KR102433002B1 - 다중 바인딩 박스 선택을 통한 어노테이션 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 - Google Patents

Abstract

본 발명은 인공지능(AI) 학습용 데이터를 어노테이션함에 있어, 이미지 속에 포함된 객체를 용이하게 지정할 수 있는 어노테이션 방법을 제안한다. 상기 방법은 어노테이션 장치가, 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지 속의 복수의 객체(object) 중 하나를 포함하는 일부 영역을 제1 바운딩 박스(bounding box)로 설정하는 단계, 상기 어노테이션 장치가, 작업자의 제어에 따라, 상기 제1 바운딩 박스에 포함된 객체와 적어도 일부가 겹쳐진 다른 객체를 포함하는 일부 영역을 제2 바운딩 박스로 설정하는 단계 및 상기 어노테이션 장치가, 상기 제1 바운딩 박스 및 상기 제2 바운딩 박스에 포함된 객체를 각각 추출하고, 상기 제1 바운딩 박스 및 상기 제2 바운딩 박스로부터 각각 추출된 객체를 상호 보완하는 단계를 포함할 수 있다.

Description

다중 바인딩 박스 선택을 통한 어노테이션 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램{Annotation method through multiple binding box selection and a computer program recorded on a recording medium to execute the same}

본 발명은 인공지능(Artificial Intelligence, AI) 학습용 데이터 설계에 관한 것이다. 보다 상세하게는, 인공지능(AI) 학습용 데이터를 어노테이션함에 있어, 이미지 속에 포함된 객체를 용이하게 지정할 수 있는 어노테이션 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램에 관한 것이다.

인공지능(AI)은 인간의 학습능력, 추론능력 및 지각능력 등의 일부 또는 전부를 컴퓨터 프로그램을 이용하여 인공적으로 구현하는 기술을 의미한다. 인공지능(AI)과 관련하여, 기계 학습(machine learning)은 다수의 파라미터로 구성된 모델을 이용하여 주어진 데이터로 파라미터를 최적화하는 학습을 의미한다. 이와 같은, 기계 학습은 학습용 데이터의 형태에서 따라, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 및 강화 학습(reinforcement learning)으로 구분된다.

일반적으로, 인공지능(AI) 학습용 데이터의 설계는 데이터 구조의 설계, 데이터의 수집, 데이터의 정제, 데이터의 가공, 데이터의 확장, 및 데이터의 검증 단계로 진행된다.

각각의 단계에서 대하여 보다 구체적으로 설명하면, 데이터 구조의 설계는 온톨로지(ontology) 정의, 분류 체계의 정의 등을 통해 이루어진다. 데이터의 수집은 직접 촬영, 웹 크롤링(web crawling) 또는 협회/전문 단체 등을 통해 데이터를 수집하여 이루어진다. 데이터 정제는 수집된 데이터 내에서 중복 데이터를 제거하고, 개인 정보 등을 비식별화하여 이루어진다. 데이터의 가공은 메타데이터(meta data)를 입력하고 어노테이션(annotation)을 수행하여 이루어진다. 데이터의 확장은 온톨로지 매핑(mapping)을 수행하고, 필요에 따라 온톨로지를 보완하거나 확장하여 이루어진다. 그리고, 데이터의 검증은 다양한 검증 도구를 활용하여 설정된 목표 품질에 따른 유효성을 검증하여 이루어진다.

일반적으로, 데이터 가공 단계의 어노테이션은 이미지 속에 포함된 객체에 대하여 바운딩 박스(bounding box) 처리하고, 바운딩 박스 처리된 객체의 속성 정보를 입력하여 진행된다. 이와 같은 어노테이션은 데이터 라벨링(data labeling)이라 지칭되기도 한다. 그리고, 어노테이션의 작업 결과물에 해당되는 데이터셋(dataset)은 JSON(Java Script Object Notation) 파일 형태로 산출된다.

구체적으로, 어노테이션에서 바운딩 박스를 처리하는 과정은 이미지 속 인식하고자 하는 객체 각각에 대하여, 객체의 외곽에 따라 작업자가 일일이 수작업으로 바운딩 박스 처리하여 진행된다.

그러나, 바운딩 박스 처리는 인공지능(AI) 학습 효과(즉, 이미지 속 객체의 인식률)를 보장하기 위하여 사전에 결정된 다양한 규칙에 따라야 한다. 예를 들어, 바운딩 박스 처리는 객체가 인식될 수 있는 영역의 최소 크기 값, 객체의 외곽선으로부터의 최대 이격 픽셀(pixel) 수 등의 규칙에 따라야 한다. 따라서, 작업자가 다수의 객체에 대하여 일일이 수작업으로 바운딩 박스 처리하는 과정에서 사전에 결정된 모든 규칙을 완벽하게 준수하는 것은 쉬운 일이 아니다.

대한민국 공개특허공보 제10-2020-0042629호, ‘인공지능 학습을 위한 모바일 기기의 터치 기반 어노테이션과 이미지 생성 방법 및 그 장치’, (2020.04.24. 공개)

본 발명의 일 목적은 인공지능(AI) 학습용 데이터를 어노테이션함에 있어, 이미지 속에 포함된 복수의 객체에 대하여 다중 바인딩 박스 선택을 통한 어노테이션 방법을 제공하는 것이다.

본 발명의 다른 목적은 이미지 속에 포함된 복수의 객체에 대하여 다중 바인딩 박스 선택을 통한 어노테이션 방법을 실행하기 위하여 기록메체에 기록된 컴퓨터 프로그램을 제공하는 것이다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 이미지 속에 포함된 객체를 용이하게 지정할 수 있는 어노테이션 방법을 제안한다. 상기 방법은 어노테이션 장치가, 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지 속의 복수의 객체(object) 중 하나를 포함하는 일부 영역을 제1 바운딩 박스(bounding box)로 설정하는 단계; 상기 어노테이션 장치가, 작업자의 제어에 따라, 상기 제1 바운딩 박스에 포함된 객체와 적어도 일부가 겹쳐진 다른 객체를 포함하는 일부 영역을 제2 바운딩 박스로 설정하는 단계; 및 상기 어노테이션 장치가, 상기 제1 바운딩 박스 및 상기 제2 바운딩 박스에 포함된 객체를 각각 추출하고, 상기 제1 바운딩 박스 및 상기 제2 바운딩 박스로부터 각각 추출된 객체를 상호 보완하는 단계를 포함할 수 있다.

구체적으로, 상기 제1 바운딩 박스로 설정하는 단계는 상기 이미지 내에서 상기 작업자로부터 입력된 두 좌표를 좌상단 꼭짓점(vertex)의 좌표와 우하단 꼭짓점의 좌표로 가지는 사각형을 기초로 상기 제1 바운딩 박스를 설정할 수 있다.

상기 제1 바운딩 박스로 설정하는 단계는 상기 이미지 내에서 상기 작업자로부터 입력된 네개의 좌표를 연결하는 사각형을 기초로 상기 제1 바운딩 박스를 설정할 수 있다.

상기 제2 바운딩 박스로 설정하는 단계는 상기 이미지 내에서 상기 작업자로부터 입력된 두 좌표를 좌상단 꼭짓점(vertex)의 좌표와 우하단 꼭짓점의 좌표로 가지는 사각형을 기초로 상기 제2 바운딩 박스를 설정할 수 있다.

상기 제2 바운딩 박스로 설정하는 단계는 상기 이미지 내에서 상기 작업자로부터 입력된 네개의 좌표를 연결하는 사각형을 기초로 상기 제2 바운딩 박스를 설정할 수 있다.

상기 상호 보완하는 단계는 상기 제1 바운딩 박스로부터 추출된 객체에서, 상기 제2 바운딩 박스로부터 추출된 객체의 일부를 삭제할 수 있다.

상기 상호 보완하는 단계는 상기 제1 바운딩 박스 및 제2 바운딩 박스 각각의 내측 영역에서 객체의 엣지(edge)를 추출하고, 추출된 엣지를 기준으로 객체(object)와 배경(background)을 구분할 수 있다.

상기 상호 보완하는 단계는 상기 제1 바운딩 박스 및 제2 바운딩 박스 각각에서 배경을 삭제한 객체의 영역으로 각각의 바운딩 박스를 수정할 수 있다.

상기 상호 보완하는 단계는 상기 제1 바운딩 박스로부터 추출된 객체에 상기 제2 바운딩 박스로부터 추출된 객체의 일부를 추가할 수 있다.

상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 어노테이션 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제안한다. 상기 컴퓨터 프로그램은 메모리(memory); 송수신기(transceiver); 및 상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합되어, 상기 프로세서가, 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지 속의 복수의 객체(object) 중 하나를 포함하는 일부 영역을 제1 바운딩 박스(bounding box)로 설정하는 단계; 상기 프로세서, 작업자의 제어에 따라, 상기 제1 바운딩 박스에 포함된 객체와 적어도 일부가 겹쳐진 다른 객체를 포함하는 일부 영역을 제2 바운딩 박스로 설정하는 단계; 및 상기 프로세서가, 상기 제1 바운딩 박스 및 상기 제2 바운딩 박스에 포함된 객체를 각각 추출하고, 상기 제1 바운딩 박스 및 상기 제2 바운딩 박스로부터 각각 추출된 객체를 상호 보완하는 단계를 실행시키기 위하여, 기록매체에 기록될 수 있다.

기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 실시 예들에 따르면, 인공지능(AI) 학습을 위한 다수의 이미지 각각에 대하여 어노테이션을 수행함에 있어, 이미지 속에 포함된 겹쳐진 복수의 객체에 대하여 각각 바운딩 박스를 설정하고, 각각의 바운딩 박스에서 추출된 객체를 상호 보완함으로써, 겹쳐진 복수의 객체의 추출에 대한 오류를 최소화할 수 있다.

도 1은 본 발명의 일 실시예에 따른 보안 관리 시스템의 구성도이다.
도 2 내지 도 4는 본 발명의 다양한 실시예에 따른 인공지능 학습 시스템의 구성도이다.
도 5 및 도 6은 본 발명의 일 실시예에 따른 어노테이션 장치의 논리적 구성도이다.
도 7은 본 발명의 일 실시예에 따른 어노테이션 장치의 하드웨어 구성도이다.
도 8 내지 도 12는 본 발명의 실시예에 따라 바운딩 박스를 설정하는 과정을 설명하기 위한 예시도이다.
도 13은 본 발명의 일 실시예에 따른 어노테이션 방법을 설명하기 위한 순서도이다.
도 14는 본 발명의 일 실시예에 따라 바운딩 박스를 설정하는 방법을 설명하기 위한 순서도이다.
도 15는 본 발명의 다른 실시예에 따라 바운딩 박스를 설정하는 방법을 설명하기 위한 순서도이다.
도 16은 본 발명의 또 다른 실시예에 따라 바운딩 박스를 설정하는 방법을 설명하기 위한 순서도이다.
도 17은 본 발명의 일 실시예에 따른 보안 관리 방법을 설명하기 위한 순서도이다.

본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.

또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

또한, 본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.

어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다. 본 발명의 사상은 첨부된 도면 외에 모든 변경, 균등물 내지 대체물에 까지도 확장되는 것으로 해석되어야 한다.

한편, 어노테이션 작업을 수행하는 작업자는 내국인으로써 국내에 작업을 수행하지 않고, 외국인으로써 국외의 인공지능 학습 시스템에 접속하여 어노테이션 작업을 수행할 수 있다. 이에 따라, 작업자의 개인정보가 해당 인공지능 학습 시스템에 유출되거나, 해당 인공지능 학습 시스템에서 수집된 어노테이션 대상 이미지에 포함된 개인 정보가 작업자에 유출되는 문제점이 있었다. 즉 어노테이션 작업을 수행함에 있어, 각 국가의 개인 정보가 해외에 유출될 수 있으며, 개인 정보의 타 국가 반출은 국가별 개인 정보 보호법 등에 대한 위법에 해당할 수 있다.

이에 따라, 전세계적으로 어노테이션 작업을 수행함에 있어, 국가별 개인정보 관련 법규에 따라 효율적으로 학습용 데이터를 관리할 수 있는 시스템 구축이 필요한 실정이다.

이러한 어려움을 극복하기 위하여, 본 발명은 전세계적으로 어노테이션 작업을 수행함에 있어, 국가별 개인정보 관련 법규에 따라 효율적으로 학습용 데이터를 관리할 수 있는 수단들을 제안하고자 한다.

도 1은 본 발명의 일 실시예에 따른 보안 관리 시스템의 구성도이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 보안 관리 시스템(600)은 인공지능 학습 시스템(400-1, 400-2, 400-3, …, 400-n; 400) 및 보안 관리 장치(500)를 포함하여 구성될 수 있다.

여기서, 인공지능 학습 시스템(400)은 어노테이션 장치, 학습 데이터 설계 장치 및 인공지능 학습 장치를 포함하여 구성될 수 있다. 한편 인공지능 학습 시스템(400)의 구체적인 구성 및 동작에 대해서는 추후 도 2 내지 도 4를 참조하여 설명하기로 한다.

이러한, 인공지능 학습 시스템(400)은 도시된 바와 같이 국가 별로 구비될 수 있다. 여기서 인공지능 학습 시스템(400)은 국가 별로 하나씩 구비된 것으로 도시되어 있지만, 이에 한정된 것은 아니고, 각 국가 별로 복수로 구비될 수 있다.

또한, 인공지능 학습 시스템(400)에 포함된 어노테이션 장치들은 동일 시스템 내에 구비된 학습 데이터 설계 장치로부터 어노테이션 작업에 대한 업무를 분배 받을 수 있으나, 타 시스템에 접속하여 어노테이션 작업을 수행할 수도 있다.

즉, 어노테이션 작업을 수행하는 작업자가 내국인으로써 국내에 작업을 수행하지 않고, 외국인으로써 국외의 인공지능 학습 시스템(400)에 접속하여 어노테이션 작업을 수행할 수 있다.

이 경우, 어노테이션 작업을 수행하는 작업자가 어노테이션 장치를 통해 국외의 인공지능 학습 시스템(400)에 접속할 경우, 작업자의 개인정보가 해당 인공지능 학습 시스템(400)에 유출되거나, 해당 인공지능 학습 시스템(400)에서 수집된 어노테이션 대상물에 포함된 개인 정보가 어노테이션 장치에 유출될 수 있다.

예를 들어, 한국 인공지능 학습 시스템(400-3)에 포함된 어노테이션 장치가 어노테이션 작업을 위해 미국 인공지능 학습 시스템(400-1)에 포함된 학습 데이터 설계 장치에 접속하는 경우, 한국과 미국의 개인 정보 보호법이 상이할 수 있기 때문에 위법 상황이 발생될 수 있다.

이에 따라, 각 인공지능 학습 시스템(400)의 학습 데이터 설계 장치 각각은 보안 정책에 따라 설정되는 공개 어노테이션 작업 대상물을 저장하는 비보안 영역과, 비공개 어노테이션 작업 대상물을 저장하는 보안 영역을 포함할 수 있다.

여기서 보안 영역과 비보안 영역은 어노테이션 작업의 속성, 어노테이션 작업자의 수 및 해당 국가의 개인정보 관련 법규 중 적어도 하나를 고려하여 설정될 수 있다. 즉 인공지능 학습 시스템(400)에서 어노테이션 작업이 프로젝트(project) 단위로 진행되게 되는데, 각 인공지능 학습 시스템(400)은 해당 프로젝트의 속성, 해당 프로젝트를 수행하는 어노테이션 작업자의 수 및 프로젝트를 수행하는 시스템의 해당 국가의 개인정보 관련 법규를 고려하여, 공개할 어노테이션 작업 대상물과, 비공개 어노테이션 작업 대상물을 구분하여 저장할 수 있다.

다음 구성으로, 보안 관리 장치(500)는 위와 같은 복수의 인공지능 학습 시스템(400) 각각의 어노테이션(annotation) 작업에 대한 보안 정책을 수집하여 관리할 수 있다.

이후, 보안 관리 장치(500)는 어노테이션 장치로부터 복수의 인공지능 학습 시스템(400)의 학습 데이터 설계 장치 중 하나로 어노테이션 작업을 위한 접근을 요청받으면, 접근을 요청한 인공지능 학습 시스템(400)의 보안 정책을 확인할 수 있다.

그리고, 보안 관리 장치(500)는 접근이 필요한 인공지능 학습 시스템(400)의 보안 정책에 따라 어노테이션 장치에 접근을 허용할 수 있다. 즉 보안 관리 장치(500)는 접근이 필요한 학습 데이터 설계 장치의 비보안 영역에 저장된 공개 어노테이션 대상물을 제공하여, 어노테이션 작업을 수행하도록 할 수 있다.

이때, 보안 관리 장치(500)는 접근을 요청한 어노테이션 장치의 식별 정보를 기초로, 접근을 요청한 어노테이션 장치의 국가를 식별하고, 식별된 국가에서 접속할 수 있는 인공지능 학습 시스템의 접근을 허용할 수 있다.

또한 보안 관리 장치(500)는 접근을 요청한 어노테이션 장치의 식별 정보를 기초로, 접근을 요청한 어노테이션 장치의 국가를 식별하고, 식별된 국가에서 접속할 수 있는 비보안 영역의 접근을 허용할 수도 있다.

즉 보안 관리 장치(500)는 접근을 요청한 어노테이션 장치의 국가를 식별하고, 국가별로 인공지능 학습 시스템(400) 또는 인공지능 학습 시스템(400) 내에 포함된 비보안 영역에 대하여 선택적으로 접근을 허용할 수 있다.

이후 어노테이션 장치는 접근이 허용된 학습 데이터 설계 장치의 비보안 영역에 저장된 공개 어노테이션 대상물에 대하여 어노테이션 작업을 수행할 수 있다.

여기서, 보안 관리 장치(500)는 접근을 요청한 어노테이션 장치의 위치 정보 또는 사용 언어를 인식하여, 접근을 요청한 어노테이션 장치의 국가를 식별할 수 있다.

또한, 보안 관리 장치(500)는 접근을 요청한 어노테이션 장치의 식별 정보를 기초로, 접근을 요청한 어노테이션 장치를 사용하는 작업자 정보를 식별하고, 식별된 작업자 정보에서 접속할 수 있는 인공지능 학습 시스템(400)의 접근을 허용할 수 있다. 여기서 작업자 정보는 어노테이션 작업을 수행하는 작업자의 개인 정보가 될 수 있다.

즉, 보안 관리 장치(500)는 각 국가의 보안 정책뿐만 아니라, 접근을 시도하는 어노테이션 장치의 국가, 어노테이션 장치를 통해 어노테이션 작업을 수행하는 작업자의 정보를 고려하여 접근을 제어할 수 있다.

이와 같이, 본 발명의 일 실시예에 따른 보안 관리 시스템(600)은 보안 관리 장치(500)를 통해 전세계적으로 어노테이션 작업을 수행함에 있어, 국가별 개인정보 관련 법규에 따라 효율적으로 학습용 데이터를 관리할 수 있다.

이와 같은, 본 발명의 일 실시예에 따른 보안 관리 시스템(600)은 데스크탑(desktop), 워크스테이션(workstation) 또는 서버(server)와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되지 아니하고, 스마트폰(smart phone), 랩탑(laptaop), 태블릿(tablet), 패블릿(phablet), 휴대용 멀티미디어 재생장치(Portable Multimedia Player, PMP), 개인용 휴대 단말기(Personal Digital Assistants, PDA) 또는 전자책 단말기(E-book reader)과 같은 이동식 컴퓨팅 장치 중 어느 하나가 될 수도 있다.

도 2 내지 도 4는 본 발명의 다양한 실시예에 따른 인공지능 학습 시스템의 구성도이다.

도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 학습 시스템(400)은 하나 이상의 어노테이션 장치(100-1, 100-2, 100-3, …, 100-n; 100) 및 인공지능 학습 장치(300)를 포함하여 구성될 수 있다.

도 3에 도시된 바와 같이, 본 발명의 다른 실시예에 따른 인공지능 학습 시스템(400)은 어노테이션 장치(100) 및 인공지능 학습 장치(300) 외에 학습 데이터 설계 장치(200)를 추가적으로 포함하여 구성될 수 있다.

또한, 도 4에 도시된 바와 같이, 본 발명의 또 다른 실시예에 따른 인공지능 학습 시스템(400)은 어노테이션 장치(100), 학습 데이터 설계 장치(200) 및 인공지능 학습 장치(300)가 공개된 네트워크(public network)를 통해 서로 연결될 수도 있다. 이 경우, 어노테이션 장치(100)의 일부는 클라우딩 서비스(clouding service)에 의해 어노테이션을 수행하는 장치가 될 수도 있다.

이와 같은, 다양한 실시예에 따른 인공지능 학습 시스템의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.

각각의 구성 요소에 대하여 설명하면, 어노테이션 장치(100)는 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)로부터 제공된 이미지에 대하여 어노테이션을 수행하는데 사용될 수 있는 장치이다.

특히, 본 발명에 따른 어노테이션 장치(100)는 어노테이션 작업과 관련하여 바운딩 박스를 설정하고, 객체의 속성 정보를 입력하는 과정에서 작업자에게 다양한 편의성을 제공할 수 있는 특징을 가지고 있다.

이와 같은, 어노테이션 장치(100)는 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)와 데이터를 송수신하고, 송수신된 데이터를 이용하여 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다.

예를 들어, 어노테이션 장치(100)는 데스크탑(desktop), 워크스테이션(workstation) 또는 서버(server)와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되지 아니하고, 스마트폰(smart phone), 랩탑(laptaop), 태블릿(tablet), 패블릿(phablet), 휴대용 멀티미디어 재생장치(Portable Multimedia Player, PMP), 개인용 휴대 단말기(Personal Digital Assistants, PDA) 또는 전자책 단말기(E-book reader)과 같은 이동식 컴퓨팅 장치 중 어느 하나가 될 수도 있다.

상술한 바와 같은, 어노테이션 장치(100)에 대한 구체적인 구성 및 동작에 대해서는 추후 도 5 내지 도 16을 참조하여 설명하기로 한다.

다음 구성으로, 학습 데이터 설계 장치(200)는 인공지능(AI) 학습용 데이터를 설계 및 생성하는데 사용될 수 있는 장치이다. 이와 같은, 학습 데이터 설계 장치(200)는 기본적으로 인공지능 학습 장치(300)와 구분되는 장치이나, 실제 물리적 환경에서 인공지능 학습 장치(300)에 통합되어 구현될 수도 있다.

구체적으로, 학습 데이터 설계 장치(200)는 인공지능 학습 장치(300)로부터 인공지능(AI) 학습과 관련된 프로젝트의 속성을 수신할 수 있다. 학습 데이터 설계 장치(200)는 사용자의 제어 및 프로젝트의 속성을 기초로, 인공지능(AI) 학습을 위한 데이터 구조의 설계, 수집된 데이터의 정제, 데이터의 가공, 데이터의 확장 및 데이터의 검증을 수행할 수 있다.

특히, 학습 데이터 설계 장치(200)는 인공지능(AI) 학습을 위한 데이터 가공을 위하여, 어노테이션의 대상이 되는 이미지를 어노테이션 장치(100)에 전송할 수 있다. 학습 데이터 설계 장치(200)는 어노테이션 장치(100)로부터 어노테이션 작업 결과물을 수신할 수 있다. 이 경우, 어노테이션 작업 결과물은 JSON(Java Script Object Notation) 파일 형식을 가질 수 있다. 이와 다르게, 학습 데이터 설계 장치(200)는 JSON과 다른 형식의 어노테이션 작업 결과물을 수신한 후, 수신된 결과물을 기초로 JSON 파일을 생성할 수도 있다. 그리고, 학습 데이터 설계 장치(200)는 수신 또는 생성된 JSON 파일을 검수(inspection)한 후, 이를 패키징하여 인공지능 학습 장치(300)에 전송할 수 있다.

이와 같은, 학습 데이터 설계 장치(200)는 어노테이션 장치(100) 및 인공지능 학습 장치(300)와 데이터를 송수신하고, 송수신된 데이터를 이용하여 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 학습 데이터 설계 장치(200)는 데스크탑, 워크스테이션 또는 서버와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되는 것은 아니다.

다음 구성으로, 인공지능 학습 장치(300)는 인공지능(AI) 학습용 데이터를 기초로, 인공지능(AI)의 기계 학습을 수행하는데 사용될 수 있는 장치이다.

구체적으로, 인공지능 학습 장치(300)는 어노테이션 장치(100)로부터 직접 또는 학습 데이터 설계 장치(200)로부터 패키징된 JSON 파일을 수신할 수 있다. 그리고, 인공지능 학습 장치(300)는 수신된 JSON 파일을 이용하여 인공지능(AI)의 기계 학습을 수행할 수 있다.

이와 같은, 인공지능 학습 장치(300)는 어노테이션 장치(100) 또는 학습 데이터 설계 장치(200)와 데이터를 송수신하고, 송수신된 데이터를 이용하여 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 인공지능 학습 장치(300)는 데스크탑, 워크스테이션 또는 서버와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되는 것은 아니다.

상술한 바와 같은, 하나 이상의 어노테이션 장치(100), 학습 데이터 설계 장치(200) 및 인공지능 학습 장치(300)는 장치들 사이에 직접 연결된 보안회선, 공용 유선 통신망 또는 이동 통신망 중 하나 이상이 조합된 네트워크를 이용하여 데이터를 송수신할 수 있다.

예를 들어, 공용 유선 통신망에는 이더넷(ethernet), 디지털가입자선(x Digital Subscriber Line, xDSL), 광동축 혼합망(Hybrid Fiber Coax, HFC), 광가입자망(Fiber To The Home, FTTH)가 포함될 수 있으나, 이에 한정되는 것도 아니다. 그리고, 이동 통신망에는 코드 분할 다중 접속(Code Division Multiple Access, CDMA), 와이드 밴드 코드 분할 다중 접속(Wideband CDMA, WCDMA), 고속 패킷 접속(High Speed Packet Access, HSPA), 롱텀 에볼루션(Long Term Evolution, LTE), 5세대 이동통신(5th generation mobile telecommunication)가 포함될 수 있으나, 이에 한정되는 것은 아니다.

이하, 상술한 바와 같은, 어노테이션 장치(100)의 구성에 대하여 보다 구체적으로 설명하기로 한다.

도 5 및 도 6은 본 발명의 일 실시예에 따른 어노테이션 장치의 논리적 구성도이다.

도 5 및 도 6에 도시된 바와 같이, 어노테이션 장치(100)는 통신부(105), 입출력부(110), 저장부(115), 바운딩 박스 설정부(120), 객체 속성 설정부(125) 및 결과물 생성부(130)를 포함하여 구성될 수 있다.

이와 같은, 어노테이션 장치(100)의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.

각각의 구성 요소에 대하여 설명하면, 통신부(105)는 학습 데이터 설계 장치(200) 및 인공지능 학습 장치(300)와 데이터를 송수신할 수 있다.

구체적으로, 통신부(105)는 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)로부터 하나 이상의 이미지를 수신할 수 있다.

여기서, 이미지는 인공지능(AI) 학습을 위한 어노테이션 작업의 대상이 되는 이미지이다. 이와 같은, 이미지는 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)가 설계한 데이터 가공 계획에 따라, 어노테이션 작업의 대상이 되는 이미지를 개별적으로 수신하거나, 또는 복수 개의 이미지를 일괄적으로 수신할 수 있다.

통신부(105)는 어노테이션의 작업 결과물을 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)에 전송할 수 있다.

여기서, 작업 결과물은 작업자의 제어에 따라 설정된 바운딩 박스의 좌표 및 객체의 속성 정보가 포함될 수 있다. 또한, 작업 결과물은 JSON 파일 형식을 가질 수 있으나, 이에 한정되는 것은 아니다.

그리고, 통신부(150)는 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)로부터 프로젝트의 속성, 이미지의 속성 또는 작업자의 속성을 수신할 수 있다.

여기서, 프로젝트의 속성에는 인공지능(AI)의 학습과 관련된 프로젝트에 대한 학습 목적, 학습 기간, 학습에 필요한 이미지의 수, 이미지에서 식별하고자 하는 객체의 속성, 바운딩 박스 설정 규칙 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.

이미지의 속성에는 이미지의 파일명, 이미지의 크기(너비, 높이), 해상도, 비트 수준, 압축 형식, 촬영 장치명, 노출 시간, ISO 감도, 초점 거리, 조리개 개방 값, 촬영 장소 좌표(GPS 위도, 경도), 촬영 시각 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.

작업자의 속성에는 작업자의 명칭, 식별번호, 할당된 작업량, 작업에 따른 비용, 작업 결과 평가 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.

또한, 바운딩 박스 설정 규칙은 프로젝트의 속성, 이미지의 속성 또는 작업자의 속성에 따라, 작업자가 이미지 내의 객체에 바운딩 박스를 설정하는 과정에서 지켜야 하는 규칙이다. 이러한, 바운딩 박스 설정 규칙에는 영역의 최소 크기 값, 객체의 외곽선으로부터의 최대 이격 픽셀 수 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.

다음 구성으로, 입출력부(110)는 사용자 인터페이스(User Interface, UI)를 통해 작업자로부터 신호를 입력 거나, 또는 연산된 결과를 외부로 출력할 수 있다.

여기서, 작업자는 어노테이션 작업을 수행하는 자를 의미한다. 이와 같은, 작업자는 사용자, 수행자, 라벨러 또는 데이터 라벨러 등으로 지칭될 수 있으며, 이에 한정되는 것은 아니다.

구체적으로, 입출력부(110)는 어노테이션 작업의 대상이 되는 이미지를 출력할 수 있다. 입출력부(110)는 바운딩 박스를 설정하기 위한 제어 신호를 작업자로부터 입력 받을 수 있다. 그리고, 입출력부(110)는 이미지 위에 바운딩 박스를 오버레이(overlay)하여 출력할 수 있다.

여기서, 바운딩 박스(bounding box)는 이미지 속에 포함된 객체들 중에서 인공지능(AI) 학습의 대상이 되는 객체를 특정하기 위한 영역이다. 이와 같은, 바운딩 박스는 사각형(rectangle) 또는 다각형(polygon) 형상을 가질 수 있으며, 이에 한정되는 것은 아니다.

입출력부(110)는 객체의 속성 정보로 활용될 수 있는 추천 정보의 목록을 출력할 수 있다. 그리고, 입출력부(110)는 객체의 속성 정보를 설정하기 위한 제어 신호를 작업자로부터 입력 받을 수 있다.

여기서, 추천 정보(proposed information)의 목록은 객체의 속성 정보에 포함될 가능성이 높은 정보들로 구성되어, 작업자가 어노테이션을 수행하는 과정에서 객체의 속성 정보로 활용할 수 있는 정보들의 목록(list)이다.

또한, 객체의 속성 정보는 인공지능(AI) 학습의 대상이 되는 객체의 속성을 지정하기 위한 정보이다. 이와 같은, 객체의 속성 정보에는 어노테이션의 종류(type), 클래스 명(class), 분류 항목(tags), 객체의 잘림 여부(truncated), 대분류, 소분류 또는 상위 레벨(instance upper)에 관한 정보가 포함될 수 있으며, 이에 한정되는 것은 아니다.

다음 구성으로, 저장부(115)는 어노테이션 작업에 필요한 데이터를 저장할 수 있다.

구체적으로, 저장부(115)는 통신부(105)를 통해 수신된 이미지를 저장할 수 있다. 저장부(115)는 통신부(105)를 통해 수신된 프로젝트의 속성, 이미지의 속성 또는 작업자의 속성을 저장할 수 있다.

저장부(115)는 입출력부(110)를 통해 입력된 제어 신호에 따라 설정된 바운딩 박스의 위치 및 크기를 임시 저장할 수 있다. 저장부(115)는 입출력부(110)를 통해 입력된 객체의 속성을 임시 저장할 수 있다.

다음 구성으로, 바운딩 박스 설정부(120)는 이미지 속에 포함된 객체들 중에서 인공지능(AI) 학습의 대상이 되는 객체를 특정하기 위한 바운딩 박스를 설정할 수 있다.

이러한 바운딩 박스 설정부(120)는 바운딩 박스 설정 모듈(121), 객체 식별 모듈(123), 바운딩 박스 수정 모듈(125) 및 객체 상호 보완 모듈(127)을 포함하여 구성될 수 있다.

바운딩 박스 설정 모듈(121)은 입출력부(110)를 통해 입력된, 작업자의 제어에 따라 학습을 위한 어노테이션 작업의 대상이 되는 이미지 속의 일부 영역을 바운딩 박스로 설정할 수 있다.

또한 바운딩 박스 설정 모듈(121)은 작업자의 제어에 따라, 인공지능 학습을 위한 어노테이션 작업의 대상이 되는 이미지의 복수의 객체(object) 중 하나를 포함하는 일부 영역을 제1 바운딩 박스로 설정하고, 제1 바운딩 박스에 포함된 객체와 적어도 일부가 겹쳐진 다른 객체를 포함하는 일부 영역을 제2 바운딩 박스로 설정할 수 있다.

이때, 바운딩 박스 설정 모듈(121)은 입출력부(110)를 통해 작업자로부터 두 개의 좌표를 입력 받고, 입력된 두 좌표를 이미지 내에서 좌상단 꼭지점(vertex)의 좌표와 우하단 꼭지점의 좌표로 가지는 사각형을 기초로 바운딩 박스를 설정할 수 있다. 이 경우, 두 개의 좌표는 작업자가 한 종류의 입력 신호를 두 번 입력(예들 들어, 마우스 클릭)하여 설정되거나, 작업자가 두 종류의 입력 신호를 한번씩 입력(예를 들어, 마우스 드래그)하여 설정될 수 있으나, 이에 한정되는 것은 아니다.

이와 다르게, 바운딩 박스 설정 모듈(121)은 입출력부(110)를 통해 작업자로부터 네 개의 좌표를 입력 받고, 입력된 네 개의 좌표를 연결하는 선을 기초로 바운딩 박스를 설정할 수 있다. 이 경우, 네 개의 좌표는 작업자가 한 종류의 입력 신호를 네 번 입력(예들 들어, 마우스 클릭)하여 설정될 수 있다.

또한, 바운딩 박스 설정 모듈(121)은 작업자의 제어에 따라, 학습을 위한 어노테이션 작업의 대상이 되는 이미지 속의 특정 지점을 선택받을 수 있다. 여기서 특정 지점은 입출력부(11)를 통해 작업자로부터 입력받은 한 개의 좌표가 될 수 있다. 그리고 바운딩 박스 설정 모듈(121)은 선택받은 특정 지점을 중심으로 이미지 속의 객체를 포함하는 영역에 해당하는 바운딩 박스를 설정할 수 있다. 구체적으로, 바운딩 박스 설정 모듈(121)은 특정 지점을 중심점으로 하는 사전에 미리 설정된 반지름 값을 갖는 원을 형성하고, 작업자의 제어에 따라 원을 이동시켜 선택된 영역을 바운딩 박스로 설정할 수 있다.

여기서, 바운딩 박스 설정 모듈(121)은 특정 지점을 중심으로 영역을 넓혀가고, 영역 내부에 특정 객체가 모두 포함되는 시점의 해당 영역을 바운딩 박스로 설정할 수 있다. 이때 바운딩 박스 설정 모듈(121)은 작업자의 제어에 따라, 특정 지점을 중심으로 영역을 넓혀가고, 작업자가 선택한 특정 영역을 바운딩 박스로 설정할 수도 있다. 구체적으로, 바운딩 박스 설정 모듈(121)은 특정 지점을 중심점으로 하는 원을 형성하고, 중심점을 중심으로 원의 반지름을 넓혀가면서, 원에 특정 객체가 모두 포함되는 시점의 해당 영역을 바운딩 박스로 설정할 수 있다.

이후, 바운딩 박스 설정 모듈(121)은 제1 바운딩 박스 내에서, 제1 바운딩 박스 내에 포함된 객체를 특정하기 위한 제2 특정 지점을 선택할 수 있다. 즉 바운딩 박스 설정 모듈(121)은 객체를 보다 정확히 인식하기 위하여 제1 바운딩 박스 영역 내에서 제2 특정 지점을 다시 지정할 수 있다.

그리고 바운딩 박스 설정 모듈(212)은 제2 특정 지점을 중심으로 영역을 넓혀가고, 영역 내부에 특정 객체가 모두 포함되는 시점의 해당 영역을 최종 바운딩 박스로 설정할 수 있다. 이때 제2 특정 지점은 최종 바운딩 박스에서 객체를 제외한 배경 영역이 최소화되도록 설정될 수 있다.

여기서, 바운딩 박스 설정 모듈(121)은 미리 학습된 기계 학습 모델을 통해 특정 지점을 지정하고, 지정된 특정 지점을 중심으로 객체를 포함하는 바운딩 박스를 설정할 수 있다.

객체 식별 모듈(123)은 작업자의 제어에 의해 설정된 바운딩 박스의 내측 영역에 완전히 포함되거나, 바운딩 박스를 구성하는 복수 개의 선분 중에서 하나 이상의 선분에 걸쳐 있는 객체를 식별할 수 있다.

구체적으로, 객체 식별 모듈(123)은 작업자의 제어 의해 설정된 바운딩 박스 내측 영역에 포함된 객체의 전부 또는 일부를 식별할 수 있다. 이를 위하여, 객체 식별 모듈(123)은 바운딩 박스 내측 영역에 대하여 이미지 처리(image processing)를 수행할 수 있다.

이를 위해, 객체 식별 모듈(123)은 바운딩 박스의 내측 영역에서 각 픽셀(pixel)에 대한 RGB 값을 검출하고, 검출된 RGB 값을 통해 객체의 엣지(edge)를 추출할 수 있다. 이때 객체 식별 모듈(123)은 바운딩 박스의 내측 영역에서 각 픽셀(pixel)에 대한 RGB 값을 검출하고, 인접한 픽셀과의 RGB 값의 변화량이 사전 설정된 임계 값보다 높은 지점을 엣지로 추출할 수 있다.

예를 들어, 객체 식별 모듈(123)은 바운딩 박스 내측 영역을 RGB(Red, Green, Blue)에 따라 세 개의 이미지로 분할할 수 있다. 객체 식별 모듈(123)은 세 개의 이미지로 분할된 각 이미지의 엣지를 추출(edge detection)할 수 있다. 보다 상세하게, 객체 식별 모듈(123)은 각 이미지의 엣지 추출을 위하여, LoG(Laplacian of Gaussian) 알고리즘 또는 DoG(Difference of Gaussian) 알고리즘 중 어느 하나를 이용할 수 있다.

LoG 알고리즘을 이용할 경우, 객체 식별 모듈(123)은 가우시안 필터(Gaussian filter)를 이용하여 이미지 내에 존재하는 잡음을 제거할 수 있다. 객체 식별 모듈(123)은 잡음이 제거된 이미지에 라플라시안 필터(Laplacian)를 적용할 수 있다. 그리고, 객체 식별 모듈(123)은 라플라시안 필터가 적용된 이미지에 영교차(zerocrossing)을 검출하여 엣지를 추출할 수 있다.

DoG 알고리즘을 이용할 경우, 객체 식별 모듈(123)은 이미지로부터 분산이 서로 다른 가우시안 마스크(Gaussian mask)를 두 개 생성한다. 객체 식별 모듈(123)은 생성된 하나의 마스크에서 다른 하나의 마스크를 뺀다. 그리고, 객체 식별 모듈(123)은 뺀 마스크를 이미지에 적용하여 엣지를 추출할 수 있다.

여기서 객체 식별 모듈(123)은 추출된 엣지를 기준으로 객체와 배경을 구분하고, 배경을 삭제하고 객체만을 인식하여 객체 정보만을 추출하는 배경 제거 과정이 수행될 수 있다.

또한 객체 식별 모듈(123)은 영상으로부터 객체를 추출하기에 앞서, 이미지 내에 존재하는 객체들의 경계를 개선하기 위해 상대적으로 투명한 픽셀을 제거한 후 테두리를 부드럽게 처리하는 과정을 수행한다. 이를 위해, 대상 이미지로부터 투명도 채널을 추출하고, 미리 설정된 투명도 임계값보다 낮은 투명도 값을 갖는 영역을 제거하되, 추출된 상기 투명도 채널의 가장자리를 블러링(blurring)하여 이미지를 전처리할 수 있다. 보다 구체적으로, 객체 식별 모듈(123)은 이미지의 RGBA 이미지로부터 알파 채널(투명도 채널)을 추출하고, 투명도 임계값을 기준으로 그 이상의 영역은 불투명으로 표시하되 투명도 임계값보다 낮은 영역은 완전히 투명하게 변환시킬 수 있다. 그런 다음, 앞서 추출된 알파 채널의 가장자리를 부드럽게 처리(blurring)함으로써 이후의 객체 분리 과정을 보다 용이하게 해준다. 성능 보장의 측면에서 이상의 과정은, 예를 들어 2회 수행될 수 있다.

이후, 객체 식별 모듈(123)은 중요 물체 검출(salient object detection, SOD)을 이용하여 각 픽셀(pixel)들에 중요 물체가 속할 확률을 강도(intensity) 값으로 도출함으로써, 대상 이미지 내의 배경으로부터 객체를 분리하여 추출할 수 있다. 중요 물체 검출에 관한 다양한 알고리즘이 존재하는데, 여기서는 U2 net을 활용하여 구현된 예를 소개한다. 우선, 객체 추출을 위한 손실 함수는 다음의 수학식 1과 같다.

여기서,

은 모델의 각 스테이지마다의 중요 맵 손실(saliency map loss)이고, (r, c)는 픽셀 좌표이고, (H, W)는 이미지의 높이와 너비이고, P_G는 픽셀의 ground truth 값이며, P_S는 중요 맵(saliency map)을 예측한 값을 나타낸다.

또한, 최종 손실 함수는 다음의 수학식 2와 같다.

여기서,

는 U2 net의 각 스테이지의 중요 맵을 업샘플링하고 1Х1 컨볼루션 및 시그모이드(sigmoid) 함수를 융합해 연산한 결과이고,

는 U2 net의 각 스테이지에서의 중요 맵 손실의 결과이고,

는 s_fuse의 손실(loss)이며,

, w_fuse는 각 스테이지에서의 가중치, 및 모든 스테이지를 융합한 가중치를 나타낸다.

한편 객체 식별 모듈(123)은 전처리 된 이미지에 투명도를 부여하면서, 객체가 보이지 않는 경계값을 기준으로 RGBA 이미지 내의 배경으로부터 객체를 분리하여 추출할 수 있다.

또한 객체 식별 모듈(123)은 RGBA 이미지에서 투명도 채널을 추출하고, 투명도가 사전에 설정된 임계 값보다 낮은 투명도를 갖는 픽셀 영역을 배경으로 구분할 수도 있다.

바운딩 박스 수정 모듈(125)은 배경을 삭제한 객체의 영역으로 바운딩 박스를 수정할 수 있다. 즉 바운딩 박스 수정 모듈(125)은 객체 식별 모듈(123)에 의해 객체와 배경을 구분된 이미지에서 배경을 삭제한 인식된 객체의 크기에 맞춰서 바운딩 박스를 수정할 수 있다.

객체 상호 보완 모듈(127)은 바운딩 박스 설정 모듈(121)에 의해 겹쳐진 복수의 객체에 각각 바운딩 박스가 설정되면, 각각의 바운딩 박스에 포함된 객체를 추출하고, 각각의 바운딩 박스로부터 추출된 객체를 상호 보완할 수 있다.

예를 들어, 객체 상호 보완 모듈(127)은 제1 바운딩 박스로부터 추출된 객체에서, 제2 바운딩 박스로부터 추출된 객체의 일부를 삭제할 수 있다. 이에 따라, 객체 상호 보완 모듈(127)은 밀접한 복수의 객체를 중복없이 검출하도록 할 수 있다.

또한 객체 상호 보완 모듈(127)은 제1 바운딩 박스로부터 추출된 객체에 제2 바운딩 박스로부터 추출된 객체의 일부를 추가할 수 있다. 이에 따라, 객체 상호 보완 모듈(127)은 경계가 폐쇄되지 않거나, 바운딩 박스 오생성으로 누락된 부분을 다른 바운딩 박스에서 추출된 객체로부터 추가할 수 있다.

다음 구성으로, 객체 속성 설정부(125)는 바운딩 박스에 의해 특정된 객체의 속성을 설정할 수 있다. 특히, 본 발명에 따른 객체 속성 설정부(125)는 작업자가 속성 정보를 직접 입력하기 이전에, 선제적으로 객체의 속성 정보로 활용될 수 있는 추천 정보의 목록을 제공할 수 있다.

우선적으로, 객체 속성 설정부(125)는 바운딩 박스 설정부(120)에 의해 설정된 바운딩 박스에 대응하는 객체의 속성 정보로 활용될 수 있는 추천 정보의 목록을 작성할 수 있다.

일 실시예로, 객체 속성 설정부(125)는 사전에 설정된 인공지능(AI) 학습과 관련된 프로젝트의 속성, 이미지의 속성 또는 작업자의 속성에 따라, 객체의 속성 정보로 활용될 가능성이 있는 정보를 포함시켜 추천 정보의 목록을 작성할 수 있다.

다른 실시예로, 객체 속성 설정부(125)는 바운딩 박스 설정(120)에 의해 설정된 바운딩 박스 내에 포함된 픽셀들의 평균 색상, 채도 또는 명도를 산출할 수 있다. 객체 속성 설정부(125)는 객체의 유형별로 구성된 색상, 채도 또는 명도의 확률 분포도를 기초로, 산출된 평균 색상, 채도 또는 명도에 따라 하나의 추천 객체의 유형을 선택할 수 있다. 그리고, 객체 속성 설정부(125)는 선택된 추천 객체의 유형과 관련된 정보를 포함시켜 추천 정보의 목록을 작성할 수 있다.

또 다른 실시예로, 객체 속성 설정부(125)는 어노테이션 장치(100)의 로컬 저장장치(local storage)에 저장된 작업자의 작업 로그(log)로부터 작업자가 기존에 입력한 속성 정보의 입력 빈도를 식별할 수 있다. 그리고, 객체 속성 설정부(125)는 식별된 입력 빈도를 기초로, 입력 빈도가 높은 속성 정보를 포함시켜 추천 정보의 목록을 작성할 수 있다.

다음으로, 객체 속성 설정부(125)는 기 작성된 추천 정보의 목록을 필터링할 수 있다.

구체적으로, 객체 속성 설정부(125)는 기 작성된 추천 정보의 목록에 포함된 정보 중에서, 작업자가 바운딩 박스를 설정하는 과정에서 사용한 작업 툴(tool)에 의해 설정될 수 없는 객체의 유형과 관련된 정보(즉, 객체와 무관한 정보)들을 제거할 수 있다.

일 실시예로, 작업자가 바운딩 박스를 설정하는 과정에서 사각형 모양의 영역을 지정할 수 있는 툴을 사용한 경우, 객체 속성 설정부(125)는 기 작성된 추천 정보의 목록에서 생명체에 해당하는 객체의 유형과 관련된 정보들을 제거할 수 있다.

다른 실시예로, 작업자가 바운딩 박스를 설정하는 과정에서 객체의 스켈레톤(skeleton) 구조를 지정할 수 있는 툴을 사용한 경우, 객체 속성 설정부(125)는 기 작성된 추천 정보의 목록에서 뼈대를 가지지 않는 객체의 유형과 관련된 정보들을 제거할 수도 있다.

객체 속성 설정부(125)는 추천 정보의 목록에서 객체와 무관한 정보가 제거되고 남은 정보들을 정렬할 수 있다.

일 실시예로, 객체 속성 설정부(125)는 이미지 내에서 바운딩 박스가 차지하고 있는 위치 또는 크기를 기초로, 사전에 설정된 정렬 기준에 따라 추천 정보의 목록에 포함된 정보를 정렬할 수 있다.

다른 실시예로, 객체 속성 설정부(125)는 객체의 유형별로 사전에 구비된 기초 형상과 바운딩 박스에 포함된 객체의 형상을 대비하여, 두 형상의 유사성을 기초로 추천 정보의 목록에 포함된 정보를 정렬할 수도 있다.

다음으로, 객체 속성 설정부(125)는 작성 및 필터링된 추천 정보의 목록을 입출력부(110)를 출력할 수 있다. 그리고, 객체 속성 설정부(125)는 입출력부(110)를 통해 작업자로부터 객체의 속성 정보를 설정하기 위한 제어 신호를 입력받을 수 있다.

객체 속성 설정부(125)는 작업자의 제어에 의해 추천 정보의 목록 중에서 하나의 정보가 선택되면, 선택된 정보에 대응하는 객체의 유형에 따라 피드백(feedback)을 제공할 수 있다.

일 실시예로, 객체 속성 설정부(125)는 선택된 정보에 대응하는 객체의 유형에 따라 서로 다르게 설정된 색상 또는 투명도를 반영하여, 바운딩 박스 내부의 영역 또는 객체 내부의 영역과 관련된 사용자 인터페이스(User Interface, UI)를 변경할 수 있다.

다음 구성으로, 결과물 생성부(130)는 어노테이션의 작업 결과물을 생성하여, 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)에 전송할 수 있다.

구체적으로, 결과물 생성부(130)는 작업자의 제어에 의해 확대 또는 축소된 바운딩 박스의 위치 및 크기가 확정되고, 추천 정보 목록을 기초로 작업자의 제어에 의해 객체의 속성 정보가 확정되면, 확정된 바운딩 박스의 위치 및 크기에 따른 좌표 및 확정된 속성 정보를 포함하여 어노테이션의 작업 결과물을 생성할 수 있다. 이와 같은, 작업 결과물은 JSON 파일 형식을 가질 수 있으나, 이에 한정되는 것은 아니다.

그리고, 결과물 생성부(130)는 생성된 어노테이션의 작업 결과물을 통신부(105)를 통해 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)에 전송할 수 있다.

이하, 상술한 바와 같은 어노테이션 장치(100)의 논리적 구성요소를 구현하기 위한 하드웨어에 대하여 보다 구체적으로 설명한다.

도 7은 본 발명의 일 실시예에 따른 어노테이션 장치의 하드웨어 구성도이다.

도 7에 도시된 바와 같이, 어노테이션 장치(100)는 프로세서(Processor, 150), 메모리(Memory, 155), 송수신기(Transceiver, 160), 입출력장치(Input/output device, 165), 데이터 버스(Bus, 170) 및 스토리지(Storage, 175)를 포함하여 구성될 수 있다.

프로세서(150)는 메모리(155)에 상주된 어노테이션 방법이 구현된 소프트웨어(180a)에 따른 명령어를 기초로, 어노테이션 장치(100)의 동작 및 기능을 구현할 수 있다. 메모리(155)에는 어노테이션 방법이 구현된 소프트웨어(180a)가 상주(loading)될 수 있다. 송수신기(160)는 학습 데이터 설계 장치(200) 및 인공지능 학습 장치(300)와 데이터를 송수신할 수 있다. 입출력장치(165)는 어노테이션 장치(100)의 동작에 필요한 데이터를 입력 받고, 이미지, 바운딩 박스 및 추천 정보의 목록을 출력할 수 있다. 데이터 버스(170)는 프로세서(150), 메모리(155), 송수신기(160), 입출력장치(165) 및 스토리지(175)와 연결되어, 각각의 구성 요소 사이가 서로 데이터를 전달하기 위한 이동 통로의 역할을 수행할 수 있다.

스토리지(175)는 어노테이션 방법이 구현된 소프트웨어(180a)의 실행을 위해 필요한 애플리케이션 프로그래밍 인터페이스(Application Programming Interface, API), 라이브러리(library) 파일, 리소스(resource) 파일 등을 저장할 수 있다. 스토리지(175)는 어노테이션 방법이 구현된 소프트웨어(180b)를 저장할 수 있다. 또한, 스토리지(175)는 어노테이션 방법의 수행에 필요한 정보들을 저장할 수 있다. 특히, 스토리지(175)는 어노테이션 작업의 대상이 되는 이미지, 프로젝트의 속성, 이미지의 속성, 작업자의 속성 및 작업자의 작업 로그 등을 저장하는 데이터베이스(185)를 포함할 수 있다.

본 발명의 일 실시예에 따르면, 메모리(155)에 상주되거나 또는 스토리지(175)에 저장된 어노테이션 방법을 구현하기 위한 소프트웨어(180a, 180b)는 프로세서(150)가 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지 속의 일부 영역을 바운딩 박스(bounding box)로 설정하는 단계, 프로세서(150)가 바운딩 박스의 내측 영역에서 객체의 엣지(edge)를 추출하고, 추출된 엣지를 기준으로 객체(object)와 배경(background)을 구분하는 단계 및 프로세서가, 배경을 삭제한 객체의 영역으로 바운딩 박스를 수정하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

본 발명의 다른 실시예에 따르면, 메모리(155)에 상주되거나 또는 스토리지(175)에 저장된 어노테이션 방법을 구현하기 위한 소프트웨어(180a, 180b)는 프로세서(150)가 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지 속의 복수의 객체(object) 중 하나를 포함하는 일부 영역을 제1 바운딩 박스(bounding box)로 설정하는 단계, 프로세서(150), 작업자의 제어에 따라, 제1 바운딩 박스에 포함된 객체와 적어도 일부가 겹쳐진 다른 객체를 포함하는 일부 영역을 제2 바운딩 박스로 설정하는 단계 및 프로세서(150)가, 제1 바운딩 박스 및 제2 바운딩 박스에 포함된 객체를 각각 추출하고, 제1 바운딩 박스 및 제2 바운딩 박스로부터 각각 추출된 객체를 상호 보완하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

본 발명의 또 다른 실시예에 따르면, 메모리(155)에 상주되거나 또는 스토리지(175)에 저장된 어노테이션 방법을 구현하기 위한 소프트웨어(180a, 180b)는 프로세서(150)가, 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지 속의 특정 지점을 선택받는 단계 및 프로세서(150)가, 선택받은 특정 지점을 중심으로 이미지 속의 객체를 포함하는 영역에 해당하는 바운딩 박스(bounding box)를 설정하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

보다 구체적으로, 프로세서(150)는 ASIC(Application-Specific Integrated Circuit), 다른 칩셋(chipset), 논리 회로 및/또는 데이터 처리 장치를 포함할 수 있다. 메모리(155)는 ROM(Read-Only Memory), RAM(Random Access Memory), 플래쉬 메모리, 메모리 카드, 저장 매체 및/또는 다른 저장 장치를 포함할 수 있다. 송수신기(160)는 유무선 신호를 처리하기 위한 베이스밴드 회로를 포함할 수 있다. 입출력장치(165)는 키보드(keyboard), 마우스(mouse), 및/또는 조이스틱(joystick) 등과 같은 입력 장치 및 액정표시장치(Liquid Crystal Display, LCD), 유기 발광 다이오드(Organic LED, OLED) 및/또는 능동형 유기 발광 다이오드(Active Matrix OLED, AMOLED) 등과 같은 영상 출력 장치 프린터(printer), 플로터(plotter) 등과 같은 인쇄 장치를 포함할 수 있다.

본 명세서에 포함된 실시 예가 소프트웨어로 구현될 경우, 상술한 방법은 상술한 기능을 수행하는 모듈(과정, 기능 등)로 구현될 수 있다. 모듈은 메모리(155)에 상주되고, 프로세서(150)에 의해 실행될 수 있다. 메모리(155)는 프로세서(150)의 내부 또는 외부에 있을 수 있고, 잘 알려진 다양한 수단으로 프로세서(150)와 연결될 수 있다.

도 7에 도시된 각 구성요소는 다양한 수단, 예를 들어, 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 본 발명의 일 실시예는 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, 콘트롤러, 마이크로 콘트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.

또한, 펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 일 실시예는 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차, 함수 등의 형태로 구현되어, 다양한 컴퓨터 수단을 통하여 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 이러한, 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이하, 지금까지 상술한 바와 같은 본 발명의 다양한 실시예에 따른 인공지능 학습 시스템의 특징들에 대하여, 도면을 참조하여 구체적으로 설명하기로 한다.

도 8 내지 도 12는 본 발명의 실시예에 따라 바운딩 박스를 설정하는 과정을 설명하기 위한 예시도이다.

도 8 및 도 12를 참조하면, 본 발명의 일 실시예에 따른 인공지능 학습 시스템의 어노테이션 장치(100)는 인공지능(AI) 학습을 위한 다수의 이미지 각각에 대하여 어노테이션을 수행함에 있어, 바운딩 박스의 내측 영역에서 객체의 엣지(edge)를 추출하고, 추출된 엣지를 기준으로 객체(object)와 배경(background)을 구분하고, 배경을 삭제한 객체의 영역으로 바운딩 박스를 수정함에 따라, 작업자의 작업 시간을 단축하면서, 보다 균일한 품질의 어노테이션 작업 결과물을 가질 수 있다.

예를 들어, 도 8에 도시된 바와 같이, 어노테이션 장치(100)는 작업자에 의해 객체(a2)를 포함하는 영역을 바운딩 박스로 설정할 수 있다. 이후 어노테이션 장치(100)는 바운딩 박스의 내측 영역에서 객체의 엣지를 추출하고, 추출된 엣지를 기준으로 객체(a2)와 배경(a1)을 구분할 수 있다. 그리고 도 9에 도시된 바와 같이, 어노테이션 장치(100)는 바운딩 박스에서 배경(a1)을 삭제하고, 바운딩 박스를 객체(a2)의 영역으로 수정할 수 있다.

또한 도 10을 참조하면, 본 발명의 다른 실시예에 따른 인공지능 학습 시스템의 어노테이션 장치(100)는 인공지능(AI) 학습을 위한 다수의 이미지 각각에 대하여 어노테이션을 수행함에 있어, 이미지 속에 포함된 겹쳐진 복수의 객체에 대하여 각각 바운딩 박스를 설정하고, 각각의 바운딩 박스에서 추출된 객체를 상호 보완함으로써, 겹쳐진 복수의 객체의 추출에 대한 오류를 최소화할 수 있다.

예를 들어, 도 10에 도시된 바와 같이, 어노테이션 장치(100)는 겹쳐진 객체를 전부 포함하는 바운딩 박스(b1)을 1차로 생성하고, 구분할 객체에 대한 바운딩 박스(b2)를 2차로 생성한 후에, 1차 바운딩 박스(b1) 내에서 특정된 객체에서 2차 바운딩 박스(b2)에서 특정된 객체를 삭제함으로써, 겹쳐진 객체를 중복없이 검출할 수 있다.

또한 도 11 및 도 12를 참조하면, 본 발명의 또 다른 실시예에 따른 인공지능 학습 시스템의 어노테이션 장치(100)는 인공지능(AI) 학습을 위한 다수의 이미지 각각에 대하여 어노테이션을 수행함에 있어, 작업자로부터 선택받은 특정 지점을 중심으로 이미지 속의 객체를 포함하는 영역에 해당하는 바운딩 박스를 설정함으로써, 작업자의 작업 시간을 단축할 수 있다.

예를 들어, 도 11에 도시된 바와 같이, 어노테이션 장치(100)는 작업자의 제어에 따라 특정 지점(p1)을 선택받을 수 있다. 이후 어노테이션 장치(100)는 특정 지점을 기준으로 객체(object)를 모두 포함하는 원형의 바운딩 박스(a1)를 설정할 수 있다. 그리고 도 12에 도시된 바와 같이, 어노테이션 장치(100)는 객체를 모다 명확히 인식하기 위하여, 1차로 생성한 바운딩 박스(a1) 내에서 특정 지점(p2)를 특정하고, 2차로 특정한 특정 지점(p2)을 중심으로 객체(object)를 모두 포함하는 바운딩 박스(a2)를 최종적으로 설정할 수 있다.

도 13은 본 발명의 일 실시예에 따른 어노테이션 방법을 설명하기 위한 순서도이다.

도 13을 참조하여 본 발명의 일 실시예에 따른 어노테이션 방법을 설명함에 있어, 도 8 내지 도 12를 참조하여 설명한 바와 동일한 설명은 반복하여 기재하지 않는다.

도 13을 참조하면, 어노테이션 장치(100)는 어노테이션 작업의 대상이 되는 이미지 속의 일부 영역을 바운딩 박스로 설정하기 위한 좌표를 작업자로부터 입력 받을 수 있다(S100).

어노테이션 장치(100)는 작업자로부터 입력된 좌표를 기초로 바운딩 박스를 설정할 수 있다(S200). 한편 바운딩 박스를 설정하는 구체적인 실시예들은 후술하도록 한다.

어노테이션 장치(100)는 바운딩 박스에 의해 특정된 객체의 속성 정보를 입력할 수 있다(S300).

어노테이션 장치(100)는 작업자의 제어에 의해 확대 또는 축소된 바운딩 박스의 위치 및 크기가 확정되고, 추천 정보 목록을 기초로 작업자의 제어에 의해 객체의 속성 정보가 확정되면, 확정된 바운딩 박스의 위치 및 크기에 따른 좌표 및 확정된 속성 정보를 포함하여 어노테이션의 작업 결과물을 생성할 수 있다(S400). 이와 같은, 작업 결과물은 JSON 파일 형식을 가질 수 있으나, 이에 한정되는 것은 아니다.

그리고, 어노테이션 장치(100)는 생성된 어노테이션의 작업 결과물을 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)에 전송할 수 있다.

도 14는 본 발명의 일 실시예에 따라 바운딩 박스를 설정하는 방법을 설명하기 위한 순서도이다.

도 14를 참조하면, 본 발명의 일 실시예에 따른 어노테이션 장치(100)는 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지 속의 일부 영역을 바운딩 박스(bounding box)로 설정할 수 있다(S211).

다음으로 어노테이션 장치(100)는 바운딩 박스의 내측 영역에서 객체의 엣지(edge)를 추출하고, 추출된 엣지를 기준으로 객체(object)와 배경(background)을 구분할 수 있다(S213). 이때 어노테이션 장치(100)는 바운딩 박스의 내측 영역에서 각 픽셀(pixel)에 대한 RGB 값을 검출하고, 검출된 RGB 값을 통해 객체의 엣지(edge)를 추출할 수 있다. 이때 객체 식별 모듈(123)은 바운딩 박스의 내측 영역에서 각 픽셀(pixel)에 대한 RGB 값을 검출하고, 인접한 픽셀과의 RGB 값의 변화량이 사전 설정된 임계 값보다 높은 지점을 엣지로 추출할 수 있다.

또한 어노테이션 장치(100)는 RGBA 이미지에서 투명도 채널을 추출하고, 투명도가 사전에 설정된 임계 값보다 낮은 투명도를 갖는 픽셀 영역을 배경으로 구분할 수도 있다.

그리고 어노테이션 장치(100)는 배경을 삭제한 객체의 영역으로 바운딩 박스를 수정할 수 있다(S215).

도 15는 본 발명의 다른 실시예에 따라 바운딩 박스를 설정하는 방법을 설명하기 위한 순서도이다.

도 15를 참조하면, 본 발명의 다른 실시예에 따른 어노테이션 장치(100)는 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지 속의 복수의 객체(object) 중 하나를 포함하는 일부 영역을 제1 바운딩 박스(bounding box)로 설정할 수 있다(S221).

다음으로 어노테이션 장치(100)는 작업자의 제어에 따라, 제1 바운딩 박스에 포함된 객체와 적어도 일부가 겹쳐진 다른 객체를 포함하는 일부 영역을 제2 바운딩 박스로 설정할 수 있다(S223).

그리고 어노테이션 장치(100)는 제1 바운딩 박스 및 제2 바운딩 박스에 포함된 객체를 각각 추출하고, 제1 바운딩 박스 및 제2 바운딩 박스로부터 각각 추출된 객체를 상호 보완할 수 있다(S225).

즉 어노테이션 장치(100)는 제1 바운딩 박스로부터 추출된 객체에서, 제2 바운딩 박스로부터 추출된 객체의 일부를 삭제할 수 있다. 이에 따라, 밀접한 복수의 객체를 중복없이 검출하도록 할 수 있다.

또한 어노테이션 장치(100)는 제1 바운딩 박스로부터 추출된 객체에 제2 바운딩 박스로부터 추출된 객체의 일부를 추가할 수 있다. 이에 따라, 경계가 폐쇄되지 않거나, 바운딩 박스 오생성으로 누락된 부분을 다른 바운딩 박스에서 추출된 객체로부터 추가할 수 있다.

도 16은 본 발명의 또 다른 실시예에 따라 바운딩 박스를 설정하는 방법을 설명하기 위한 순서도이다.

도 16을 참조하면, 본 발명의 또 다른 실시예에 따른 어노테이션 장치(100)는 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지 속의 특정 지점을 선택받고, 선택받은 특정 지점을 중심으로 이미지 속의 객체를 포함하는 영역에 해당하는 바운딩 박스(bounding box)를 설정할 수 있다(S231).

이때 어노테이션 장치(100)는 특정 지점을 중심점으로 하는 원을 형성하고, 중심점을 중심으로 원의 반지름을 넓혀가면서, 원에 특정 객체가 모두 포함되는 시점의 해당 영역을 바운딩 박스로 설정할 수 있다.

다음으로 어노테이션 장치(100)는 제1 바운딩 박스 내에서, 제1 바운딩 박스 내에 포함된 객체를 특정하기 위한 제2 특정 지점을 선택한다(S233).

그리고 어노테이션 장치(100)는 제2 특정 지점을 중심으로 영역을 넓혀가고, 영역 내부에 특정 객체가 모두 포함되는 시점의 해당 영역을 제2 바운딩 박스로 설정하여, 최종 바운딩 박스로 설정할 수 있다.

도 17은 본 발명의 일 실시예에 따른 보안 관리 방법을 설명하기 위한 순서도이다.

도 17을 참조하면, 보안 관리 장치(500)는 복수의 인공지능 학습 시스템 각각의 어노테이션(annotation) 작업에 대한 보안 정책을 수집한다(S600). 여기서 학습 데이터 설계 장치(200) 각각은 보안 정책에 따라 설정되는 공개 어노테이션 작업 대상물을 저장하는 비보안 영역과, 비공개 어노테이션 작업 대상물을 저장하는 보안 영역을 포함할 수 있다. 이때 보안 영역과 비보안 영역은 어노테이션 작업의 속성, 어노테이션 작업자의 수 및 해당 국가의 개인정보 관련 법규 중 적어도 하나를 고려하여 설정될 수 있다.

다음으로, 보안 관리 장치(500)는 어노테이션 장치(100)로부터 복수의 인공지능 학습 시스템(400)의 학습 데이터 설계 장치(200) 중 하나로 어노테이션 작업을 위한 접근을 요청받을 수 있다(S700).

그리고, 보안 관리 장치(500)는 접근이 필요한 인공지능 학습 시스템(400)의 보안 정책에 따라 어노테이션 장치(100)에 접근을 허용할 수 있다(S800). 이때, 보안 관리 장치(500)는 접근이 필요한 학습 데이터 설계 장치(200)의 비보안 영역에 저장된 공개 어노테이션 대상물을 제공하여, 어노테이션 작업을 수행하도록 할 수 있다. 또한 보안 관리 장치(500)는 접근을 요청한 어노테이션 장치(100)의 식별 정보를 기초로, 접근을 요청한 어노테이션 장치의 국가를 식별하고, 식별된 국가에서 접속할 수 있는 인공지능 학습 시스템(400)의 접근을 허용할 수 있다.

이후, 어노테이션 장치(100)는 접근이 허용된 학습 데이터 설계 장치(200)의 비보안 영역에 저장된 공개 어노테이션 대상물에 대하여 어노테이션 작업을 수행할 수 있다.

이상과 같이, 본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으나, 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다. 또한, 본 명세서와 도면에서 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 따라서, 상술한 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 선정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

어노테이션 장치: 100-1, 100-2, 100-3, …, 100-n; 100
통신부: 105 입출력부: 110
저장부: 115 바운딩 박스 설정부: 120
객체 속성 설정부: 125 결과물 생성부: 130
학습 데이터 설계 장치: 200 인공지능 학습 장치: 300
인공지능 학습 시스템: 400 보안 관리 장치: 500
보안 관리 시스템: 600

Claims (10)

1. 어노테이션 장치가, 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지 속의 복수의 객체(object) 중 적어도 일부가 겹쳐진 둘 이상의 객체를 포함하는 영역을 제1 바운딩 박스(bounding box)로 설정하는 단계;
   상기 어노테이션 장치가, 작업자의 제어에 따라, 상기 제1 바운딩 박스에 포함된 둘 이상의 객체 중 적어도 하나의 객체를 포함하는 영역을 제2 바운딩 박스로 설정하는 단계; 및
   상기 어노테이션 장치가, 상기 제1 바운딩 박스 및 상기 제2 바운딩 박스에 포함된 객체를 각각 추출하고, 상기 제1 바운딩 박스 및 상기 제2 바운딩 박스로부터 각각 추출된 객체를 상호 보완하는 단계;를 포함하고,
   상기 상호 보완하는 단계는,
   상기 제1 바운딩 박스 및 제2 바운딩 박스 각각의 내측 영역에서 객체의 엣지(edge)를 추출하고, 상기 제1 바운딩 박스로부터 추출된 객체에서, 상기 제2 바운딩 박스로부터 추출된 객체를 삭제하는 것을 특징으로 하는, 어노테이션 방법.
   
2. 제1항에 있어서, 상기 제1 바운딩 박스로 설정하는 단계는,
   상기 이미지 내에서 상기 작업자로부터 입력된 두 좌표를 좌상단 꼭짓점(vertex)의 좌표와 우하단 꼭짓점의 좌표로 가지는 사각형을 기초로 상기 제1 바운딩 박스를 설정하는 것을 특징으로 하는, 어노테이션 방법.
3. 제1항에 있어서, 상기 제1 바운딩 박스로 설정하는 단계는,
   상기 이미지 내에서 상기 작업자로부터 입력된 네개의 좌표를 연결하는 사각형을 기초로 상기 제1 바운딩 박스를 설정하는 것을 특징으로 하는, 어노테이션 방법.
4. 제1항에 있어서, 상기 제2 바운딩 박스로 설정하는 단계는,
   상기 이미지 내에서 상기 작업자로부터 입력된 두 좌표를 좌상단 꼭짓점(vertex)의 좌표와 우하단 꼭짓점의 좌표로 가지는 사각형을 기초로 상기 제2 바운딩 박스를 설정하는 것을 특징으로 하는, 어노테이션 방법.
5. 제1항에 있어서, 상기 제2 바운딩 박스로 설정하는 단계는,
   상기 이미지 내에서 상기 작업자로부터 입력된 네개의 좌표를 연결하는 사각형을 기초로 상기 제2 바운딩 박스를 설정하는 것을 특징으로 하는, 어노테이션 방법.
6. 제1항에 있어서, 상기 상호 보완하는 단계는,
   상기 추출된 엣지를 기준으로 객체(object)와 배경(background)을 구분하는 것을 특징으로 하는, 어노테이션 방법.
   
7. 제1항에 있어서, 상기 상호 보완하는 단계는,
   상기 제1 바운딩 박스 및 제2 바운딩 박스 각각에서 배경을 삭제한 객체의 영역으로 각각의 바운딩 박스를 수정하는 것을 특징으로 하는, 어노테이션 방법.
   
8. 메모리(memory);
   송수신기(transceiver); 및
   상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합되어,
   상기 프로세서가, 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지 속의 복수의 객체(object) 중 적어도 일부가 겹쳐진 둘 이상의 객체를 포함하는 영역을 제1 바운딩 박스(bounding box)로 설정하는 단계;
   상기 프로세서, 작업자의 제어에 따라, 상기 제1 바운딩 박스에 포함된 둘 이상의 객체 중 적어도 하나의 객체를 포함하는 영역을 제2 바운딩 박스로 설정하는 단계; 및
   상기 프로세서가, 상기 제1 바운딩 박스 및 상기 제2 바운딩 박스에 포함된 객체를 각각 추출하고, 상기 제1 바운딩 박스 및 상기 제2 바운딩 박스로부터 각각 추출된 객체를 상호 보완하는 단계를 포함하여 실행시키되,
   상기 상호 보완하는 단계는,
   상기 제1 바운딩 박스 및 제2 바운딩 박스 각각의 내측 영역에서 객체의 엣지(edge)를 추출하고, 상기 제1 바운딩 박스로부터 추출된 객체에서, 상기 제2 바운딩 박스로부터 추출된 객체를 삭제하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.
   
9. 제8항에 있어서, 상기 상호 보완하는 단계는,
   상기 추출된 엣지를 기준으로 객체(object)와 배경(background)을 구분하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.
   
10. 제8항에 있어서, 상기 상호 보완하는 단계는,
    상기 제1 바운딩 박스 및 제2 바운딩 박스 각각에서 배경을 삭제한 객체의 영역으로 각각의 바운딩 박스를 수정하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.

Images