하는 제3 신경망 모델을 이용하여 상기 메타데이터를 추출하는 동작을 더 포함하고, 상기 제3 신경망 모델은 프로세서가, 복수의 공간 이미지를 획득하여 상기 복수의 공간 이미지 각각에 해당하는 스타일 정보를 특정하는 클래스를 레이블링하거나, 상기 클래스가 레이블링된 복수의 공간 이미지를 획득하여 학습 데이터를 생성하는 동작; 상기 복수의 공간 이미지 중 제1 공간 이미지가 포함하는 픽셀 정보를 소정의 범위 내에서 변경한 제2 공간 이미지를 생성하여 상기 학습 데이터를 증강하는 동작; 상기 제1 공간 이미지에 레이블링된 클래스를 상기 제2 공간 이미지에 레이블링하는 동작; 및 소정의 이미지 분류 알고리즘 기반으로 설계된 모델에 상기 증강된 학습 데이터를 입력하고, 상기 학습 데이터에 포함된 공간 이미지와 상기 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 상기 모델의 가중치를 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지의 스타일에 대한 클래스를 판별하는 모델을 생성하는 동작을 수행하여 생성될 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은, 상기 제1 공간 이미지에 포함된 픽셀 정보의 RGB 정보를 구성하는 (x, y, z) 원소값에 대하여, 소정의 기준값보다 큰 값을 가지는 원소값이 더 큰 값을 갖도록 변경하고, 상기 기준값보다 작은 값을 가지는 원소값이 더 작은 원소값을 갖도록 변경하여 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은,
[수학식 1]
Figure 112020077174013-pat00001
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112020077174013-pat00002
: 상수,
Figure 112020077174013-pat00003
: 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
상기 수학식 1을 기초로 상기 제1 공간 이미지로부터 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한,
상기 제2 공간 이미지를 생성하는 동작은,
[수학식 2]
Figure 112020077174013-pat00004
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112020077174013-pat00005
: 기 설정된 값인 n 이하의 난수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
상기 수학식 2를 기초로 상기 제1 공간 이미지로부터 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은,
[수학식 3]
Figure 112020077174013-pat00006
(R: 픽셀 정보의 RGB 정보 (x, y, z) 중 x, G: 픽셀 정보의 RGB 정보 (x, y, z) 중 y, B: 픽셀 정보의 RGB 정보 (x, y, z) 중 z, Y: 픽셀 정보의 변경 후 원소값 (x', y', z'))
상기 수학식 3을 기초로 상기 제1 공간 이미지로부터 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은,
[수학식 4]
Figure 112020077174013-pat00007
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112020077174013-pat00008
: 상수,
Figure 112020077174013-pat00009
: 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
[수학식 5]
Figure 112020077174013-pat00010
(R: 상기 dst(I)의 (x', y', z') 중 x', G: 상기 dst(I)의 (x', y', z') 중 y', B: 상기 dst(I)의 (x', y', z') 중 z', Y: 픽셀 정보의 변경 후 원소값 (x'', y'', z''))
상기 수학식 4 및 5를 기초로 상기 제1 공간 이미지로부터 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은, 상기 제1 공간 이미지에 포함된 픽셀 정보의 일부에 노이즈 정보를 추가하여 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은,
[수학식 6]
Figure 112020077174013-pat00011
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112020077174013-pat00012
: 난수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
상기 수학식 6을 기초로 상기 제1 공간 이미지의 픽셀 정보에 노이즈 정보를 부가하여 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은, 상기 제1 공간 이미지가 포함하는 픽셀 중 제1 픽셀을 정중앙에 포함하는 NxN (N은 3 이상의 자연수) 행렬 크기에 포함된 복수의 픽셀의 R, G, B 각각의 원소값 중 최대 원소값인 (R_max, G_max, B_max)에서 상기 복수의 픽셀의 R, G, B 각각의 원소 평균값인 (R_avg, G_avg, B_avg)을 뺀 값인 (R_max-R_avg, G_max-G_avg, B_max-B_avg)을 구하고, 상기 (R_max-R_avg, G_max-G_avg, B_max-B_avg)의 원소값 중 어느 하나가 기 설정된 값보다 작은 경우, 상기 제1 픽셀을 블러 처리를 하는 연산을 수행하여 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은, 상기 제1 공간 이미지가 포함하는 모든 픽셀의 개수만큼, 평균 0 및 표준편차 100의 표준 가우시안 정규 분포를 따르는 난수 정보를 생성하고, 상기 모든 픽셀의 각각에 상기 난수 정보 각각을 합산하여 노이즈가 삽입된 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 2차 학습시킨 모델을 생성하는 동작은, 상기 1차 학습된 모델에 상기 제2 공간 이미지를 입력하여, 상기 제2 사물 이미지와 상기 제2 클래스와의 상관관계를 도출하는 모델의 가중치를 2차 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 포함된 사물 이미지를 특정하고 클래스를 판별하는 모델을 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지에 레이블링하는 동작은, 상기 1차 학습된 모델에 상기 제2 공간 이미지를 입력하여, 상기 모델이 상기 제2 사물 이미지에 대해 판별한 제2 클래스를 상기 제1 클래스와 비교하여, 상기 제2 클래스와 상기 제1 클래스가 동일한 경우, 상기 제2 클래스의 값을 유지하고, 상기 제2 클래스와 상기 제1 클래스가 상이한 경우, 상기 제2 클래스의 값을 상기 제1 클래스와 동일한 값으로 수정하는 동작을 포함할 수 있다.
또한, 상기 바운딩 박스는, 하나의 바운딩 박스당 하나의 사물 이미지를 포함하되 바운딩 박스 내부에 사물 이미지의 테두리 영역이 모두 포함되도록 설정될 수 있다.
또한, 상기 메타데이터를 매핑하는 동작의 상기 배색을 특정하는 동작은, 상기 이미지 파일에 포함된 공간 이미지를 입력받는 동작; 상기 공간 이미지를 구성하는 색상의 종류 및 상기 공간 이미지에서 상기 색상의 종류 각각이 사용된 비율을 판별하는 동작; 상기 공간 이미지에 사용된 색상의 비율이 높은 순서로, 상기 공간 이미지를 구성하는 상기 색상 중 일부인 제1 색상을 선별하는 동작; 소프트 및 다이내믹을 원소로 하는 소정의 컬러 이미지 스케일 상에 상기 제1 색상 각각이 위치하는 원소값을 판별하는 동작; 상기 제1 색상 각각이 상기 공간 이미지에서 사용된 비율을 가중치로 하여, 상기 제1 색상 각각의 상기 원소값에 상기 가중치를 가하여 조합한 배색 원소값을 계산하는 동작; 및 상기 컬러 이미지 스케일에 상기 배색 원소값을 포함하는 배색군을 상기 공간 이미지에 어울리는 배색으로 추천하는 동작을 포함할 수 있다.
또한, 상기 비율을 판별하는 동작은, k-means clustering 알고리즘을 기초로 상기 공간 이미지를 분석하여 상기 공간 이미지를 구성하는 색상의 종류 및 상기 공간 이미지에서 상기 색상의 종류 각각이 사용된 비율을 판별하는 동작을 포함할 수 있다.
또한, 상기 제1 색상을 선별하는 동작은, 상기 공간 이미지에 사용된 색상의 비율이 높은 순서로 상기 공간 이미지를 구성하는 n가지(n은 자연수)의 색상을 선별하는 동작; 및 상기 n가지의 색상이 상기 공간 이미지에서 사용된 비율의 합을 100%로 환산하여, 상기 n가지 색상 중 상기 비율이 높은 순서로 상기 비율을 누적하여 합하였을 때 a%(a는 100 이하의 자연수)를 초과할 때까지의 색상을 상기 제1 색상으로 선별하는 동작을 포함할 수 있다.
또한, 상기 배색 원소값을 계산하는 동작은, 상기 제1 색상 각각이 상기 공간 이미지에서 사용된 비율을 가중치로 하여, 상기 제1 색상 각각의 상기 원소값에 가중 산술 평균을 적용하여 상기 배색 원소값을 계산하는 동작을 포함할 수 있다.
또한, 상기 배색 원소값을 계산하는 동작은, 상기 제1 색상 각각이 상기 공간 이미지에서 사용된 비율의 합을 100%로 환산하여 도출된 각각의 비율을 상기 제1 색상 각각의 가중치로 하여, 상기 제1 색상 각각의 상기 2차원 원소값에 가중 산술 평균을 적용하여 상기 배색 원소값을 계산하는 동작을 포함할 수 있다.
또한, 상기 배색 원소값을 계산하는 동작은,
[수학식 7]
Figure 112020077174013-pat00013
Figure 112020077174013-pat00014
(N = 제1 색상의 개수, a = 공간 이미지에서 N 개의 제1 색상들이 사용된 비율의 합을 100%로 환산하였을 때 어느 하나의 제1 색상이 사용된 비율, S: 소프트 원소값, D: 다이내믹 원소값,
Figure 112020077174013-pat00015
: 제1 색상들의 소프트 값에 대한 가중 산술 평균 원소값,
Figure 112020077174013-pat00016
: 제1 색상들의 다이내믹 값에 대한 가중 산술 평균 원소값)
상기 수학식 7을 기초로 계산될 수 있다.
본 발명의 일 실시예에 따른 이미지 데이터베이스 분석 기반 상품 추천 장치가 수행하는 이미지 데이터베이스 분석 기반 상품 추천 방법은, 소정의 공간에 배치된 상품에 대한 이미지 파일을 포함하는 이미지 데이터베이스를 획득하는 단계; 상기 이미지 파일에 포함된 공간의 용도, 사물의 종류, 공간의 스타일 및 색상에 어울리는 배색을 특정하는 메타데이터를 추출하여, 상기 이미지 파일 또는 상기 상품의 상품 정보에 상기 메타데이터를 매핑하는 단계; 소정의 상품을 선정하기 위한 카테고리 정보로서, 공간의 용도, 사물의 종류, 공간의 스타일 및 배색 중 적어도 어느 하나에 대한 카테고리를 결정하는 단계; 및 상기 결정된 카테고리와 대응되는 메타데이터와 매핑되어 있는 이미지 파일 또는 상품 정보를 상기 이미지 데이터베이스에서 검색하여 추천하는 단계를 포함할 수 있다.
본 발명의 실시예에 따르면, 쇼핑몰이 보유하는 많은 양의 이미지를 포함하는 데이터베이스에 대하여, 자동으로 데이터베이스에 포함된 이미지가 나타내는 공간의 용도, 공간 안에 배치된 상품, 공간의 분위기, 공간의 색상과 어울리는 배색을 특정한 메타데이터를 생성하여, 쇼핑몰 관리자에게 상품 정보 관리의 편의를 제공하며, 쇼핑몰 사용자에게 상품 검색이나 상품 선정에 편의를 제공해 줄 수 있다.
또한, 본 발명의 실시예가 사용하는 이미지 분류 모델을 학습시킴에 있어서, 같은 공간을 촬영하더라도 촬영하는 카메라의 특성, 촬영 시간, 촬영하는 사람의 습관 등 실제 다양한 환경이나 상황에 의해, 같은 공간을 촬영하는 경우에도 생성되는 이미지가 달라질 수 있다는 변수를 학습할 수 있도록, 원본 학습 데이터를 변형 시켜 다양한 학습 데이터를 확보하는 데이터 증강 기술을 통해 학습 데이터의 수량을 증가시키면서도 고품질의 학습 데이터를 확보할 수 있다. 이때, 본 발명의 실시예는 증강된 학습 데이터에 대한 클래스를 원본 학습 데이터와 동일하게 레이블링하여 레이블링 과정을 자동화함으로써, 학습이 용이하면서 성능이 향상된 이미지 분류 모델을 제공할 수 있다.
이러한 이미지 분류 모델을 사용하여, 온라인 쇼핑몰은 상품의 이미지만으로 상품과 연관된 키워드를 사용함으로써 상품 페이지에 소비자들의 트래픽을 효과적으로 유입시킬 수 있으며, 소비자 또한 자신이 원하는 이미지를 이용하여 자신에게 필요한 키워드를 찾아 검색에 이용할 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 본 발명의 일 실시예에 따른 이미지 데이터베이스 분석 기반 상품 추천 장치가 공간의 용도, 사물의 종류, 공간의 스타일 및 공간과 어울리는 배색을 특정하여 상품을 추천하는 모습을 나타내는 예시도이다.
도 2는 본 발명의 일 실시예에 따른 이미지 데이터베이스 분석 기반 상품 추천 장치의 기능 블록도이다.
도 3은 본 발명의 일 실시예에 따른 이미지 데이터베이스 분석 기반 상품 추천 장치의 동작 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 이미지 데이터베이스 분석 기반 상품 추천 장치가 사물의 종류를 판별하는 신경망 모델을 학습시키는 동작의 예시도이다.
도 5는 본 발명의 일 실시예에 따라 공간에 대한 스타일을 분류하는 신경망이 판별하는 클래스를 설명하기 위한 예시도이다.
도 6은 이미지 데이터베이스 분석 기반 상품 추천 장치가 제1 공간 이미지(a)의 픽셀 정보를 소정 범위 내로 변경시킨 제2 공간 이미지(b)의 예시도이다.
도 7은 이미지 데이터베이스 분석 기반 상품 추천 장치가 제1 공간 이미지(a)의 픽셀 정보를 소정 범위 내로 변경시킨 제2 공간 이미지(b)의 예시도이다.
도 8A는 제1 공간 이미지에 포함된 픽셀 정보에 그레이 스케일을 적용하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
도 8B는 제1 공간 이미지에 포함된 픽셀 정보의 일부에 노이즈를 추가하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
도 9는 제1 공간 이미지에 포함된 사물의 테두리 영역을 구분하고, 테두리가 아닌 영역에 블러를 적용하여 제2 공간 이미지를 생성하는 방법을 설명하기 위한 예시도이다.
도 10은 제1 공간 이미지에 가우시안 정규 분포에 따른 노이즈 정보를 추가하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
도 11은 본 발명의 일 실시예에 따른 이미지 데이터베이스 기반 상품 추천 장치가 공간 이미지에 주로 사용된 5가지 색상과 사용 비율을 추출하는 동작을 설명하기 위한 예시도이다.
도 12는 색상들을 소프트 및 다이내믹을 축으로 하는 2차원 좌표 평면에 배치한 컬러 이미지 스케일의 예시도이다.
도 13은 컬러 이미지 스케일상의 색상들에 대해서 소프트 값 및 다이내믹 값의 범위를 기준으로 분류한 그룹들의 예시도이다.
도 14는 컬러 팔레트에 포함된 색상들을 R, G, B를 축으로 하는 3차원 좌표 평면에 배치한 예시도이다.
본 발명의 이점 및 특징,　그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다.　　그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있으며,　단지 본 실시예들은 본 발명의 개시가 완전하도록 하고,　본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며,　본 발명의 범주는 청구항에　의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 자세한 설명은 본 발명의 실시예들을 설명함에 있어 실제로 필요한 경우 외에는 생략될 것이다.　　그리고 후술되는 용어들은 본 발명의 실시예에서의 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.
도면에 표시되고 아래에 설명되는 기능 블록들은 가능한 구현의 예들일 뿐이다. 다른 구현들에서는 상세한 설명의 사상 및 범위를 벗어나지 않는 범위에서 다른 기능 블록들이 사용될 수 있다. 또한 본 발명의 하나 이상의 기능 블록이 개별 블록들로 표시되지만, 본 발명의 기능 블록 중 하나 이상은 동일 기능을 실행하는 다양한 하드웨어 및 소프트웨어 구성의 조합일 수 있다.
또한 어떤 구성 요소들을 포함한다는 표현은 개방형의 표현으로서 해당 구성 요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성 요소들을 배제하는 것으로 이해되어서는 안 된다.
나아가 어떤 구성 요소가 다른 구성 요소에 연결되어 있다거나 접속되어 있다고 언급될 때에는, 그 다른 구성 요소에 직접적으로 연결 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 한다.
또한 '제1, 제2' 등과 같은 표현은 복수의 구성을 구분하기 위한 용도로만 사용된 표현으로써, 구성들 사이의 순서나 기타 특징들을 한정하지 않는다.
이하에서는 도면들을 참조하여 본 발명의 실시예들에 대해 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 이미지 데이터베이스 분석 기반 상품 추천 장치(100)가 공간의 용도, 사물의 종류, 공간의 스타일 및 공간과 어울리는 배색을 특정하여 상품을 추천하는 모습을 나타내는 예시도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 이미지 데이터베이스 분석 기반 상품 추천 장치(100)는 복수의 이미지 파일을 포함하는 이미지 데이터베이스에 대하여, 이미지에 포함된 공간의 용도, 사물의 종류, 공간의 스타일, 공간의 색상과 어울리는 배색을 특정하는 메타데이터를 추출하여 이미지 데이터베이스의 이미지 파일과 매핑하는 과정을 거쳐, 쇼핑몰 등이 보유한 이미지 데이터베이스에 상술한 메타데이터가 매핑되도록 업데이트 할 수 있으며, 쇼핑몰 등의 서비스 제공자는 이러한 메타데이터가 매핑되어 있는 이미지 데이터베이스를 이용하여 사용자에게 적합한 상품을 추천하는 동작을 수행할 수 있다. 이미지 데이터베이스 분석 기반 상품 추천 장치(100)는 이미지로부터 상술한 메타데이터를 추출하기 위해, 후술할 신경망 모델과 배색 추천 알고리즘을 활용할 수 있다.
도 2는 본 발명의 일 실시예에 따른 이미지 데이터베이스 분석 기반 상품 추천 장치(100)의 기능 블록도이다.
도 2를 참조하면, 일 실시예에 따른 이미지 데이터베이스 분석 기반 상품 추천 장치(100)는 메모리(110), 프로세서(120), 입력 인터페이스(130), 디스플레이부(140) 및 통신 인터페이스(150)를 포함할 수 있다.
메모리(110)는 학습 데이터 DB(111), 신경망 모델(113), 공간 이미지 DB(115), 색상 데이터 DB(117) 및 명령어 DB(119)를 포함할 수 있다.
학습 데이터 DB(111)는 실내 공간, 외부 공간 등 특정한 공간을 촬영한 공간 이미지 파일을 포함할 수 있다. 공간 이미지는 외부 서버, 외부 DB를 통해 획득하거나 인터넷상의 공간 이미지를 획득할 수 있다. 이때 공간 이미지는 다수의 픽셀(ex. 가로 M개, 세로 N개 행렬 형태로 구성된 M*N 개의 픽셀)로 구성될 수 있고, 각각의 픽셀은 R(Red), G(Green), B(Blue)의 고유 색상을 나타내는 RGB 원소값 (x, y, z)으로 구성된 픽셀 정보를 포함할 수 있다.
신경망 모델(113)은 이미지에 포함된 공간의 용도를 판별하는 제1 신경망 모델, 이미지에 포함된 사물의 종류를 판별하는 제2 신경망 모델, 이미지에 포함된 공간의 스타일을 판별하는 제3 신경망 모델을 포함할 수 있다. 제1 내지 제3 신경망 모델은 상술한 각 목적에 따라 이미지에 포함된 특정 정보를 특정하는 클래스를 판별하도록 이미지 분류 인공지능 알고리즘 기반으로 학습된 인공지능 모델일 수 있다. 인공지능 모델은 후술할 프로세서(120)의 동작에 의해 생성되어 메모리(110)에 저장될 수 있다.
공간 이미지 DB(115)는 소정의 공간에 배치된 객체(ex. 상품)들을 포함하는 공간 이미지 파일을 포함할 수 있다. 공간 이미지는 외부 서버, 외부 DB를 통해 획득하거나 인터넷상의 공간 이미지를 획득할 수 있다. 이때 공간 이미지는 다수의 픽셀(ex. 가로 M개, 세로 N개 행렬 형태로 구성된 M*N 개의 픽셀)로 구성될 수 있고, 각각의 픽셀은 R(Red), G(Green), B(Blue)의 고유 색상을 나타내는 RGB 원소값 (x, y, z)으로 구성된 픽셀 정보를 포함할 수 있다.
색상 데이터 DB(117)는 복수의 색상에 대한 RGB 정보를 포함하는 컬러 팔레트, 다양한 원소값(ex. 소프트, 다이내믹, 명도, 채도, 색상 등)에 따라 색상을 분류할 수 있는 컬러 이미지 스케일을 포함할 수 있다.
명령어 DB(119)는 프로세서(120)의 동작을 수행시킬 수 있는 명령어들을 저장할 수 있다. 예를 들어, 명령어 DB(119)는 후술할 프로세서(120)의 동작들과 대응되는 동작을 수행하도록 하는 컴퓨터 코드를 저장할 수 있다.
프로세서(120)는 이미지 데이터베이스 분석 기반 상품 추천 장치(100)가 포함하는 구성들, 메모리(110), 입력 인터페이스(130), 디스플레이부(140) 및 통신 인터페이스(150)의 전반적인 동작을 제어할 수 있다. 프로세서(120)는 레이블링 모듈(121), 증강 모듈(122), 학습 모듈(123), 색상 판별 모듈(124), 배색 판별 모듈(125), DB 생성 모듈(126) 및 제어 모듈(127)을 포함할 수 있다. 프로세서(120)는 메모리(110)에 저장된 명령어들을 실행해 레이블링 모듈(121), 증강 모듈(122), 학습 모듈(123), 색상 판별 모듈(124), 배색 판별 모듈(125), DB 생성 모듈(126) 및 제어 모듈(127)을 구동시킬 수 있고, 레이블링 모듈(121), 증강 모듈(122), 학습 모듈(123), 색상 판별 모듈(124), 배색 판별 모듈(125), DB 생성 모듈(126) 및 제어 모듈(127)에 의해 수행되는 동작은 프로세서(120)에 의해 수행되는 동작으로 이해될 수 있다.
레이블링 모듈(121)은 복수의 공간 이미지 각각의 이미지가 나타내는 공간의 용도(ex. 거실, 주방, 화장실, 침실 등), 사물의 종류(ex. 액자, 침대, 카펫, TV 등), 공간의 스타일(ex. 모던, 로맨틱, 클래식, 내추럴, 캐주얼, 북유럽, 빈티지 등)을 특정하는 클래스를 레이블링(매핑)하여 인공지능 모델의 학습에 사용될 학습 데이터를 생성하고 학습 데이터 DB(111)에 저장할 수 있다. 레이블링 모듈(121)은 외부 서버, 외부 DB를 통해 공간 이미지를 획득하거나 인터넷상의 공간 이미지를 획득할 수 있다. 공간 이미지에는 특정 정보를 특정하는 클래스가 기 레이블링 되어 있을 수 있다.
증강 모듈(122)은 학습 데이터 DB(111)에 저장된 공간 이미지(증강 모듈이 변형을 가하지 않은 공간 이미지를 이하, '제1 공간 이미지'로 지칭)가 포함하는 픽셀 정보를 소정 범위 내에서 변경한 공간 이미지(증강 모듈이 변형을 가한 공간 이미지를 이하, '제2 공간 이미지'로 지칭)를 생성하여 학습 데이터를 증강하고, 제2 공간 이미지를 학습 데이터 DB(111)에 추가하여 저장할 수 있다. 이때 레이블링 모듈(121)은 새롭게 생성되어 레이블링이 수행되기 전의 제2 공간 이미지에 대하여, 제1 공간 이미지에 레이블링된 클래스를 제2 공간 이미지에 레이블링하도록 하여, 증강된 학습 데이터에 대한 레이블링 과정을 자동화함으로써 레이블링 시간을 단축시킬 수 있다.
공간 이미지는 같은 공간이 촬영되는 것이라도 촬영에 사용되는 카메라의 특성, 촬영이 행해지는 시간, 촬영하는 사람의 습관 등 실제 공간 이미지가 생성되는 다양한 환경이나 상황에 의해, 동일한 공간을 촬영하는 경우라도 다양한 변수에 의해 이미지 파일에 포함되는 정보가 달라질 수 있다. 따라서, 인공지능 모델의 성능 향상을 위해서는 학습에 사용되는 데이터의 양과 질이 중요하다. 특히, 촬영에 사용되는 카메라의 특성, 촬영 시간, 촬영하는 사람의 습관에 따라 발생할 수 있는 변수들을 학습할 수 있도록, 증강 모듈(122)은 하나의 공간 이미지에 대하여 실제로 발생할 수 있는 변수를 반영하는 도 7 내지 도 10의 데이터 증강 알고리즘을 통해 학습 데이터의 수량을 증가시킬 수 있다.
학습 모듈(123)은 이미지 분류 알고리즘 기반으로 설계된 모델에 증강된 학습 데이터를 입력하여, 학습 데이터에 포함된 공간 이미지와 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 가중치를 학습시킴으로써, 가중치의 상관관계를 기초로 새롭게 입력되는 공간 이미지에 대한 클래스를 판별하는 인공지능 모델을 생성할 수 있다. 예를 들어, 학습 모듈(123)은 이미지 분류 알고리즘을 기초로 설계된 신경망의 입력 레이어에 학습 데이터에 포함된 공간 이미지가 입력되도록 설정하고, 출력 레이어에 공간 이미지 각각이 나타내는 스타일이 레이블링된 클래스가 입력되도록 설정하여, 학습 데이터에 포함된 공간 이미지와 공간 이미지 각각에 레이블링된 스타일 클래스와의 상관관계를 도출하도록 신경망의 가중치를 학습시켜 신경망을 생성할 수 있다.
이러한 이미지 분류 알고리즘은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 머신러닝 알고리즘을 포함한다. 본 발명의 실시예는 ResNet, LeNet-5, AlexNet, VGG-F, VGG-M, VGG-S, VGG-16, VGG-19, GoogLeNet, SENet, R-CNN, Fast R-CNN, Faster R-CNN, 또는 SSD의 알고리즘에 따라 설계된 인공지능 모델을 통해 학습을 진행할 수 있다.
인공지능 모델은 시냅스의 결합으로 네트워크를 형성한 노드들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공지능 모델은 모델을 구성하는 레이어 사이의 가중치인, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 레이어 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼 파라미터는 머신러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 네트워크 계층 수(num_layer), 학습 데이터 개수(num_training_samples), 클래스 개수(num_classes), 학습률(Learning Rate), 학습 횟수(epochs), 미니 배치 크기(mini_batch_size), 손실 함수(optimizer) 등이 포함된다.
본 발명의 일 실시예에 따른 제1 신경망 모델의 하이퍼 파라미터는 아래와 같은 설정값을 가질 수 있다. 예를 들어, 네트워크 계층 수는 이미지의 크기가 큰 학습 데이터일 경우 [18, 34, 50, 101, 152, 200] 사이에서 선택될 수 있다. 이때 네트워크 계층 수는 학습 시간을 고려하여 초깃값 18로 학습되다가 소정 개수의 학습 데이터가 학습된 이후에는 34 로 변경될 수 있고, 이에 따라 정확도가 향상될 수 있다. 학습 데이터 개수는 전체 이미지 데이터에서 평가 데이터의 개수를 뺀 값으로, 총 79,756장 중에서 63,806장이 학습 데이터로 사용될 수 있고, 나머지 16,625장은 평가 데이터로 사용될 수 있다. 클래스 개수는 거실/방/주방/욕실로 분류되는 4가지의 클래스를 포함할 수 있다. 미니 배치 크기는 크기값에 따라 수렴 속도 및 최종 loss 값에 차이가 있으므로 [32, 64, 128, 256] 등의 크기를 각각 시도하여 적절한 값을 선택할 수 있고, 바람직하게 128 또는 256의 크기가 설정될 수 있다. 학습 횟수는 10 내지 15 어느 하나의 값으로 설정될 수 있다. 학습률은 0.005 또는 0.01로 설정될 수 있다. 손실함수(목적함수)는 기본값인 SGD로 설정될 수 있고, 또는 이미지 분류에 적합한 Adam으로 설정될 수 있다. 다만, 상술한 설정값들은 일 예시일 뿐 실시예들이 위 수치에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 제3 신경망 모델의 하이퍼 파라미터는 아래와 같은 설정값을 가질 수 있다. 예를 들어, 네트워크 계층 수는 이미지의 크기가 큰 학습 데이터일 경우 [18, 34, 50, 101, 152, 200] 사이에서 선택될 수 있다. 이때 네트워크 계층 수는 학습 시간을 고려하여 초깃값 18로 학습되다가 소정 개수의 학습 데이터가 학습된 이후에는 34 로 변경될 수 있고, 이에 따라 정확도가 향상될 수 있다. 학습 데이터 개수는 전체 이미지 데이터에서 평가 데이터의 개수를 뺀 값으로, 총 83,134장 중에서 66,509장이 학습 데이터로 사용될 수 있고, 나머지 16,625장은 평가 데이터로 사용될 수 있다. 클래스 개수는 모던/로맨틱/클래식/내추럴/캐주얼/북유럽/빈티지로 분류되는 7가지의 클래스를 포함할 수 있다. 미니 배치 크기는 크기값에 따라 수렴 속도 및 최종 loss 값에 차이가 있으므로 [32, 64, 128, 256] 등의 크기를 각각 시도하여 적절한 값을 선택할 수 있고, 바람직하게 128 또는 256의 크기가 설정될 수 있다. 학습 횟수는 10 내지 15, 또는 30 중 어느 하나의 값으로 설정될 수 있다. 학습률은 0.005 또는 0.01로 설정될 수 있다. 손실함수(목적함수)는 기본값인 SGD로 설정될 수 있고, 또는 이미지 분류에 적합한 Adam으로 설정될 수 있다. 다만, 상술한 설정값들은 일 예시일 뿐 실시예들이 위 수치에 한정되는 것은 아니다.
인공지능 모델의 학습 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공지능 모델의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
색상 판별 모듈(124)은 배색 추천을 위해 입력된 공간 이미지를 구성하는 색상의 종류를 판별할 수 있고, 공간 이미지를 구성하는 색상의 종류 각각이 사용된 비율을 판별할 수 있다. 예를 들어, 색상 판별 모듈(124)은 k-means clustering 알고리즘(참고문헌: https://en.wikipedia.org/wiki/K-means_clustering)을 이용하여 공간 이미지를 구성하는 색상의 종류 및 공간 이미지에서 색상의 종류 각각이 사용된 비율을 판별할 수 있으나, 본 발명의 실시예가 예시된 알고리즘에만 한정되는 것은 아니다.
배색 판별 모듈(125)은 선별된 제1 색상 각각이 가지는 RGB 정보를 기초로 소프트 및 다이내믹을 원소로 하는 소정의 컬러 이미지 스케일상의 제1 색상의 위치를 판별하여 제1 색상이 갖는 소프트(soft) 원소값 및 색상의 다이내믹(dynamic) 원소값을 판별할 수 있다.
DB 생성 모듈(126)은 웹상에서 주로 사용되는 색상들을 기준으로 컬러 이미지 스케일을 생성할 수 있다. 이 부분은 도 11 내지 도 14와 함께 후술하기로 한다.
입력 인터페이스(130)는 사용자의 입력을 수신할 수 있다. 예를 들면, 학습 데이터에 대한 클래스를 레이블링하는 경우 사용자의 입력을 수신할 수 있다.
디스플레이부(140)는 디스플레이 패널을 포함하여 화상을 출력하는 하드웨어 구성을 포함할 수 있다.
통신 인터페이스(150)는 외부 장치(ex. 외부 DB 서버, 사용자 단말 등)와 통신하여 정보를 송수신 할 수 있게 한다. 이를 위해, 통신 인터페이스(150)는 무선 통신 모듈 또는 유선 통신 모듈을 포함할 수 있다.
도 3은 본 발명의 일 실시예에 따른 이미지 데이터베이스 분석 기반 상품 추천 장치(100)의 동작 흐름도이다. 이미지 데이터베이스 분석 기반 상품 추천 장치(100)의 동작은 제어 모듈(127)의 제어에 따라 동작되는 것으로 이해될 수 있다.
도 3을 참조하면, 제어 모듈(127)은 소정의 공간에 배치된 상품에 대한 이미지 파일을 포함하는 이미지 데이터베이스를 획득할 수 있다(S210). 이미지 데이터베이스는 공간 이미지 DB(115) 또는 외부로부터 획득한 DB를 포함할 수 있다.
이후, 제어 모듈(127)은 이미지 데이터베이스의 이미지 파일에 포함된 공간에 대한 용도, 이미지 파일에 포함된 사물의 종류, 이미지 파일에 포함된 공간의 스타일 및 이미지 파일에 포함된 공간의 색상에 어울리는 배색을 특정하는 메타데이터를 추출하여, 이미지 파일 또는 상품의 상품 정보에 메타데이터를 매핑할 수 있다(S220). 제어 모듈(127)은 공간의 용도, 사물의 종류, 공간의 스타일 특정을 위해 신경망 모델(113)에 포함된 제1 내지 제3 신경망을 이용할 수 있다. 제어 모듈(127)은 배색 특정을 위해 색상 판별 모듈(124) 및 배색 판별 모듈(125)에 의한 배색 추천 알고리즘을 활용할 수 있다.
이후, 제어 모듈(127)은 소정의 상품을 선정하기 위한 카테고리 정보로서, 공간의 용도, 사물의 종류, 공간의 스타일 및 배색 중 적어도 어느 하나에 대한 카테고리를 결정할 수 있다(S230).
이후, 제어 모듈(127)은 결정된 카테고리와 대응되는 메타데이터와 매핑된 이미지 파일 또는 상품 정보를 이미지 데이터베이스에서 검색하여 추천할 수 있다(S240).
본 발명의 일 실시예에 따라 카테고리를 결정하는 동작은, 사용자의 공간을 촬영한 제1 이미지를 획득하는 동작, 제1 이미지에 포함된 공간의 용도, 사물의 종류, 공간의 스타일 및 배색을 특정하는 메타데이터를 추출하는 동작 및 제1 이미지에서 추출된 사물의 종류에 대한 메타데이터를 포함하지 않으면서, 샘플 이미지에서 추출된 공간의 용도, 공간의 스타일 및 배색에 대한 메타데이터를 포함하는 카테고리의 상품 선정을 결정하는 동작을 포함할 수 있다. 이에 따라, 사용자는 자신의 공간에 포함되지 않은 상품 중에서 자신의 공간에 어울리는 상품을 추천받을 수 있다.
본 발명의 일 실시예에 따라 카테고리를 결정하는 동작은, 사용자의 공간을 촬영한 제1 이미지를 획득하는 동작, 제1 이미지에 포함된 공간의 용도, 사물의 종류, 공간의 스타일 및 배색을 특정하는 메타데이터를 추출하는 동작 및 제1 이미지에서 추출된 사물의 종류에 대한 메타데이터 중 상기 사용자가 선택한 하나의 사물에 대한 메타데이터를 포함하면서, 제1 이미지에서 추출된 공간의 용도, 공간의 스타일 및 배색에 대한 메타데이터를 포함하는 카테고리의 상품 선정을 결정하는 동작을 포함할 수 있다. 이에 따라, 사용자는 자신의 공간에 대해 결정된 카테고리와 자신이 추가로 결정한 상품 카테고리를 기반으로 적합한 상품을 추천받을 수 있다.
이하, 이미지 데이터베이스 분석 기반 상품 추천 장치(100)가 이미지 데이터베이스에 포함된 이미지 파일에 메타 데이터를 매핑하기 위해 사용하는 제1 내지 제3 신경망 모델의 생성 동작을 각각 설명한다.
일 실시예에 따라 제1 신경망을 생성하는 동작은 다음의 동작을 포함할 수 있다.
먼저, 레이블링 모듈(121)은 복수의 공간 이미지를 획득하여 복수의 공간 이미지 각각에 해당하는 공간 정보를 특정하는 클래스를 레이블링하거나, 클래스가 레이블링된 복수의 공간 이미지를 획득하여 학습 데이터를 생성한다. 이후, 증강 모듈(122)은 복수의 공간 이미지 중 제1 공간 이미지가 포함하는 픽셀 정보의 일부 또는 전부를 변경한 제2 공간 이미지를 생성하여 학습 데이터를 증강시킨다. 다음으로, 레이블링 모듈(121)은 제1 공간 이미지에 레이블링된 클래스를 제2 공간 이미지에 레이블링한다. 이에 따라, 학습 모듈(123)는 소정의 이미지 분류 알고리즘 기반으로 설계된 모델에 증강된 학습 데이터를 입력하여, 학습 데이터에 포함된 공간 이미지와 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 모델의 가중치를 학습시킴으로써, 상관관계를 기초로 공간 이미지에 대한 클래스를 판별하는 모델을 생성할 수 있다.
도 4는 본 발명의 일 실시예에 따른 이미지 데이터베이스 분석 기반 상품 추천 장치(100)가 사물을 분류하는 제2 신경망 모델을 학습시키는 동작의 예시도이다.
도 4를 참조하면, 일 실시예에 따라 제2 신경망을 생성하는 동작은 다음의 동작을 포함할 수 있다.
증강 모듈(122)은 제1 사물 이미지를 포함하는 제1 공간 이미지를 획득하여, 제1 공간 이미지가 포함하는 픽셀 정보 중 일부 또는 전부를 변경한 제2 공간 이미지를 생성할 수 있다(S310). 레이블링 모듈(121)은 제1 공간 이미지 내의 제1 사물 이미지를 포함하는 영역에 바운딩 박스(bounding box)를 지정하고, 바운딩 박스에 제1 사물 이미지를 특정하는 제1 클래스를 제1 공간 이미지에 레이블링할 수 있다(S320). 학습 모듈(123)은 이미지 분류 알고리즘 기반으로 설계된 모델에 레이블링된 제1 공간 이미지를 입력하여, 제1 공간 이미지로부터 바운딩 박스 내 제1 사물 이미지의 위치와, 제1 공간 이미지로부터 제1 사물 이미지의 제1 클래스와의 상관관계를 도출하는 인공지능 모델의 가중치를 1차 학습시킴으로써 가중치에 학습된 상관관계를 기초로 공간 이미지에 포함된 사물 이미지의 위치를 특정하고 사물 이미지의 클래스를 판별하는 모델을 생성할 수 있다(S330). 이후, 레이블링 모듈(121)은 1차 학습된 모델에 제2 공간 이미지를 입력하여, 1차 학습된 인공지능 모델이 제2 공간 이미지 내의 제2 사물 이미지를 특정한 바운딩 박스와 1차 학습된 인공지능 모델이 제2 사물 이미지에 대해 판별한 제2 클래스를 제2 공간 이미지에 레이블링할 수 있다(S340). 이때 레이블링 모듈(121)은 1차 학습된 모델에 제2 공간 이미지를 입력하여, 인공지능 모델이 제2 사물 이미지에 대해 판별한 제2 클래스를 제1 클래스와 비교하여, 제2 클래스와 제1 클래스가 동일한 경우, 제2 클래스의 값을 유지하고, 제2 클래스와 제1 클래스가 상이한 경우, 제2 클래스의 값을 제1 클래스와 동일한 값으로 수정하는 동작을 수행하여, 1차 학습된 모델의 오류를 정정하여 레이블링할 수 있다(S345). 제2 공간 이미지가 제1 공간 이미지로부터 변형되더라도 각각의 이미지가 포함하는 사물의 클래스는 동일하기 때문에 위와 같은 방법으로 1차 학습된 모델의 오류를 정정하여 아웃라이어 데이터를 제거할 수 있다.
이에 따라, 학습 모듈(123)은 레이블링이 완료된 제2 공간 이미지를 기초로 1차 학습이 완료된 인공지능 모델의 재학습을 수행하여 인공지능 모델의 가중치를 2차 학습시킨 모델을 생성할 수 있다(S350). 구체적으로, 학습 모듈(123)은 2차 학습을 위해, 1차 학습이 수행된 인공지능 모델에 레이블링된 제2 공간 이미지를 입력하여, 제2 공간 이미지로부터 바운딩 박스 내 제2 사물 이미지의 위치와, 제2 공간 이미지로부터 제2 사물 이미지의 제2 클래스와의 상관관계를 도출하는 인공지능 모델의 가중치를 2차 학습시킴으로써 가중치에 학습된 상관관계를 기초로 공간 이미지에 포함된 사물 이미지의 위치를 특정하고 사물 이미지의 클래스를 판별하는 모델을 생성할 수 있다.
이때 레이블링 모듈(121)은 사물 정보를 특정하는 복수의 클래스(ex. book, sofa, photo frame, curtain, carpet 등)를 저장한 세트를 생성하여 학습 데이터 DB에 저장하고, S320 단계의 레이블링 시에 제1 공간 이미지 내의 제1 사물 이미지의 영역에 제1 사물 이미지를 특정하기 위한 바운딩 박스(bounding box)가 지정되면, 학습 데이터 DB에 저장된 세트를 출력하여 제1 사물 이미지를 특정하는 제1 클래스를 레이블링을 수행하는 사용자로부터 선택받아, 제1 사물 이미지를 포함하는 바운딩 박스 영역에 제1 클래스를 레이블링하여 사물 이미지가 특정된 학습 데이터를 생성할 수 있다. 이때 바운딩 박스는 하나의 바운딩 박스당 하나의 사물 이미지를 포함하되 바운딩 박스 내부에 사물 이미지의 테두리 영역이 모두 포함되도록 설정될 수 있다.
일 실시예에 따라 제3 신경망을 생성하는 동작은 다음의 동작을 포함할 수 있다.
레이블링 모듈(121)은 복수의 공간 이미지를 획득하여 복수의 공간 이미지 각각에 해당하는 스타일 정보를 특정하는 클래스를 레이블링하거나, 클래스가 레이블링된 복수의 공간 이미지를 획득하여 학습 데이터를 생성한다. 이후, 증강 모듈(122)은 복수의 공간 이미지 중 제1 공간 이미지가 포함하는 픽셀 정보를 소정의 범위 내로 변경한 제2 공간 이미지를 생성하여 학습 데이터를 증강시킨다. 다음으로, 레이블링 모듈(121)은 제1 공간 이미지에 레이블링된 클래스를 제2 공간 이미지에 레이블링한다. 이에 따라, 학습 모듈(123)는 소정의 이미지 분류 알고리즘 기반으로 설계된 모델에 증강된 학습 데이터를 입력하여, 학습 데이터에 포함된 공간 이미지와 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 모델의 가중치를 학습시킴으로써, 상관관계를 기초로 공간 이미지의 스타일에 대한 클래스를 판별하는 모델을 생성할 수 있다.
도 5는 본 발명의 일 실시예에 따라 공간에 대한 스타일을 분류하는 제3 신경망이 판별하는 클래스를 설명하기 위한 예시도이다.
도 5를 참조하면, 상술한 제3 신경망은 입력되는 공간 이미지가 나타내는 스타일을 구분하도록 학습되어 공간의 스타일에 대한 클래스를 판별할 수 있다. 예를 들어, 공간 이미지의 클래스는 모던 스타일, 로맨틱 스타일, 클래식 스타일, 내추럴 스타일, 캐주얼 스타일, 북유럽 스타일, 빈티지 스타일을 포함할 수 있다.
도 5(a)는 모던 스타일의 클래스로 분류되는 공간 이미지에 대한 예시이다. 모던 스타일은 심플하고 현대적인 인테리어 스타일로서 주로 2가지 이하 색상을 사용하는 것이 특징이다. 스테인리스, 유리, 스틸, 철, 가죽, 금속, 대리석 등 딱딱한 느낌을 주는 소재를 사용하거나, 모노톤 컬러(흰색, 검은색, 무채색, 선명한 색, 네이비색, 그레이색)의 색을 주로 사용하면서 회색이나 기타 어두운 톤의 색들이 첨가될 수 있다. 또한, 차가움, 반들반들, 매끈, 단단한 느낌을 주며, 무늬가 없이 광택이 나는 마감을 갖고, 직선이나 비정형의 형태를 보인다. 패턴을 사용할 경우, 스트라이프나 체크 등 기하학적인 디자인 패턴을 이용할 수 있고, 기능성과 실용성을 강조한다는 점에서 심플한 간결함을 추구하는 '미니멀 스타일 (Minimal Style)'을 포함할 수 있다. 이때 모던 스타일의 클래스는 "트렌디, 현대적, 실용성, 기능성, 모노톤, 기하학적 패턴, 차가운 소재"의 키워드를 갖는 상품과 매칭될 수 있다.
도 5(b)는 로맨틱 스타일의 클래스로 분류되는 공간 이미지에 대한 예시이다. 로맨틱 스타일은 포근한 느낌으로 여성들에게 인기 있는 인테리어로서 내추럴한 소재와 색채를 강조하는 것이 특징이다. 부드러운 직물과 포근하고 따뜻한 느낌의 소재(면직물, 나무, 벽돌, 실크, 린넨)를 사용하며, 하늘색과 녹색 톤의 파스텔 톤(옅은 핑크, 블루 등)과 함께 사용될 수 있고, 낭만적이고 동화적 느낌을 주는 인테리어이며 차분하고 고급스러워 보이는 분위기이다. 또한, 우아한 곡선과 식물, 꽃무늬 등의 패턴을 활용하며, 은은한 조명을 사용하여 전체적으로 섬세하면서도 감성적인 분위기를 조성하는 스타일로서 투박하지만 품격 있는 '프로방스 스타일 (Provence Style)'을 포함할 수 있다. 이때 로맨틱 스타일의 클래스는 "로맨틱, 감성적, 낭만적, 파스텔톤, 소프트한 소재, 곡선, 은은한 조명"의 키워드를 갖는 상품과 매칭될 수 있다.
도 5(c)는 클래식 스타일의 클래스로 분류되는 공간 이미지에 대한 예시이다. 클래식 스타일은 중세 이후 유럽의 전통적인 건축 양식과 장식 양식을 바탕으로 한 격식 있는 인테리어로서 가죽, 패브릭, 금속, 천연목, 대리석 등 오래되고 고급스러운 소재를 사용하는 것이 특징이다. 또한, 나무와 가죽의 컬러를 기본으로 하면서, 갈색 또는 검은색 같은 선명하고 톤 다운된 차분하고 짙은 컬러를 사용한다. 고풍스럽고 고상한 분위기이며 공간이 넓을 때 더 어울리는 스타일이다. 또한, 유럽풍의 클래식한 가구들을 활용하여 화려하고 장식적인 모양을 가지며, 고풍스러운 느낌의 '앤티크 스타일 (Antique Style)'이나 화려함과 곡선미를 강조한 '아르누보 스타일 (Art Nouveau Style)'을 포함할 수 있다. 이때 클래식 스타일의 클래스는 "웅장함, 고풍스러움, 화려한 장식, 조형미, 차분한 컬러, 화려한 컬러, 묵직한 컬러, 나무, 직물"의 키워드를 갖는 상품과 매칭될 수 있다.
도 5(d)는 내추럴 스타일의 클래스로 분류되는 공간 이미지에 대한 예시이다. 내추럴 스타일은 자연 친화적인 소재를 이용한 소박한 스타일로서 따뜻한 색감의 인테리어로 이루어진 가구가 사용되는 것이 특징이다. 또한, 나무, 흙, 가죽 면, 마 같이 자연적인 소재가 활용되면서 흰색, 크림색, 녹색, 갈색 같은 목재색이 주로 사용되고, 파스텔보다는 우드톤이 더 활용될 수 있다. 또한, 무광 또는 광택이 자연스러운 느낌 또는 자연 소재를 연상시키는 질감의 소재를 강조한 단순한 디자인으로 화이트 배경에 원목 가구들이 주로 배치될 수 있다. 따라서, 식물로 자연을 연출하는 '플랜테리어(Planterior)'나 '보태닉 스타일 (Botanic Style)'도 내추럴 스타일에 포함될 수 있다. 이때 내추럴 스타일의 클래스는 "오가닉, 자연스러움, 천연 소재, 나무, 화이트, 브라운"의 키워드를 갖는 상품과 매칭될 수 있다.
도 5(e)는 캐주얼 스타일의 클래스로 분류되는 공간 이미지에 대한 예시이다. 캐주얼 스타일은 자유롭고 편한 이미지와 젊고 운동감 넘치는 개성 있고 경쾌한 인테리어로서 밝은 색조의 나무와 금속, 유리, 플라스틱 등 자연재와 인공재의 혼용재를 많이 사용하는 것이 특징이다. 또한, 흰색과 회색 등의 기본 색상에 밝고 화려하고 산뜻한 색채를 포인트 컬러로 사용하여 생동감 나는 재질감과 함께 강한 색채의 대비로 리듬감을 부여할 수 있고, 격식을 차리지 않는 자유로운 분위기로서 기능적이고 가벼운 감각의 디자인 요소가 중심이다. 또한, 체크와 가로형 스트라이프, 물방울무늬가 대표적 패턴으로 사용(기하학적 무늬나 추상적 무늬도 사용)될 수 있다. 이때 캐주얼 스타일의 클래스는 "독특함, 장식적, 화려함, 도시적, 혼란함, 세련된 밝음, 컬러풀함, 자유로움"의 키워드를 갖는 상품과 매칭될 수 있다.
도 5(f)는 북유럽 스타일의 클래스로 분류되는 공간 이미지에 대한 예시이다. 북유럽 스타일은 밝고 편안한 색채의 마감재가 공간을 채운 인테리어로서 다양한 소품과 패브릭의 활용이 포인트이다. 또한, 천연목, 타일, 스테인리스 등 다양한 소재가 사용되고 기본적으로 흰색과 베이지색, 우드톤이 사용되면서 부드러운 파스텔톤으로 포인트를 줄 수 있다. 또한, 단조로운 디자인의 가구와 소품들을 사용하고, 소재 본래의 질감과 매끄러운 마감이 가미되어 기능적이고 단순하면서 따뜻함을 추구한다. 이때 북유럽 스타일의 클래스는 "깨끗함, 깔끔함, 산뜻함, 심플함, 단순함, 매끄러움, 부드러움, 여유로움, 안락함, 포근함, 따뜻함"의 키워드를 갖는 상품과 매칭될 수 있다.
도 5(g)는 빈티지 스타일의 클래스로 분류되는 공간 이미지에 대한 예시이다. 빈티지 스타일은 추억이나 향수를 불러일으키는 과거의 흔적이 자연스럽게 배어나는 스타일로서 거친 금속제품, 낡은 우드, 노출 콘크리트, 철제, 벽돌 등 다듬어지지 않은 소재를 사용하는 것이 특징이다. 또한, 진한 갈색이나 검은색, 회색을 활용하여 바래거나 벗겨진 듯한 컬러를 연출하고 거칠고 투박한 느낌을 준다. 또한, 편안하고 자연스러운 모양으로 천장, 벽 등을 그대로 노출하여 '인더스트리얼 스타일(Industrial Style)'을 포함할 수 있다. 이때 빈티지 스타일의 클래스는 "산업화, 기계적, 공장, 창고, 금속, 폐원목, 벽돌, 노출 콘크리트"의 키워드를 갖는 상품과 매칭될 수 있다.
한편, 상술한 공간의 스타일 분류는 예시일 뿐으로 실시예의 변형에 따라 다양한 스타일의 공간을 판별할 수 있도록 학습될 수 있다.
이하, 이미지 데이터베이스 분석 기반 상품 추천 장치(100)가 학습에 사용될 데이터의 증강을 위해 제1 공간 이미지로부터 제2 공간 이미지를 생성하는 동작을 도 6 내지 도 10과 함께 구체적으로 설명한다.
도 6은 제1 공간 이미지에 포함된 픽셀 정보를 변경하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
증강 모듈(122)은 제1 공간 이미지의 픽셀 중에서 밝은 부분을 더 밝게 하고 어두운 부분을 더 어둡게 하여 대비를 증가시키도록 변형하거나, 또는 제1 공간 이미지의 픽셀 중에서 밝은 부분을 덜 밝게 하고 어두운 부분을 덜 어둡게 하여 대비를 감소시키도록 변형하여, 카메라의 성능이나 기종에 따라 하나의 공간에 대한 이미지가 다르게 생성될 수 있는 변수까지 학습되도록 하는 제2 공간 이미지를 생성할 수 있다.
이를 위해, 증강 모듈(122)은 제1 공간 이미지에 포함된 픽셀 정보의 RGB 정보를 구성하는 (x, y, z) 원소값에 대하여, 소정의 기준값보다 큰 값을 가지는 원소값이 더 큰 값을 갖도록 변경하고, 기준값보다 작은 값을 가지는 원소값이 더 작은 원소값을 갖도록 변경하여 제2 공간 이미지를 생성할 수 있다.
예를 들어, 증강 모듈(122)은 제1 공간 이미지가 갖는 모든 픽셀이 갖는 픽셀 정보에 대해, 하기 수학식 1을 적용하여 픽셀 정보가 변경된 제2 공간 이미지를 생성할 수 있다.
Figure 112020077174013-pat00017
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112020077174013-pat00018
: 상수,
Figure 112020077174013-pat00019
: 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
수학식 1에 따르면,
Figure 112020077174013-pat00020
가 1보다 큰 값을 갖도록 설정하는 경우, 제1 공간 이미지의 픽셀 중에서 밝은 부분을 더 밝게 하고 어두운 부분을 더 어둡게 하여 대비를 증가시킬 수 있고,
Figure 112020077174013-pat00021
가 0보다 크고 1보다 작은 값을 갖도록 설정하는 경우, 제1 공간 이미지의 픽셀 중에서 밝은 부분을 덜 밝게 하고 어두운 부분을 덜 어둡게 하여 대비를 감소시킬 수 있다.
또한, R, G, B의 원소값은 일반적으로 0부터 255 사이의 값을 가지기 때문에,
Figure 112020077174013-pat00022
에 의해 출력되는 원소값이 255보다 지나치게 커지지 않도록
Figure 112020077174013-pat00023
를 설정할 수 있고,
Figure 112020077174013-pat00024
함수를 사용하여 최댓값이 255보다 커지지 않도록 설정할 수 있다.
또한, R, G, B의 원소값은 일반적으로 0부터 255 사이의 값을 가지기 때문에,
Figure 112020077174013-pat00025
함수를 사용하여
Figure 112020077174013-pat00026
에 의해 출력되는 원소값이 0보다 작아지지 않도록 max 함수를 사용하여 할 수 있다.
더하여,
Figure 112020077174013-pat00027
가 소수점을 갖는 값으로 설정될 경우, 변경된 픽셀 정보의 원소값이 정수가 되도록
Figure 112020077174013-pat00028
함수를 사용할 수 있다.
도 6A를 참조하면, 좌측은 제1 공간 이미지이고, 우측은
Figure 112020077174013-pat00029
을 설정하여 수학식 1을 적용한 경우의 제2 공간 이미지이다. 도 6A의 우측 제2 공간 이미지는 제1 공간 이미지에 비해, 밝은 부분이 더 밝게 변하고 어두운 부분이 더 어둡게 변하여 대비가 증가된 새로운 학습 데이터가 생성됨을 확인할 수 있다.
도 6B를 참조하면, 좌측은 제1 공간 이미지이고, 우측은
Figure 112020077174013-pat00030
을 설정하여 수학식 1을 적용한 경우의 제2 공간 이미지이다. 도 6B의 우측 제2 공간 이미지는 제1 공간 이미지에 비해, 밝은 부분이 덜 밝게 변하고 어두운 부분이 덜 어둡게 변하여 대비가 감소된 새로운 학습 데이터가 생성됨을 확인할 수 있다.
도 6C를 참조하면, 좌측은 하나의 색 (R, G, B) = (183, 191, 194)으로 통일된 제1 공간 이미지이고, 우측은
Figure 112020077174013-pat00031
을 설정하여 수학식 1을 적용한 경우의 제2 공간 이미지이다. 도 6C를 통해 하나의 픽셀 정보가 수학식 1에 따라 변하는 정도를 확인할 수 있다.
도 7은 이미지 데이터베이스 분석 기반 상품 추천 장치가 제1 공간 이미지(a)의 픽셀 정보를 소정 범위 내로 변경시킨 제2 공간 이미지(b)의 예시도이다.
공간 이미지의 색감 또는 색상은 공간의 스타일을 결정하는 중요한 요소 중 하나이다. 따라서, 증강 모듈(122)이 데이터 증강을 위해 RGB 정보를 상대적으로 큰 폭으로 변경하는 경우에 생성되는 제2 공간 이미지는 원본인 제1 공간 이미지와는 다른 색상을 가질 가능성이 높아, 제2 공간 이미지가 나타내는 공간의 스타일 자체가 제1 공간 이미지와 상이할 수 있다. 이러한 경우, 원본인 제1 공간 이미지와 새롭게 생성된 제2 공간 이미지는 서로 스타일 자체가 달라져, 증강된 학습 데이터인 제2 공간 이미지에 대한 레이블링 작업 시, 원본인 제1 공간 이미지와 변경된 제2 공간 이미지는 서로 다른 스타일 클래스를 레이블링해야 할 필요가 있다. 이러한 경우, 색상의 지나친 변경은 현실감과 동떨어진 데이터를 생성하면서, 제2 공간 이미지에 대해 제1 공간 이미지의 클래스와 상이한 클래스를 다시 레이블링해야 하는 작업을 발생시킬 수 있다.
이러한 작업이 발생하는 것을 방지하기 위해, 본 발명의 실시예는 도 7의 예시와 같이 공간의 스타일 변화가 없는 정도의 범위 내에서 제1 공간 이미지(도 7(a))의 RGB 정보를 변경하여 제2 공간 이미지(도 7(b))를 생성하고, 레이블링 모듈(121)은 새롭게 생성된 레이블링이 수행되기 전의 제2 공간 이미지에 대하여, 제1 공간 이미지에 레이블링된 클래스를 제2 공간 이미지에 동일하게 레이블링을 수행하여, 학습 데이터의 수량을 증가시키면서 증강된 학습 데이터에 대한 레이블링을 자동화하여 성능이 향상된 이미지 분류 모델을 제공할 수 있다.
이를 위해, 증강 모듈(122)은 아래 수학식 2를 통해 제1 공간 이미지가 포함하는 픽셀 정보를 소정 범위 내에서 변경한 제2 공간 이미지를 생성할 수 있다.
Figure 112020077174013-pat00032
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112020077174013-pat00033
: 기 설정된 값인 n 이하의 난수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
수학식 2에 따르면,
Figure 112020077174013-pat00034
는 기 설정된 값인 n보다 작은 값을 갖는 난수이다. 따라서, 증강 모듈(122)은 제1 공간 이미지가 포함하는 픽셀 중 어느 하나의 값인 (x, y, z) 원소값을 변경시키기 위해 난수
Figure 112020077174013-pat00035
를 발생시켜, 해당 픽셀의 원소값을
Figure 112020077174013-pat00036
으로 변경할 수 있고, 이러한 연산은 제1 공간 이미지가 포함하는 모든 픽셀 또는 선택된 일부 픽셀에 대해 적용되는 방식으로 제2 공간 이미지를 생성할 수 있다. 이에 따라, 빛이 공간에 들어오거나 들어오지 않음에 따라, 또는 시간에 따라 촬영되는 이미지의 색상이 어느 정도 변경될 수 있다는 변수를 학습에 반영하도록, 수학식 2에 따른 방식으로 데이터를 새롭게 생성하여 해당 변수를 학습시킬 수 있다.
도 8A는 제1 공간 이미지에 포함된 픽셀 정보에 그레이 스케일을 적용하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
공간 이미지에 대한 클래스 판별은 사물의 배치나, 사물의 패턴에 큰 영향을 받기 때문에, 증강 모듈(122)은 색상을 단조롭게 변환시킨 후 사물의 배치와 사물의 패턴을 보다 잘 학습되도록 변수를 반영한 학습 데이터를 생성할 수 있다.
이를 위해, 증강 모듈(122)은 도 8A의 좌측 이미지와 같이, 제1 공간 이미지가 갖는 모든 픽셀 정보에 대해, 하기 수학식 3을 적용하여 픽셀 정보가 단조로운 색상을 가지면서 배치와 패턴이 드러나는 제2 공간 이미지를 생성할 수 있다.
Figure 112020077174013-pat00037
(R: 픽셀 정보의 RGB 정보 (x, y, z) 중 x, G: 픽셀 정보의 RGB 정보 (x, y, z) 중 y, B: 픽셀 정보의 RGB 정보 (x, y, z) 중 z, Y: 픽셀 정보의 변경 후 원소값 (x', y', z'))
더하여, 증강 모듈(122)은 도 8A의 우측 이미지와 같이, 하기 수학식 4를 통해 제1 공간 이미지의 대비를 증가시킨 후 도출된 원소값에, 하기 수학식 5를 적용하여, 제1 공간 이미지에 포함된 사물의 배치와 패턴이 보다 극명하게 드러나는 제2 공간 이미지를 생성할 수 있다.
Figure 112020077174013-pat00038
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112020077174013-pat00039
: 상수,
Figure 112020077174013-pat00040
: 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
Figure 112020077174013-pat00041
(R: 수학식 4에서 구해진 dst(I)의 (x', y', z') 중 x', G: 수학식 4에서 구해진 dst(I)의 (x', y', z') 중 y', B: 수학식 4에서 구해진 dst(I)의 (x', y', z') 중 z', Y: 픽셀 정보의 변경 후 원소값 (x'', y'', z'')
또한, 증강 모듈(122)은 수학식 4와 5를 사용하는 위 실시예에서 수학식 4 대신, 수학식 2를 적용하고 수학식 5를 적용하는 방식을 통해, 소정 범위 내로 변경된 픽셀 정보의 패턴이 극명하게 나타나도록 변경된 제2 공간 이미지를 생성할 수도 있다.
도 8B는 제1 공간 이미지에 포함된 픽셀 정보의 일부에 노이즈를 추가하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
증강 모듈(122)은 카메라를 확대하여 촬영하는 경우 이미지에 노이즈가 발생하는 경우를 학습하기 위한 학습 데이터를 생성할 수 있다. 이를 위해, 증강 모듈(122)은 제1 공간 이미지에 포함된 픽셀 정보의 일부에 노이즈 정보를 추가하여 제2 공간 이미지를 생성할 수 있다. 예를 들어, 증강 모듈(122)은 난수 발생 알고리즘을 통해 임의의 좌표 정보를 생성하여, 제1 공간 이미지에 포함된 픽셀 중 일부의 좌표를 선택하고, 선택된 좌표의 픽셀이 갖는 원소값에 대해 하기 수학식 6을 이용하여, 픽셀 정보에 난수 발생 알고리즘을 이용해 산출되는 난수를 부가하여 노이즈 정보가 추가된 제2 공간 이미지를 생성할 수 있다.
Figure 112020077174013-pat00042
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112020077174013-pat00043
: 난수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
도 8B를 참조하면, 좌측은 제1 공간 이미지이고, 우측은 수학식 6을 적용하여 노이즈를 추가한 경우의 제2 공간 이미지를 확인할 수 있다.
도 9는 제1 공간 이미지에 포함된 사물의 테두리 영역을 구분하고, 테두리가 아닌 영역에 블러를 적용하여 제2 공간 이미지를 생성하는 방법을 설명하기 위한 예시도이다.
증강 모듈(121)은 카메라의 초점이 잘 맞지 않는 상태에서 촬영된 이미지를 학습하도록 다음의 실시예를 통해 사물의 가장자리가 뭉개진 듯한 제2 공간 이미지를 생성할 수 있다.
도 9A은 설명의 편의를 위해, 가로 5개 x 세로 5개 행렬 형태의 25개 픽셀을 포함하는 제1 공간 이미지를 가정하여 각 픽셀 영역을 구분한 예시이다. 이때 각 픽셀은 R, G, B의 원소값을 갖지만, R (Red)의 원소값을 기준으로 실시예를 설명한다. 도 9A의 각 픽셀 영역에 도시된 숫자는 R의 원소값을 의미한다.
도 9A의 경우, 모든 픽셀에 후술할 방식의 연산이 수행되지만 설명의 편의를 위해 정중앙의 픽셀을 기준으로 연산을 설명한다. 도 5A의 경우 증강 모듈(121)은 연산이 수행되는 픽셀을 중앙으로 하는 NxN 영역(도 9A에서 N은 3을 가정)에 포함된 픽셀 중 R 원소값의 최댓값(R_max = 130) 과 R 원소값의 평균값(R_avg = 120)의 차이(R_max - R_avg = 10)를 계산하여, 도출되는 값이 기 설정된 값 n보다 작은 경우의 픽셀(사물의 안쪽 영역에 존재하는 픽셀로 판별)과 기 설정된 값 n보다 큰 경우의 픽셀(사물의 테두리 영역에 존재하는 픽셀로 판별)을 구분하여, 도 9B의 우측과 같이 제1 공간 이미지에 포함된 사물의 테두리를 판별할 수 있다. 여기서, 증강 모듈(121)은 테두리 영역을 제외한 영역의 픽셀에 대해서만 가우시안 블러 알고리즘을 적용하여 도 9C의 우측 이미지와 같은 이미지를 생성할 수 있다. 한편, 연산이 수행되는 픽셀을 기준으로 하는 NxN 영역에 픽셀이 존재하지 않는 영역(ex. 이미지의 가장자리 쪽)이 존재한다면, 해당 픽셀에 대해서는 상술한 연산을 생략하고 블러 처리를 할 수 있다.
이처럼, 증강 모듈(121)은 제1 공간 이미지가 포함하는 모든 픽셀 각각에 대하여 위의 연산을 수행할 수 있다. 연산이 수행되는 픽셀의 경우, 해당 픽셀을 중앙에 포함하는 NxN (N은 3 이상의 홀수) 행렬 크기에 포함되는 복수의 픽셀을 커널 영역으로 선택하고, 커널 영역에 포함된 복수의 픽셀의 R, G, B 각각의 원소값 중 최대 원소값인 (R_max, G_max, B_max)에서, 커널 영역에 포함된 복수의 픽셀의 R, G, B 각각의 원소 평균값인 (R_avg, G_avg, B_avg)을 뺀 값인 (R_max-R_avg, G_max-G_avg, B_max-B_avg)을 구하고, (R_max-R_avg, G_max-G_avg, B_max-B_avg) 중 적어도 어느 하나의 원소값이 기 설정된 값 n보다 작으면 해당 픽셀에 가우시안 블러 알고리즘을 적용하여 제2 공간 이미지를 생성할 수 있다.
이와 같은 연산을 제1 공간 이미지에 포함된 모든 픽셀에 대해 수행하면, 색상 차이가 크게 벌어지는 테두리 영역의 픽셀만이 픽셀 정보를 그대로 가지고, 색상 차이가 없는 영역의 픽셀은 블러 처리되어, 카메라의 초점이 잘 맞지 않는 상태에서 촬영된 이미지를 학습할 수 있는 제2 공간 이미지를 생성할 수 있다. 이때 블러 처리는 가우시안 블러 알고리즘을 적용할 수 있으나 이에 한정되지 않고 다양한 블러 필터를 사용할 수 있다.
도 9B를 참조하면, 좌측은 제1 공간 이미지이고, 우측은 도 9을 통해 설명한 실시예에서 기 설정된 값 n보다 큰 경우와 n보다 작은 경우의 픽셀을 구분하여 생성된 이미지이다. 도 9B의 우측 이미지 역시 사물의 테두리를 극명하게 나타내기 때문에, 사물의 배치와 패턴을 명확하게 인식시키기 위한 목적으로 학습 데이터에 추가하여 사용할 수 있다.
도 9C를 참조하면, 좌측은 제1 공간 이미지이고, 우측은 상술한 도 9의 실시예에서 N = 7, n = 20을 적용한 실시예로, 테두리 이외의 영역이 블러 처리된 제2 공간 이미지를 확인할 수 있다.
더하여, 도 9를 통해 설명한 실시예에서 기 설정된 값 n보다 큰 경우의 픽셀을 블러 처리하여 상술한 실시예와 반대의 효과를 발생시킨 제2 공간 이미지를 추가적으로 학습 데이터 DB(111)에 추가할 수도 있다.
도 10은 제1 공간 이미지에 가우시안 정규 분포에 따른 노이즈 정보를 추가하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
증강 모듈(121)은 이미지의 특정 부분에 초점이 맞지 않는 경우를 학습하기 위한 학습 데이터를 생성할 수 있다. 이를 위해, 증강 모듈(121)은 제1 공간 이미지가 포함하는 모든 픽셀의 개수만큼, 평균 0 및 표준편차 100의 표준 가우시안 정규 분포를 따르는 난수 정보를 생성하고, 모든 픽셀의 각각에 난수 정보 각각을 합산하여 노이즈 정보가 삽입된 제2 공간 이미지를 생성할 수 있다.
레이블링 모듈(121)은 도 5 내지 도 8을 통해 생성된 제2 공간 데이터에 대하여, 변형 전의 원본인 제1 공간 이미지에 레이블링된 클래스를, 변형 후의 제2 공간 이미지에 동일하게 레이블링하여, 증강된 학습 데이터에 대한 레이블링 과정을 자동화하여 레이블링 시간을 단축시킬 수 있다.
이후, 학습 모듈(125)은 이미지 분류 알고리즘 기반으로 설계된 모델에 원본 학습 데이터(제1 공간 이미지)와 도 6 내지 도 10의 실시예들을 통해 증강된 학습 데이터(제2 공간 이미지)를 입력하여, 학습 데이터에 포함된 공간 이미지와 공간 이미지 각각에 레이블링된 스타일 클래스와의 상관관계를 도출하는 모델의 가중치를 학습시킴으로써, 상관관계를 기초로 공간 이미지에 대한 클래스를 판별하는 모델을 생성할 수 있다.
이하, 도 11 내지 도 14를 통해 배색 추천 알고리즘에 관해 설명한다.
도 11은 본 발명의 일 실시예에 따른 이미지 데이터베이스 기반 상품 추천 장치(100)가 공간 이미지에 주로 사용된 5가지 색상과 사용 비율을 추출하는 동작을 설명하기 위한 예시도이다.
공간 이미지를 구성하는 색상이 매우 많은 경우, 공간 이미지를 구성하는 모든 색상의 종류와 어울리는 배색을 판별하도록 연산한다면 모든 색상에 대해 연산이 필요하여 오랜 시간이 걸릴 수 있고, 이미지 내에 매우 낮은 비율로 포함된 색상에 대해서도 연산이 수행되기 때문에 비효율적일 수 있다. 따라서, 색상 판별 모듈(124)은 배색 추천에 사용될 주요 색상을 선별하기 위해, 공간 이미지에 사용된 색상의 비율이 높은 순서로 공간 이미지를 구성하는 색상 중 일부를 연산에 사용될 주요 색상(이하, '제1 색상'으로 지칭)으로 선별할 수 있다.
도 11을 참조하면, 색상 판별 모듈(124)은 공간 이미지에 사용된 색상의 비율이 높은 순서로 공간 이미지를 구성하는 n가지의 색상을 선별할 수 있다. 도 11의 경우 n = 5인 예시로서, 색상 판별 모듈(124)은 5가지의 색상 각각이 공간 이미지에서 사용된 비율의 합을 100%로 환산할 수 있다. (도 3의 경우, C1 색: 30%, C2 색: 25%, C3 색: 20%, C4 색: 15%, C5 색: 10%)
이때 색상 판별 모듈(124)은 C1 내지 C5의 5가지 색상 중 상기 비율이 높은 순서로 상기 비율을 누적하여 합하였을 때 a%(a는 100 이하의 자연수)를 초과할 때까지의 색상을 제1 색상으로 선별할 수 있다. 예를 들어, a%가 70%인 경우, C1, C2, C3 각각의 색상이 사용된 비율을 합산하였을 때, 70%를 초과하게 되므로, 제1 색상을 C1, C2, C3로 선별할 수 있다.
배색 판별 모듈(125)은 선별된 제1 색상 각각이 가지는 RGB 정보를 기초로 소프트 및 다이내믹을 원소로 하는 소정의 컬러 이미지 스케일상의 제1 색상의 위치를 판별하여 제1 색상이 갖는 소프트(soft) 원소값 및 색상의 다이내믹(dynamic) 원소값을 판별할 수 있다.
도 12는 색상들을 소프트 및 다이내믹을 축으로 하는 2차원 좌표 평면에 배치한 컬러 이미지 스케일의 예시도이다.
컬러 이미지 스케일은 어울리는 배색을 가진 색상들이 가깝게 위치하도록 표현하기 위한 그래프로서, 색상이 동적인가-정적인가에 따른 척도를 나타내는 다이내믹(dynamic) 값, 색상이 부드러운가-딱딱한가에 대한 척도를 나타내는 소프트(soft) 값을 기준으로 색상들을 분류한 그래프이다. 배색 판별 모듈(125)은 제1 색상의 RGB 정보를 기초로 컬러 이미지 스케일 상에서 제1 색상과 가장 가까운 수치의 RGB 정보를 갖는 색상이 위치하는 좌표를 판별하여, 제1 색상의 소프트(soft) 원소값 및 색상의 다이내믹(dynamic) 원소값을 결정할 수 있다. 본 발명의 실시예는 다양한 컬러 이미지 스케일을 사용할 수 있으나, DB 생성 모듈(126)에 대해 후술하는 부분에서 본 발명의 실시예는 웹(Web)상에서 주로 사용되는 색상을 기반으로 컬러 이미지 스케일을 생성하는 방법을 제시한다.
제어 모듈(127)은 제1 색상 각각이 갖는 컬러 이미지 스케일상의 원소값을 기준으로, 공간 이미지에 가장 잘 어울리는 배색이 컬러 이미지 스케일 상에서 위치하는 좌표인 배색 원소값을 계산할 수 있다.
이때 제어 모듈(127)은 제1 색상 각각이 공간 이미지에서 사용된 비율을 가중치로 하여, 제1 색상 각각의 원소값에 가중치를 가하여 조합한 배색 원소값을 계산할 수 있다. 각 원소값에 가중치를 가하여 조합하는 실시예는 중앙값, 평균값, 벡터합 등 다양한 방법을 실현할 수 있으며, 가령 가중 산술 평균을 적용할 수 있다.
예를 들어, 제어 모듈(127)은 제1 색상 각각이 공간 이미지에서 사용된 비율의 합을 100%로 환산하고 도출된 각각의 비율을 제1 색상 각각의 가중치로 하여, 제1 색상 각각의 2차원 원소값에 하기 수학식 7과 같이 가중 산술 평균을 적용하여 배색 원소값을 계산할 수 있다.
Figure 112020077174013-pat00044
Figure 112020077174013-pat00045
(N = 제1 색상의 개수, a = 공간 이미지에서 N 개의 제1 색상들이 사용된 비율의 합을 100%로 환산하였을 때 특정 제1 색상이 사용된 비율, S: 소프트 원소값, D: 다이내믹 원소값,
Figure 112020077174013-pat00046
: 제1 색상들의 소프트 값에 대한 가중 산술 평균 원소값,
Figure 112020077174013-pat00047
: 제1 색상들의 다이내믹 값에 대한 가중 산술 평균 원소값)
도 11의 예시에 수학식 7을 적용하는 예시를 설명한다. 도 11에서 제1 색상으로 선별된 C1, C2, C3가 공간 이미지에서 사용된 비율은 C1: 30%, C2: 25%, C3: 20% 이다. 이때 각 비율의 합이 100%가 되게 환산한다면,
Figure 112020077174013-pat00048
,
Figure 112020077174013-pat00049
,
Figure 112020077174013-pat00050
와 같다. 이때 컬러 이미지 스케일(S축, D축) 상에서 C1의 좌표는 (S1, D1) = (0.5, 0.4), C2의 좌표는 (S2, D2) = (0.4, 0.3), C3의 좌표는 (S3, D3) = (0.3, 0.2) 이라고 가정한다.
이때 배색 원소값 (
Figure 112020077174013-pat00051
,
Figure 112020077174013-pat00052
)은 수학식 7을 적용할 경우 아래와 같이 (0.4133, 0.3133)으로 계산될 수 있다.
Figure 112020077174013-pat00053
= 0.4133
Figure 112020077174013-pat00054
= 0.3133
제어 모듈(127)은 컬러 이미지 스케일에 계산된 배색 원소값을 포함하는 배색군을 공간 이미지에 어울리는 배색으로 추천할 수 있다.
도 13은 컬러 이미지 스케일상의 색상들에 대해서 소프트 값 및 다이내믹 값의 범위를 기준으로 분류한 그룹들의 예시도이다.
도 13을 참조하여, 도 11의 예시를 적용하는 경우 도 11에 대하여 배색 원소값 (0.4133, 0.3133)은 소프트 범위 0.4 ~ 0.6, 다이내믹 범위 0.0 ~ 0.4에 위치하는 "심플한"이라는 배색군에 위치한다. 이에 따라, 제어 모듈(127)은 컬러 이미지 스케일에서"심플한" 이라는 배색군에 속한 색상을 공간 이미지에 어울리는 배색으로 추천할 수 있다.
DB 생성 모듈(126)은 웹상에서 주로 사용되는 색상들을 기준으로 컬러 이미지 스케일을 생성할 수 있다. 예를 들어, DB 생성 모듈(126)은 275 가지 색상을 포함하는 컬러 팔레트를 획득할 수 있다. DB 생성 모듈(126)은 웹상에서 자주 사용되는 색상을 사용하기 위해 HTML 컬러 팔레트 또는 자바스크립트 컬러 팔레트를 사용할 수 있다.
이후, DB 생성 모듈(126)은 275가지 색상에 대해 소프트 및 다이내믹 값을 결정해야 하는데, 값의 연산을 효율적으로 하기 위하여, 먼저275가지 색상의 RGB 정보를 기준으로 색상들을 분류하여 32개의 그룹으로 군집시킬 수 있다. DB 생성 모듈(126)은 275가지 색상의 RGB 정보를 기준으로 도 14와 같이 RGB 3차원 좌표 평면에 배치할 수 있고, 3차원 공간상에 위치하는 색상 간의 거리를 기준으로 가까운 색상끼리 32개의 그룹으로 분류할 수 있다.
다음으로, DB 생성 모듈(126)은 그룹에 포함된 색상들의 RGB 정보를 기초로 RGB 정보의 중앙값 또는 평균값을 계산하여, 그룹에 포함된 색상 중의 RGB 정보가 중앙값 또는 평균값에 가장 가까운 색상을 각 그룹의 리더 색상으로 선별할 수 있다.
이에 따라, DB 생성 모듈(126)은 각 그룹의 리더 색상에 대해서만 RGB 정보를 기초로 리더 색상의 소프트 값 및 다이내믹 값을 결정할 수 있다. 결정 이후, DB 생성 모듈(126)은 리더 색상과 리더 색상과 같은 그룹에 속한 다른 색상들의 RGB 정보의 차잇값을 기반으로, 리더 색상의 소프트 값 및 다이내믹 값에 기 설정된 수치를 가산하거나 감산하여 리더 색상과 같은 그룹인 색상들의 소프트 값 및 다이내믹 값을 결정할 수 있다.
이에 따라, DB 생성 모듈(126)은 275가지의 색상에 대해 결정된 소프트 값 및 다이내믹 값을 기준으로, 소프트 및 다이내믹을 축에 배치하여 웹상에서 주로 사용되는 색상 기반의 컬러 이미지 스케일을 생성할 수 있고, 소프트 값 및 다이내믹 값을 소정의 범위에 따라 분류하여 도 4와 같은 배색군을 생성할 수 있다. 한편, 위에 예시된 275의 색상과 32개의 그룹은 예시일 뿐, 실시하는 방안에 따라 다양한 색상을 사용할 수 있고, 사용되는 색상 보다 작은 수로 그룹으로 분류하여 실시예를 구현할 수 있다.
입력 인터페이스(130)는 사용자가 입력하는 데이터 또는 웹상의 데이터를 획득하고, 프로세서(120)의 연산을 위해 공간 이미지를 입력 받을 수 있다. 데이터는 소정의 공간에 배치된 객체들에 대한 이미지와, 이미지를 구성하는 픽셀의 RGB 정보를 포함하는 공간 이미지, 복수의 색상에 대한 RGB 정보를 포함하는 컬러 팔레트, 소정의 원소값(ex. 소프트, 다이내믹, 명도, 채도, 색상 등)에 따라 색상을 분류할 수 있는 복수의 컬러 이미지 스케일을 포함할 수 있다.
상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드 등이 기록된 컴퓨터 프로그램은 컴퓨터 판독 가능 기록 매체 또는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 메모리 유닛은 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 프로세서와 데이터를 주고받을 수 있다.
또한 본 발명에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
더불어 각 블록 또는 각 단계는 특정된 논리적 기능을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이와 같이, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (26)

  1. 이미지 데이터베이스 분석 기반 상품 추천 장치에 있어서,
    소정의 동작을 수행하도록 하는 명령어들을 저장하는 하나 이상의 메모리; 및 상기 하나 이상의 메모리와 동작할 수 있도록 연결되어 상기 명령어들을 실행하도록 설정된 하나 이상의 프로세서를 포함하고,
    상기 프로세서가 수행하는 동작은,
    소정의 공간에 배치된 상품에 대한 이미지 파일을 포함하는 이미지 데이터베이스를 획득하는 동작;
    상기 이미지 파일에 포함된 공간의 용도, 사물의 종류, 공간의 스타일 및 색상에 어울리는 배색을 특정하는 메타데이터를 추출하여, 상기 이미지 파일 또는 상기 상품의 상품 정보에 상기 메타데이터를 매핑하는 동작;
    소정의 상품을 선정하기 위한 카테고리 정보로서, 공간의 용도, 사물의 종류, 공간의 스타일 및 배색 중 적어도 어느 하나에 대한 카테고리를 결정하는 동작; 및
    상기 결정된 카테고리와 대응되는 메타데이터와 매핑된 이미지 파일 또는 상품 정보를 상기 이미지 데이터베이스에서 검색하여 추천하는 동작을 포함하고,
    상기 메타데이터를 매핑하는 동작은,
    공간 이미지에 포함된 공간의 용도를 특정하는 제1 신경망 모델을 이용하여 상기 메타데이터를 추출하는 동작을 더 포함하고,
    상기 제1 신경망 모델은 프로세서가,
    복수의 공간 이미지를 획득하여 상기 복수의 공간 이미지 각각에 해당하는 공간 정보를 특정하는 클래스를 레이블링하거나, 상기 클래스가 레이블링된 복수의 공간 이미지를 획득하여 학습 데이터를 생성하는 동작;
    상기 복수의 공간 이미지 중 제1 공간 이미지가 포함하는 픽셀 정보의 일부 또는 전부를 변경한 제2 공간 이미지를 생성하여 상기 학습 데이터를 증강하는 동작;
    상기 제1 공간 이미지에 레이블링된 클래스를 상기 제2 공간 이미지에 레이블링하는 동작; 및
    소정의 이미지 분류 알고리즘 기반으로 설계된 모델에 상기 증강된 학습 데이터를 입력하고, 상기 학습 데이터에 포함된 공간 이미지와 상기 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 상기 모델의 가중치를 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 대한 클래스를 판별하는 모델을 생성하는 동작을 수행하여 생성되고,
    상기 제2 공간 이미지를 생성하는 동작은,
    상기 제1 공간 이미지가 포함하는 픽셀 중 제1 픽셀을 정중앙에 포함하는 NxN (N은 3 이상의 자연수) 행렬 크기에 포함된 복수의 픽셀의 R, G, B 각각의 원소값 중 최대 원소값인 (R_max, G_max, B_max)에서 상기 복수의 픽셀의 R, G, B 각각의 원소 평균값인 (R_avg, G_avg, B_avg)을 뺀 값인 (R_max-R_avg, G_max-G_avg, B_max-B_avg)을 구하고, 상기 (R_max-R_avg, G_max-G_avg, B_max-B_avg)의 원소값 중 어느 하나가 기 설정된 값보다 작은 경우, 상기 제1 픽셀을 블러 처리를 하는 연산을 수행하여 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  2. 이미지 데이터베이스 분석 기반 상품 추천 장치에 있어서,
    소정의 동작을 수행하도록 하는 명령어들을 저장하는 하나 이상의 메모리; 및 상기 하나 이상의 메모리와 동작할 수 있도록 연결되어 상기 명령어들을 실행하도록 설정된 하나 이상의 프로세서를 포함하고,
    상기 프로세서가 수행하는 동작은,
    소정의 공간에 배치된 상품에 대한 이미지 파일을 포함하는 이미지 데이터베이스를 획득하는 동작;
    상기 이미지 파일에 포함된 공간의 용도, 사물의 종류, 공간의 스타일 및 색상에 어울리는 배색을 특정하는 메타데이터를 추출하여, 상기 이미지 파일 또는 상기 상품의 상품 정보에 상기 메타데이터를 매핑하는 동작;
    소정의 상품을 선정하기 위한 카테고리 정보로서, 공간의 용도, 사물의 종류, 공간의 스타일 및 배색 중 적어도 어느 하나에 대한 카테고리를 결정하는 동작; 및
    상기 결정된 카테고리와 대응되는 메타데이터와 매핑된 이미지 파일 또는 상품 정보를 상기 이미지 데이터베이스에서 검색하여 추천하는 동작을 포함하고,
    상기 메타데이터를 매핑하는 동작은,
    공간 이미지에 포함된 사물의 종류를 특정하는 제2 신경망 모델을 이용하여 상기 메타데이터를 추출하는 동작을 더 포함하고,
    상기 제2 신경망 모델은 프로세서가,
    제1 사물 이미지를 포함하는 제1 공간 이미지를 획득하여, 상기 제1 공간 이미지가 포함하는 픽셀 정보를 변경한 제2 공간 이미지를 생성하는 동작;
    상기 제1 공간 이미지 내의 상기 제1 사물 이미지를 포함하는 영역에 바운딩 박스(bounding box)를 지정하고, 상기 바운딩 박스에 상기 제1 사물 이미지를 특정하는 제1 클래스를 레이블링하는 동작;
    소정의 이미지 분류 알고리즘 기반으로 설계된 모델에 상기 제1 공간 이미지를 입력하여, 상기 바운딩 박스 내 상기 제1 사물 이미지와 상기 제1 클래스와의 상관관계를 도출하는 상기 모델의 가중치를 1차 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 포함된 사물 이미지를 특정하고 클래스를 판별하는 모델을 생성하는 동작;
    상기 1차 학습된 모델에 상기 제2 공간 이미지를 입력하여, 상기 모델이 상기 제2 공간 이미지 내의 제2 사물 이미지를 특정한 바운딩 박스와, 상기 모델이 상기 제2 사물 이미지에 대해 판별한 제2 클래스를 상기 제2 공간 이미지에 레이블링하는 동작; 및
    상기 제2 공간 이미지를 기초로 상기 모델의 가중치를 2차 학습시킨 모델을 생성하는 동작을 수행하여 생성되고,
    상기 제2 공간 이미지를 생성하는 동작은,
    상기 제1 공간 이미지가 포함하는 픽셀 중 제1 픽셀을 정중앙에 포함하는 NxN (N은 3 이상의 자연수) 행렬 크기에 포함된 복수의 픽셀의 R, G, B 각각의 원소값 중 최대 원소값인 (R_max, G_max, B_max)에서 상기 복수의 픽셀의 R, G, B 각각의 원소 평균값인 (R_avg, G_avg, B_avg)을 뺀 값인 (R_max-R_avg, G_max-G_avg, B_max-B_avg)을 구하고, 상기 (R_max-R_avg, G_max-G_avg, B_max-B_avg)의 원소값 중 어느 하나가 기 설정된 값보다 작은 경우, 상기 제1 픽셀을 블러 처리를 하는 연산을 수행하여 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  3. 이미지 데이터베이스 분석 기반 상품 추천 장치에 있어서,
    소정의 동작을 수행하도록 하는 명령어들을 저장하는 하나 이상의 메모리; 및 상기 하나 이상의 메모리와 동작할 수 있도록 연결되어 상기 명령어들을 실행하도록 설정된 하나 이상의 프로세서를 포함하고,
    상기 프로세서가 수행하는 동작은,
    소정의 공간에 배치된 상품에 대한 이미지 파일을 포함하는 이미지 데이터베이스를 획득하는 동작;
    상기 이미지 파일에 포함된 공간의 용도, 사물의 종류, 공간의 스타일 및 색상에 어울리는 배색을 특정하는 메타데이터를 추출하여, 상기 이미지 파일 또는 상기 상품의 상품 정보에 상기 메타데이터를 매핑하는 동작;
    소정의 상품을 선정하기 위한 카테고리 정보로서, 공간의 용도, 사물의 종류, 공간의 스타일 및 배색 중 적어도 어느 하나에 대한 카테고리를 결정하는 동작; 및
    상기 결정된 카테고리와 대응되는 메타데이터와 매핑된 이미지 파일 또는 상품 정보를 상기 이미지 데이터베이스에서 검색하여 추천하는 동작을 포함하고,
    상기 메타데이터를 매핑하는 동작은,
    공간 이미지에 포함된 공간의 스타일을 특정하는 제3 신경망 모델을 이용하여 상기 메타데이터를 추출하는 동작을 더 포함하고,
    상기 제3 신경망 모델은 프로세서가,
    복수의 공간 이미지를 획득하여 상기 복수의 공간 이미지 각각에 해당하는 스타일 정보를 특정하는 클래스를 레이블링하거나, 상기 클래스가 레이블링된 복수의 공간 이미지를 획득하여 학습 데이터를 생성하는 동작;
    상기 복수의 공간 이미지 중 제1 공간 이미지가 포함하는 픽셀 정보를 소정의 범위 내에서 변경한 제2 공간 이미지를 생성하여 상기 학습 데이터를 증강하는 동작;
    상기 제1 공간 이미지에 레이블링된 클래스를 상기 제2 공간 이미지에 레이블링하는 동작; 및
    소정의 이미지 분류 알고리즘 기반으로 설계된 모델에 상기 증강된 학습 데이터를 입력하고, 상기 학습 데이터에 포함된 공간 이미지와 상기 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 상기 모델의 가중치를 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지의 스타일에 대한 클래스를 판별하는 모델을 생성하는 동작을 수행하여 생성되고,
    상기 제2 공간 이미지를 생성하는 동작은,
    상기 제1 공간 이미지가 포함하는 픽셀 중 제1 픽셀을 정중앙에 포함하는 NxN (N은 3 이상의 자연수) 행렬 크기에 포함된 복수의 픽셀의 R, G, B 각각의 원소값 중 최대 원소값인 (R_max, G_max, B_max)에서 상기 복수의 픽셀의 R, G, B 각각의 원소 평균값인 (R_avg, G_avg, B_avg)을 뺀 값인 (R_max-R_avg, G_max-G_avg, B_max-B_avg)을 구하고, 상기 (R_max-R_avg, G_max-G_avg, B_max-B_avg)의 원소값 중 어느 하나가 기 설정된 값보다 작은 경우, 상기 제1 픽셀을 블러 처리를 하는 연산을 수행하여 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 카테고리를 결정하는 동작은,
    사용자의 공간을 촬영한 제1 이미지를 획득하는 동작;
    상기 제1 이미지에 포함된 공간의 용도, 사물의 종류, 공간의 스타일 및 배색을 특정하는 메타데이터를 추출하는 동작; 및
    상기 제1 이미지에서 추출된 사물의 종류에 대한 메타데이터를 포함하지 않으면서, 상기 이미지 파일에서 추출된 공간의 용도, 공간의 스타일 및 배색에 대한 메타데이터를 포함하는 카테고리의 상품 선정을 결정하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  5. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 카테고리를 결정하는 동작은,
    사용자의 공간을 촬영한 제1 이미지를 획득하는 동작;
    상기 제1 이미지에 포함된 공간의 용도, 사물의 종류, 공간의 스타일 및 배색을 특정하는 메타데이터를 추출하는 동작; 및
    상기 제1 이미지에서 추출된 사물의 종류에 대한 메타데이터 중 상기 사용자가 선택한 하나의 사물에 대한 메타데이터를 포함하면서, 상기 제1 이미지에서 추출된 공간의 용도, 공간의 스타일 및 배색에 대한 메타데이터를 포함하는 카테고리의 상품 선정을 결정하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  6. 제1 항 내지 제3 항 중 어느 한 항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    상기 제1 공간 이미지에 포함된 픽셀 정보의 RGB 정보를 구성하는 (x, y, z) 원소값에 대하여, 소정의 기준값보다 큰 값을 가지는 원소값이 더 큰 값을 갖도록 변경하고, 상기 기준값보다 작은 값을 가지는 원소값이 더 작은 원소값을 갖도록 변경하여 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  7. 제6항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    [수학식 1]
    Figure 112020114916716-pat00055

    (src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
    Figure 112020114916716-pat00056
    : 상수,
    Figure 112020114916716-pat00057
    : 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
    상기 수학식 1을 기초로 상기 제1 공간 이미지로부터 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  8. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    [수학식 2]
    Figure 112020114916716-pat00058

    (src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
    Figure 112020114916716-pat00059
    : 기 설정된 값인 n 이하의 난수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
    상기 수학식 2를 기초로 상기 제1 공간 이미지로부터 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  9. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    [수학식 3]
    Figure 112020114916716-pat00060

    (R: 픽셀 정보의 RGB 정보 (x, y, z) 중 x, G: 픽셀 정보의 RGB 정보 (x, y, z) 중 y, B: 픽셀 정보의 RGB 정보 (x, y, z) 중 z, Y: 픽셀 정보의 변경 후 원소값 (x', y', z'))
    상기 수학식 3을 기초로 상기 제1 공간 이미지로부터 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  10. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    [수학식 4]
    Figure 112020114916716-pat00061

    (src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
    Figure 112020114916716-pat00062
    : 상수,
    Figure 112020114916716-pat00063
    : 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
    [수학식 5]
    Figure 112020114916716-pat00064

    (R: 상기 dst(I)의 (x', y', z') 중 x', G: 상기 dst(I)의 (x', y', z') 중 y', B: 상기 dst(I)의 (x', y', z') 중 z', Y: 픽셀 정보의 변경 후 원소값 (x'', y'', z''))
    상기 수학식 4 및 5를 기초로 상기 제1 공간 이미지로부터 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  11. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    상기 제1 공간 이미지에 포함된 픽셀 정보의 일부에 노이즈 정보를 추가하여 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  12. 제11항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    [수학식 6]
    Figure 112020114916716-pat00065

    (src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
    Figure 112020114916716-pat00066
    : 난수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
    상기 수학식 6을 기초로 상기 제1 공간 이미지의 픽셀 정보에 노이즈 정보를 부가하여 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  13. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    상기 제1 공간 이미지가 포함하는 픽셀 중 제1 픽셀을 정중앙에 포함하는 NxN (N은 3 이상의 자연수) 행렬 크기에 포함된 복수의 픽셀의 R, G, B 각각의 원소값 중 최대 원소값인 (R_max, G_max, B_max)에서 상기 복수의 픽셀의 R, G, B 각각의 원소 평균값인 (R_avg, G_avg, B_avg)을 뺀 값인 (R_max-R_avg, G_max-G_avg, B_max-B_avg)을 구하고, 상기 (R_max-R_avg, G_max-G_avg, B_max-B_avg)의 원소값 중 어느 하나가 기 설정된 값보다 작은 경우, 상기 제1 픽셀을 블러 처리를 하는 연산을 수행하여 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  14. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    상기 제1 공간 이미지가 포함하는 모든 픽셀의 개수만큼, 평균 0 및 표준편차 100의 표준 가우시안 정규 분포를 따르는 난수 정보를 생성하고, 상기 모든 픽셀의 각각에 상기 난수 정보 각각을 합산하여 노이즈가 삽입된 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  15. 제2항에 있어서,
    상기 2차 학습시킨 모델을 생성하는 동작은,
    상기 1차 학습된 모델에 상기 제2 공간 이미지를 입력하여, 상기 제2 사물 이미지와 상기 제2 클래스와의 상관관계를 도출하는 모델의 가중치를 2차 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 포함된 사물 이미지를 특정하고 클래스를 판별하는 모델을 생성하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  16. 제2항에 있어서,
    상기 제2 공간 이미지에 레이블링하는 동작은,
    상기 1차 학습된 모델에 상기 제2 공간 이미지를 입력하여, 상기 모델이 상기 제2 사물 이미지에 대해 판별한 제2 클래스를 상기 제1 클래스와 비교하여, 상기 제2 클래스와 상기 제1 클래스가 동일한 경우, 상기 제2 클래스의 값을 유지하고, 상기 제2 클래스와 상기 제1 클래스가 상이한 경우, 상기 제2 클래스의 값을 상기 제1 클래스와 동일한 값으로 수정하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  17. 제2항에 있어서,
    상기 바운딩 박스는,
    하나의 바운딩 박스당 하나의 사물 이미지를 포함하되 바운딩 박스 내부에 사물 이미지의 테두리 영역이 모두 포함되도록 설정되는 것을 특징으로 하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  18. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 메타데이터를 매핑하는 동작의 상기 배색을 특정하는 동작은,
    상기 이미지 파일에 포함된 공간 이미지를 입력받는 동작;
    상기 공간 이미지를 구성하는 색상의 종류 및 상기 공간 이미지에서 상기 색상의 종류 각각이 사용된 비율을 판별하는 동작;
    상기 공간 이미지에 사용된 색상의 비율이 높은 순서로, 상기 공간 이미지를 구성하는 상기 색상 중 일부인 제1 색상을 선별하는 동작;
    소프트 및 다이내믹을 원소로 하는 소정의 컬러 이미지 스케일 상에 상기 제1 색상 각각이 위치하는 원소값을 판별하는 동작;
    상기 제1 색상 각각이 상기 공간 이미지에서 사용된 비율을 가중치로 하여, 상기 제1 색상 각각의 상기 원소값에 상기 가중치를 가하여 조합한 배색 원소값을 계산하는 동작; 및
    상기 컬러 이미지 스케일에 상기 배색 원소값을 포함하는 배색군을 상기 공간 이미지에 어울리는 배색으로 추천하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  19. 제18항에 있어서,
    상기 비율을 판별하는 동작은,
    k-means clustering 알고리즘을 기초로 상기 공간 이미지를 분석하여 상기 공간 이미지를 구성하는 색상의 종류 및 상기 공간 이미지에서 상기 색상의 종류 각각이 사용된 비율을 판별하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  20. 제18항에 있어서,
    상기 제1 색상을 선별하는 동작은,
    상기 공간 이미지에 사용된 색상의 비율이 높은 순서로 상기 공간 이미지를 구성하는 n가지(n은 자연수)의 색상을 선별하는 동작; 및
    상기 n가지의 색상이 상기 공간 이미지에서 사용된 비율의 합을 100%로 환산하여, 상기 n가지 색상 중 상기 비율이 높은 순서로 상기 비율을 누적하여 합하였을 때 a%(a는 100 이하의 자연수)를 초과할 때까지의 색상을 상기 제1 색상으로 선별하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  21. 제18항에 있어서,
    상기 배색 원소값을 계산하는 동작은,
    상기 제1 색상 각각이 상기 공간 이미지에서 사용된 비율을 가중치로 하여, 상기 제1 색상 각각의 상기 원소값에 가중 산술 평균을 적용하여 상기 배색 원소값을 계산하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  22. 제21항에 있어서,
    상기 배색 원소값을 계산하는 동작은,
    상기 제1 색상 각각이 상기 공간 이미지에서 사용된 비율의 합을 100%로 환산하여 도출된 각각의 비율을 상기 제1 색상 각각의 가중치로 하여, 상기 제1 색상 각각의 상기 원소값에 가중 산술 평균을 적용하여 상기 배색 원소값을 계산하는 동작을 포함하는,
    이미지 데이터베이스 분석 기반 상품 추천 장치.
  23. 제22항에 있어서,
    상기 배색 원소값을 계산하는 동작은,
    하기 수학식 7을 기초로 계산되는,
    [수학식 7]
    Figure 112020114916716-pat00067

    Figure 112020114916716-pat00068

    (N = 제1 색상의 개수, a = 공간 이미지에서 N 개의 제1 색상들이 사용된 비율의 합을 100%로 환산하였을 때 어느 하나의 제1 색상이 사용된 비율, S: 소프트 원소값, D: 다이내믹 원소값,
    Figure 112020114916716-pat00069
    : 제1 색상들의 소프트 값에 대한 가중 산술 평균 원소값,
    Figure 112020114916716-pat00070
    : 제1 색상들의 다이내믹 값에 대한 가중 산술 평균 원소값)
    이미지 데이터베이스 분석 기반 상품 추천 장치.

  24. 삭제
  25. 삭제
  26. 삭제
KR1020200091775A 2020-07-23 2020-07-23 이미지 데이터베이스 분석 기반 상품 추천 장치 KR102234609B1 (ko)

Priority Applications (7)

Application Number Priority Date Filing Date Title
KR1020200091775A KR102234609B1 (ko) 2020-07-23 2020-07-23 이미지 데이터베이스 분석 기반 상품 추천 장치
KR1020210007468A KR102485503B1 (ko) 2020-07-23 2021-01-19 이미지 데이터베이스 분석 기반 상품 추천 장치 및 방법
PCT/KR2021/009473 WO2022019670A1 (ko) 2020-07-23 2021-07-22 이미지 데이터베이스 분석 기반 상품 추천 장치 및 방법
EP21847334.6A EP4184414A1 (en) 2020-07-23 2021-07-22 Product recommendation device and method based on image database analysis
CN202180060892.2A CN116420155A (zh) 2020-07-23 2021-07-22 基于图像数据库分析的商品推荐装置及方法
JP2023504704A JP2023537268A (ja) 2020-07-23 2021-07-22 イメージデータベース分析基盤商品推薦装置及び方法
US18/156,808 US20230153889A1 (en) 2020-07-23 2023-01-19 Product recommendation device and method based on image database analysis

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200091775A KR102234609B1 (ko) 2020-07-23 2020-07-23 이미지 데이터베이스 분석 기반 상품 추천 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020210007468A Division KR102485503B1 (ko) 2020-07-23 2021-01-19 이미지 데이터베이스 분석 기반 상품 추천 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102234609B1 true KR102234609B1 (ko) 2021-04-02

Family

ID=75466438

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200091775A KR102234609B1 (ko) 2020-07-23 2020-07-23 이미지 데이터베이스 분석 기반 상품 추천 장치
KR1020210007468A KR102485503B1 (ko) 2020-07-23 2021-01-19 이미지 데이터베이스 분석 기반 상품 추천 장치 및 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020210007468A KR102485503B1 (ko) 2020-07-23 2021-01-19 이미지 데이터베이스 분석 기반 상품 추천 장치 및 방법

Country Status (6)

Country Link
US (1) US20230153889A1 (ko)
EP (1) EP4184414A1 (ko)
JP (1) JP2023537268A (ko)
KR (2) KR102234609B1 (ko)
CN (1) CN116420155A (ko)
WO (1) WO2022019670A1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022019670A1 (ko) * 2020-07-23 2022-01-27 주식회사 어반베이스 이미지 데이터베이스 분석 기반 상품 추천 장치 및 방법
KR102391255B1 (ko) * 2021-11-22 2022-04-26 조병현 관심 상품 제공 방법 및 시스템
KR102443797B1 (ko) * 2022-03-30 2022-09-16 쉐어잇 주식회사 시선 추적을 통한 공간 이미지 추천 장치 및 방법
KR20220147791A (ko) * 2021-04-28 2022-11-04 이지현 디자인 가이드 장치
KR102486510B1 (ko) * 2022-06-03 2023-01-10 주식회사 넘버제로 사용자 맞춤형 악세사리 주문 제작 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102507130B1 (ko) * 2021-11-01 2023-03-07 케일리웍스 주식회사 맞춤 액자 제작 서비스 제공 방법 및 장치
WO2023128353A1 (ko) * 2021-12-28 2023-07-06 삼성전자 주식회사 공간에 대한 색상 추천 정보를 제공하는 전자 장치 및 방법
CN116630304A (zh) * 2023-07-18 2023-08-22 东莞市京品精密模具有限公司 一种基于人工智能的锂电池模具加工检测方法及***
KR20240020372A (ko) 2022-08-08 2024-02-15 조혜령 확장현실에 기반하여 웹브라우저 상에서 오브젝트를 배치하는 방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102596670B1 (ko) * 2022-10-06 2023-10-31 임진희 Ar 마커가 인쇄된 제품을 이용한 증강 현실 컨텐츠 제공 시스템
KR102621076B1 (ko) * 2022-10-20 2024-01-03 황지혜 인공지능 모델을 이용한 공간인식 기반 화훼상품 추천 관리장치 및 그 방법

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0312487B2 (ko) * 1982-06-16 1991-02-20 Mitsubishi Electric Corp
KR20100102772A (ko) 2009-03-12 2010-09-27 주식회사 퍼시스 실내환경 분석 시스템 및 그 방법
JP2011043872A (ja) * 2009-08-19 2011-03-03 Yahoo Japan Corp カラーヒストグラム生成装置、カラーヒストグラム生成方法及びプログラム
KR101657583B1 (ko) * 2015-11-13 2016-09-19 (주)제이케이소프트 모바일 애플리케이션을 이용한 상품 이미지의 해시 태그 추출 시스템 및 방법
KR20180040865A (ko) * 2016-10-13 2018-04-23 엘지전자 주식회사 증강 현실을 이용한 가전 기기 배치 방법, 그를 수행하는 이동 단말기 및 서버
JP2018169672A (ja) * 2017-03-29 2018-11-01 三菱電機インフォメーションシステムズ株式会社 教師画像を生成する方法、コンピュータおよびプログラム
KR102104312B1 (ko) * 2018-03-05 2020-04-24 한남대학교산학협력단 드론 플랫폼 기반 멀티 스펙트럼 영상의 인공 지능 분류 및 검색 장치
KR20200078214A (ko) * 2018-12-21 2020-07-01 삼성전자주식회사 스타일 변환을 위한 영상 처리 장치 및 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11455502B2 (en) * 2019-05-31 2022-09-27 Rakuten Group, Inc. Learning device, classification device, learning method, classification method, learning program, and classification program
KR102234609B1 (ko) * 2020-07-23 2021-04-02 주식회사 어반베이스 이미지 데이터베이스 분석 기반 상품 추천 장치

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0312487B2 (ko) * 1982-06-16 1991-02-20 Mitsubishi Electric Corp
KR20100102772A (ko) 2009-03-12 2010-09-27 주식회사 퍼시스 실내환경 분석 시스템 및 그 방법
JP2011043872A (ja) * 2009-08-19 2011-03-03 Yahoo Japan Corp カラーヒストグラム生成装置、カラーヒストグラム生成方法及びプログラム
KR101657583B1 (ko) * 2015-11-13 2016-09-19 (주)제이케이소프트 모바일 애플리케이션을 이용한 상품 이미지의 해시 태그 추출 시스템 및 방법
KR20180040865A (ko) * 2016-10-13 2018-04-23 엘지전자 주식회사 증강 현실을 이용한 가전 기기 배치 방법, 그를 수행하는 이동 단말기 및 서버
JP2018169672A (ja) * 2017-03-29 2018-11-01 三菱電機インフォメーションシステムズ株式会社 教師画像を生成する方法、コンピュータおよびプログラム
KR102104312B1 (ko) * 2018-03-05 2020-04-24 한남대학교산학협력단 드론 플랫폼 기반 멀티 스펙트럼 영상의 인공 지능 분류 및 검색 장치
KR20200078214A (ko) * 2018-12-21 2020-07-01 삼성전자주식회사 스타일 변환을 위한 영상 처리 장치 및 방법

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022019670A1 (ko) * 2020-07-23 2022-01-27 주식회사 어반베이스 이미지 데이터베이스 분석 기반 상품 추천 장치 및 방법
KR102606918B1 (ko) * 2021-04-28 2023-11-29 이지현 디자인 가이드 장치
KR20220147791A (ko) * 2021-04-28 2022-11-04 이지현 디자인 가이드 장치
KR102507130B1 (ko) * 2021-11-01 2023-03-07 케일리웍스 주식회사 맞춤 액자 제작 서비스 제공 방법 및 장치
KR20230075331A (ko) * 2021-11-22 2023-05-31 조병현 관심 사용자 추천 모델에 기초하여 사용자의 직업에 따른 관심 상품 제공 방법 및 시스템
KR102595236B1 (ko) * 2021-11-22 2023-10-30 조병현 관심 사용자 추천 모델에 기초하여 사용자의 직업에 따른 관심 상품 제공 방법 및 시스템
KR102391255B1 (ko) * 2021-11-22 2022-04-26 조병현 관심 상품 제공 방법 및 시스템
WO2023128353A1 (ko) * 2021-12-28 2023-07-06 삼성전자 주식회사 공간에 대한 색상 추천 정보를 제공하는 전자 장치 및 방법
KR102443797B1 (ko) * 2022-03-30 2022-09-16 쉐어잇 주식회사 시선 추적을 통한 공간 이미지 추천 장치 및 방법
WO2023191259A1 (ko) * 2022-03-30 2023-10-05 쉐어잇 주식회사 시선 추적을 통한 공간 이미지 추천 장치 및 방법
KR102486510B1 (ko) * 2022-06-03 2023-01-10 주식회사 넘버제로 사용자 맞춤형 악세사리 주문 제작 플랫폼 서비스 제공 방법, 장치 및 시스템
KR20240020372A (ko) 2022-08-08 2024-02-15 조혜령 확장현실에 기반하여 웹브라우저 상에서 오브젝트를 배치하는 방법
CN116630304A (zh) * 2023-07-18 2023-08-22 东莞市京品精密模具有限公司 一种基于人工智能的锂电池模具加工检测方法及***
CN116630304B (zh) * 2023-07-18 2023-09-19 东莞市京品精密模具有限公司 一种基于人工智能的锂电池模具加工检测方法及***

Also Published As

Publication number Publication date
EP4184414A1 (en) 2023-05-24
US20230153889A1 (en) 2023-05-18
JP2023537268A (ja) 2023-08-31
CN116420155A (zh) 2023-07-11
WO2022019670A1 (ko) 2022-01-27
KR20220012787A (ko) 2022-02-04
KR102485503B1 (ko) 2023-01-05

Similar Documents

Publication Publication Date Title
KR102234609B1 (ko) 이미지 데이터베이스 분석 기반 상품 추천 장치
US11080918B2 (en) Method and system for predicting garment attributes using deep learning
CN106202352B (zh) 基于贝叶斯网络的室内家居风格与颜色搭配设计的方法
Phan et al. Color orchestra: Ordering color palettes for interpolation and prediction
US20160026926A1 (en) Clothing matching system and method
US20220366675A1 (en) Apparatus and method for developing style analysis model based on data augmentation
CN108052765A (zh) 基于人格印象的配色方案自动生成方法及装置
KR102234614B1 (ko) 공간 이미지 분석 기반 배색 추천 장치 및 방법
Hong et al. CBCRS: An open case-based color recommendation system
Lin A systematic approach of predicting color preference on the basis of gray relational grade
US8564594B2 (en) Similar shader search apparatus and method using image feature extraction
CN105138610A (zh) 一种基于图像元素的图像特征值预测方法和装置
KR102208688B1 (ko) 데이터 증강 기반 사물 분석 모델 학습 장치 및 방법
US20220358752A1 (en) Apparatus and method for developing space analysis model based on data augmentation
Podlasov et al. Japanese street fashion for young people: A multimodal digital humanities approach for identifying sociocultural patterns and trends
Yum Digital image color analysis method to extract fashion color semantics from artworks
Shamoi et al. Apparel online shop reflecting customer perception
CN114402349A (zh) 用于推荐化妆调色板或头发着色方案中的至少一个的计算设备、方法和装置
Wickramarathne et al. Trenditex: An intelligent fashion designer
CN116805373A (zh) 彩色底色检测
Zhao et al. Research on the factors affecting accuracy of abstract painting orientation detection
Cheng et al. Discovering dressing knowledge for an intelligent dressing advising system
KR20230011115A (ko) 이미지 기반 퍼스널 향수 추천 서비스 제공 시스템
CN117891968A (zh) 一种基于用户需求的服装风格推荐方法及***
Yamamoto et al. Web-based Graphic Design Framework to Support Users by Intuitively Reusing and Sharing Abstract Appearance Graphs

Legal Events

Date Code Title Description
GRNT Written decision to grant