KR102486510B1 - 사용자 맞춤형 악세사리 주문 제작 플랫폼 서비스 제공 방법, 장치 및 시스템 - Google Patents
사용자 맞춤형 악세사리 주문 제작 플랫폼 서비스 제공 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102486510B1 KR102486510B1 KR1020220068156A KR20220068156A KR102486510B1 KR 102486510 B1 KR102486510 B1 KR 102486510B1 KR 1020220068156 A KR1020220068156 A KR 1020220068156A KR 20220068156 A KR20220068156 A KR 20220068156A KR 102486510 B1 KR102486510 B1 KR 102486510B1
- Authority
- KR
- South Korea
- Prior art keywords
- accessory
- information
- image
- product
- training
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 42
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 238000012986 modification Methods 0.000 claims description 32
- 230000004048 modification Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 26
- 238000012552 review Methods 0.000 description 24
- 239000000284 extract Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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]
- G06Q30/0613—Third-party assisted
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Library & Information Science (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
일실시예에 따른 장치는 제1 사용자 단말로부터 맞춤형 악세사리를 적용하고자 하는 제1 제품의 이미지인 제1 이미지를 획득하고, 제1 이미지를 기초로, 제1 제품의 제1 카테고리를 판단하고, 악세사리가 적용된 제품의 이미지들의 템플릿들 중 제1 카테고리에 대응하는 제1 템플릿을 추출하여, 제1 사용자 단말로 제공하고, 제1 템플릿에 적용된 악세사리의 이미지에 기초하여, 제1 이미지에 적용하고자 하는 제1 악세사리의 이미지를 생성하고, 제1 사용자 단말로부터 생성된 제1 악세사리의 이미지를 제1 이미지에 적용하고자 하는 악세사리 적용 위치 정보를 수신하고, 제1 이미지에 제1 악세사리의 이미지를 적용한 제1 결과물을 생성하여, 제1 사용자 단말로 제공하고, 제1 사용자 단말로부터 제1 악세사리의 제작 요청을 수신하고, 제1 악세사리의 제작 정보를 악세사리 제작자 단말로 전송하고, 제1 결과물을 제1 카테고리에 매칭시켜 저장할 수 있다.
Description
아래 실시예들은 사용자 맞춤형 악세사리 주문 제작 플랫폼 서비스 제공 방법, 장치 및 시스템에 관한 것이다.
최근 소비자들은 브랜드들이 제안하는 대상체(또는 상품, 예를 들면, 의류)를 맹목적으로 선택하는 것이 아니라 개성있는 본인의 스타일을 구성하고, 유행을 선도하며 이끌어 나가기를 원한다. 즉, 사람들은 브랜드를 뛰어넘어 자신의 라이프 스타일을 표현하고, 개성을 드러낼 수 있는 상품, 즉 자신만을 위한 맞춤 상품을 원한다. 또한, 사람들은 인기 상품 중심으로 판매되는 대중의 상품 브랜드보다는 차별적인 상품의 희소성을 추구한다.
따라서, 기존 제품에 부착할 수 있는 사용자 맞춤형 악세사리를 주문 제작할 수 있는 플랫폼에 대한 연구가 요구된다.
실시예들은 사용자에게 사용자 맞춤형 악세사리를 주문 제작할 수 있는 플랫폼 서비스를 제공하고자 한다.
실시예들은 사용자가 올린 제품의 이미지를 확인하여 제품의 카테고리를 판단하고자 한다.
실시예들은 사용자가 맞춤형 악세사리를 제작하기 쉽도록 제품의 카테고리에 맞는 템플릿을 제공하고자 한다.
사용자 맞춤형 악세사리 주문 제작 플랫폼 서비스 제공 방법은 제1 사용자 단말로부터 맞춤형 악세사리를 적용하고자 하는 제1 제품의 이미지인 제1 이미지를 획득하는 단계; 상기 제1 이미지를 기초로, 상기 제1 제품의 제1 카테고리를 판단하는 단계; 악세사리가 적용된 제품의 이미지들의 템플릿들 중 상기 제1 카테고리에 대응하는 적어도 하나의 제1 템플릿을 추출하여, 상기 제1 사용자 단말로 제공하는 단계; 상기 제1 템플릿에 적용된 악세사리의 이미지에 기초하여, 상기 제1 이미지에 적용하고자 하는 제1 악세사리의 이미지를 생성하는 단계; 상기 제1 사용자 단말로부터 상기 생성된 제1 악세사리의 이미지를 상기 제1 이미지에 적용하고자 하는 악세사리 적용 위치 정보를 수신하는 단계; 상기 제1 이미지에 상기 제1 악세사리의 이미지를 적용한 제1 결과물을 생성하여, 상기 제1 사용자 단말로 제공하는 단계; 상기 제1 사용자 단말로부터 상기 제1 악세사리의 제작 요청을 수신하고, 상기 제1 악세사리의 제작 정보를 악세사리 제작자 단말로 전송하는 단계; 및 상기 제1 결과물을 상기 제1 카테고리에 매칭시켜 저장하는 단계를 포함한다.
상기 제1 제품의 제1 카테고리를 판단하는 단계는 상기 제1 이미지로부터 배경을 제거하여 상기 제1 제품의 상기 제1 제품이미지를 추출하는 단계; 상기 제1 제품이미지로부터 크기, 질감 및 형상을 추론하는 제1 인공신경망을 이용하여 크기정보, 질감정보 및 형상정보를 생성하는 단계; 상기 제1 제품의 크기정보, 질감정보 및 형상정보에 기초하여 제1 입력 신호를 생성하는 단계; 상기 제1 입력 신호를 제2 인공신경망-상기 제2 인공신경망은 트레이닝 크기정보들, 트레이닝 질감정보들, 트레이닝 형상정보들, 제1 출력 신호들 및 트레이닝 카테고리들에 기초하여 미리 학습됨-에 적용하여, 제품의 카테고리들에 각각 대응하는 확률 값들을 포함하는 제1 출력 신호를 생성하는 단계; 및 상기 제1 출력 신호에 기초하여 상기 제1 제품의 상기 제1 카테고리를 판단하는 단계를 포함하고, 상기 트레이닝 크기정보들, 상기 트레이닝 질감정보들, 상기 트레이닝 형상정보들은 트레이닝 제품들의 이미지들에 각각 대응하는 정보들이고, 상기 제1 출력 신호들은 상기 트레이닝 크기정보들, 상기 트레이닝 질감정보들, 상기 트레이닝 형상정보들이 상기 제2 인공신경망에 적용되어 생성된 출력 신호들이며, 상기 제2 인공신경망은 상기 제1 출력 신호들 및 상기 트레이닝 카테고리들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습된다.
상기 제1 악세사리의 이미지를 생성하는 단계는 상기 제1 사용자 단말로부터 상기 제1 템플릿에 대한 가공 요청을 수신하는 단계; 상기 제1 템플릿으로부터 악세사리 정보-상기 악세사리 정보는 악세사리의 종류, 악세사리의 반사율, 악세사리의 크기, 악세사리의 색상, 악세사리의 두께 및 악세사리의 소재 중 적어도 하나를 포함함-및 객체 정보-상기 객체 정보는 악세사리에 포함된 글자, 그림 및 로고 중 적어도 하나를 포함함-를 추출하는 단계; 상기 악세사리 정보에 기초하여, 상기 악세사리 정보를 수정하기 위한 변수인 제1 악세사리 수정 변수를 생성하는 단계; 상기 객체 정보에 기초하여, 상기 객체 정보를 수정하기 위한 변수인 제1 객체 수정 변수를 생성하는 단계; 상기 제1 사용자 단말로부터 상기 제1 악세사리 수정 변수에 대응하는 제1 악세사리 수정 값 및 상기 제1 객체 수정 변수에 대응하는 제1 객체 수정 값을 수신하는 단계; 및 상기 제1 악세사리 수정 값과 상기 제1 객체 수정 값을 상기 제1 템플릿에 대응하는 악세사리의 이미지에 적용하여, 상기 제1 이미지에 적용하고자 하는 상기 제1 악세사리의 이미지를 생성하는 단계를 포함한다.
상기 제1 악세사리의 이미지를 생성하는 단계는 상기 제1 제품의 색상, 크기, 질감 및 형상을 포함하는 상기 제1 제품의 정보, 상기 제1 사용자의 기대 컨셉, 상기 제1 제품의 카테고리에 따른 착용 계절에 기초하여 제2 입력 신호를 생성하는 단계; 상기 제2 입력 신호를 제3 인공신경망-상기 제3 인공신경망은 트레이닝 제품정보들, 트레이닝 기대컨셉정보들, 트레이닝 계절정보들, 제2 출력 신호들 및 트레이닝 악세사리 정보들에 기초하여 미리 학습됨-에 적용하여, 악세사리 정보들에 각각 대응하는 값들을 포함하는 제2 출력 신호를 생성하는 단계; 및 상기 제2 출력 신호에 기초하여 상기 제1 제품에 부착할 악세사리의 반사율, 악세사리의 크기, 악세사리의 색상, 악세사리의 두께, 악세사리의 소재를 포함하는 악세사리의 정보를 판단하는 단계를 더 포함한다.
상기 제1 템플릿을 추출하는 단계는 상기 제1 제품에 대응하는 제1 카테고리에 포함되어 있는 템플릿들을 획득하는 단계; 상기 제1 사용자 단말의 제1 사용자의 사용자 정보를 기초로, 상기 제1 사용자의 연령 및 성별을 획득하는 단계; 상기 제1 카테고리의 상기 템플릿들 중 상기 제1 사용자의 연령 및 성별에 대응하는 템플릿들을 추출하고, 상기 추출된 템플릿들을 제1 그룹으로 분류하는 단계; 및 상기 제1 그룹에 분류된 템플릿들 중 미리 정의된 기준에 따라 상위 템플릿들을 리스트업하여 상기 제1 사용자 단말로 제공하는 단계를 포함한다.
상기 상위 콘텐츠들을 리스트업하여 상기 제1 사용자 단말로 제공하는 단계는 상기 제1 사용자 단말로부터 상기 제1 결과물의 기대 컨셉을 수신하는 단계; 상기 제1 그룹에 포함된 템플릿들에 대한 사용자 후기들을 획득하는 단계; 상기 획득된 후기들로부터 컨셉과 관련하여 미리 정의된 후기 키워드들을 추출하는 단계; 상기 후기 키워드들 중 상기 제1 결과물의 기대 컨셉과 일치하는 키워드를 제1 키워드 그룹으로 분류하고, 상기 결과물의 기대 컨셉과 일치하지 않는 키워드를 제2 키워드 그룹으로 분류하는 단계; 상기 제1 키워드 그룹으로 분류된 키워드들의 횟수인 제1 횟수를 생성하는 단계; 상기 제2 키워드 그룹으로 분류된 키워드들의 횟수인 제2 횟수를 생성하는 단계; 상기 제1 횟수와 상기 제2 횟수를 합한 값인 제3 횟수를 생성하는 단계; 상기 제1 횟수를 상기 제3 횟수로 나눈 값에 기초하여 제1 비율을 생성하는 단계; 상기 제1 비율이 미리 정의된 임계 비율보다 높은 경우, 상기 상위 콘텐츠들을 리스트업하기 위한 기준 내 가중치들 중에서 기대 컨셉에 대한 가중치를 상기 제1 비율에 따라 높이는 단계; 및 상기 제1 비율에 따라 높아진 가중치에 기초하여, 상기 제1 그룹에 분류된 템플릿들 중 상위 콘텐츠들을 리스트업하는 단계를 포함한다.
상기 상위 콘텐츠들을 리스트업하여 상기 제1 사용자 단말로 제공하는 단계는 상기 제1 제품이 포함되어 있는 제1 카테고리를 기반으로 상기 제1 사용자가 상기 제1 결과물을 착용하고자 하는 계절을 판단하는 단계; 상기 제1 사용자 단말로부터 상기 제1 사용자의 정보를 추출하고, 상기 제1 사용자의 위치를 추출하는 단계; 상기 제1 결과물을 착용하고자 하는 계절 및 상기 제1 사용자의 위치를 기반으로 상기 제1 결과물을 착용하고자 하는 계절의 날씨를 획득하는 단계; 상기 제1 그룹에 포함된 템플릿들에 대한 업로드된 날짜 및 업로드한 사용자의 위치를 기초로, 상기 템플릿들이 업로드된 시기의 날씨들을 획득하는 단계; 상기 제1 그룹에 포함된 템플릿들을 사용한 사람들의 후기들을 획득하는 단계; 상기 획득된 후기들에 대한 작성된 날짜 및 작성한 사용자의 위치를 기초로, 상기 후기들이 작성된 시기의 날씨를 획득하는 단계; 상기 제1 사용자의 날씨, 상기 제1 그룹에 포함된 템플릿에 대응하는 업로드된 시기의 날씨, 상기 제1 그룹에 포함된 템플릿에 대응하는 후기들이 작성된 시기의 날씨를 기초로, 날씨 분산도를 생성하는 단계; 상기 날씨 분산도를 기초로, 상기 제1 사용자의 날씨, 상기 제1 그룹에 포함된 템플릿에 대응하는 업로드된 시기의 날씨, 상기 제1 그룹에 포함된 템플릿에 대응하는 후기들이 작성된 시기의 날씨의 제1 분산 값을 생성하는 단계; 상기 제1 분산 값이 미리 정의된 임계 값보다 낮은 경우, 상기 상위 콘텐츠들을 리스트업하기 위한 기준 내 가중치들 중에서 날씨에 대한 가중치를 상기 제1분산 값에 따라 반비례하여 높이는 단계; 및 상기 제1 분산 값에 따라 높아진 가중치에 기초하여, 상기 제1 그룹에 분류된 템플릿들 중 상위 콘텐츠들을 리스트업하는 단계를 포함한다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
실시예들은 사용자에게 사용자 맞춤형 악세사리를 주문 제작할 수 있는 플랫폼 서비스를 제공할 수 있다.
실시예들은 사용자가 올린 제품의 이미지를 확인하여 제품의 카테고리를 판단할 수 있고, 카테고리에 맞는 템플릿을 제공함으로써, 사용자가 맞춤형 악세사리를 제작하기 쉽도록 할 수 있다.
실시예들은 사용자가 올린 제품의 정보 뿐만 아니라 사용자의 기대 컨셉 및 착용 계절을 판단 및 고려하여 더 적합한 템플릿을 제공할 수 있다.
한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 사용자 맞춤형 악세사리 주문 제작 플랫폼 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 제품의 이미지를 분석하여 제품의 카테고리를 판단하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 샘플 템플릿을 가공하여 커스터마이징하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 제품의 정보에 따라 악세사리 정보를 생성하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 제1 템플릿을 선정하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 기대 컨셉 및 후기 키워드에 따라 제1 템플릿을 선정하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 날씨에 따라 제1 템플릿을 선정하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 사용자 허용 범위를 설정하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.
도 2는 일실시예에 따른 사용자 맞춤형 악세사리 주문 제작 플랫폼 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 제품의 이미지를 분석하여 제품의 카테고리를 판단하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 샘플 템플릿을 가공하여 커스터마이징하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 제품의 정보에 따라 악세사리 정보를 생성하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 제1 템플릿을 선정하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 기대 컨셉 및 후기 키워드에 따라 제1 템플릿을 선정하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 날씨에 따라 제1 템플릿을 선정하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 사용자 허용 범위를 설정하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 복수의 사용자 단말(100) 및 장치(200)를 포함할 수 있다.
먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.
복수의 사용자 단말(100)은 맞춤형 악세사리를 주문 제작하고자 하는 사용자들이 사용하는 단말기로, 제1 사용자가 사용하는 제1 사용자 단말(110), 제2 사용자가 사용하는 제2 사용자 단말(120), 제3 사용자가 사용하는 제3 사용자 단말(130) 등을 포함할 수 있다.
복수의 사용자 단말(100) 각각은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 제1 사용자 단말(110), 제2 사용자 단말(120), 제3 사용자 단말(130) 등은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.
복수의 사용자 단말(100) 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 사용자 단말(100)은 장치(200)와 유무선으로 통신하도록 구성될 수 있다.
복수의 사용자 단말(100) 각각은 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 사이트에 접속되거나, 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 복수의 사용자 단말(100) 각각은 웹 사이트 또는 애플리케이션을 통해 장치(200)와 연동될 수 있다.
이하에서는 설명의 편의상, 제1 사용자 단말(110)의 동작을 위주로 설명하지만, 제2 사용자 단말(120) 등의 다른 사용자 단말에서 제1 사용자 단말(110)의 동작을 대신 수행할 수 있는 것은 물론이다.
장치(200)는 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다. 장치(200)는 복수의 사용자 단말(100)과 유무선으로 통신하도록 구성될 수 있다.
장치(200)는 사용자에게 맞춤형 악세사리 주문 제작 플랫폼 서비스를 제공할 수 있다. 구체적으로, 장치(200)는 사용자로부터 제품의 이미지를 획득하고, 획득한 이미지를 기초로 제품의 카테고리를 판단하고, 제품의 카테고리에 대응하는 템플릿을 사용자에게 제공할 수 있다. 또한, 장치(200)는 템플릿을 기초로 제작된 악세사리의 이미지를 제품의 이미지에 적용하여 결과물을 생성하고 사용자에게 제공할 수 있다.
한편, 설명의 편의를 위해 도 1에서는 복수의 사용자 단말(100) 중 제1 사용자 단말(110), 제2 사용자 단말(120) 및 제3 사용자 단말(130)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(200)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.
도 2는 일실시예에 따른 사용자 맞춤형 악세사리 주문 제작 플랫폼 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 2를 참조하면, 먼저 S201 단계에서, 장치(200)는 제1 사용자 단말(110)로부터 맞춤형 악세사리를 적용하고자 하는 제1 제품의 이미지인 제1 이미지를 획득할 수 있다.
S202 단계에서, 장치(200)는 제1 이미지를 기초로, 제1 제품의 제1 카테고리를 판단할 수 있다. 여기서, 제1 카테고리는 카테고리들 중 어느 하나를 말하는 것이고, 카테고리들은 반팔티, 긴팔티, 스웨터, 청바지, 와이셔츠, 맨투맨티, 면바지, 캡모자, 비니모자, 핸드백 등이 될 수 있다.
구체적으로, 장치(200)는 제1 이미지를 통해 제1 제품의 정보를 획득할 수 있고, 제1 제품이 어느 카테고리에 속하는지 판단할 수 있다.
S203 단계에서, 장치(200)는 악세사리가 적용된 제품의 이미지들의 템플릿들 중 제1 카테고리에 대응하는 적어도 하나의 제1 템플릿을 추출하여 제1 사용자 단말(110)로 제공할 수 있다. 여기서, 템플릿은 기존의 사용자들에 의해 제작된 악세사리 및 악세사리가 부착된 제품의 이미지로 새로 악세사리를 제작하고자 하는 사용자들에게 편의를 제공하기 위해 예시로 사용하는 템플릿이다.
즉, 장치(200)는 제1 제품이 제1 카테고리로 판단되면, 템플릿들 중 제1 카테고리에 대응하는 제1 템플릿을 추출하여 제1 사용자 단말(110)로 제공할 수 있다.
S204 단계에서, 장치(200)는 제1 템플릿에 적용된 악세사리의 이미지에 기초하여 제1 이미지에 적용하고자 하는 제1 악세사리의 이미지를 생성할 수 있다.
구체적으로, 장치(200)는 제1 템플릿에 적용된 악세사리의 이미지에 기초하여 제1 사용자 단말(110)로부터 수정 값을 수신하고, 수신된 수정값에 따라 제1 이미지에 적용하고자 하는 제1 악세사리의 이미지를 생성할 수 있다.
S205 단계에서, 장치(200)는 제1 사용자 단말(110)로부터 생성된 제1 악세사리의 이미지를 제1 이미지에 적용하고자 하는 악세사리 적용 위치 정보를 수신할 수 있다.
구체적으로, 장치(200)는 제1 악세사리의 이미지가 생성되면, 제1 사용자 단말(110)로부터 제1 악세사리를 제1 이미지의 어느 위치에 적용할 것인지에 대한 정보를 수신할 수 있다.
또한, 장치(200)는 제1 제품의 카테고리 및 템플릿에 적용된 위치를 기초로, 제1 악세사리를 제1 이미지의 어느 위치에 적용하는 것이 잘 어울리는지 추천할 수도 있다.
S206 단계에서, 장치(200)는 제1 이미지에 제1 악세사리의 이미지를 적용한 제1 결과물을 생성하여 제1 사용자 단말(110)로 제공할 수 있다.
즉, 장치(200)는 제1 악세사리를 적용할 위치가 선정되면, 제1 이미지에 제1 악세사리를 적용한 제1 결과물을 생성할 수 있고, 생성된 결과물을 제1 사용자 단말(110)로 제공할 수 있다.
S207 단계에서, 장치(200)는 제1 사용자 단말(110)로부터 제1 악세사리의 제작 요청을 수신하고, 제1 악세사리의 제작 정보를 악세사리 제작자 단말로 전송할 수 있다.
S208 단계에서, 장치(200)는 제1 결과물을 제1 카테고리에 매칭시켜 저장할 수 있다.
도 3은 일실시예에 따른 제품의 이미지를 분석하여 제품의 카테고리를 판단하는 과정을 설명하기 위한 순서도이다.
도 3을 참조하면, 먼저, S301 단계에서 장치(200)는 제1 이미지로부터 배경을 제거하여 제1 제품의 제1 제품이미지를 추출할 수 있다.
구체적으로, 장치(200)는 제1 이미지 상에서 제1 제품과 배경을 분리하는 작업을 할 수 있다. 제1 제품의 형태를 분석하여 제1 제품과 배경을 분리할 수 있고, 제1 제품의 픽셀 값을 분석하여 제1 제품과 배경을 분리할 수 있다.
S302 단계에서, 장치(200)는 제1 제품이미지로부터 크기, 질감 및 형상을 추론하는 제1 인공신경망을 이용하여 크기정보, 질감정보 및 형상정보를 생성할 수 있다.
S303 단계에서, 장치(200)는 제1 제품의 크기정보, 질감정보 및 형상정보에 기초하여 제1 입력 신호를 생성할 수 있다.
구체적으로, 장치(200)는 제1 제품의 크기정보, 제1 제품의 질감정보 및 제1 제품의 형상정보를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 제1 제품의 크기정보, 제1 제품의 질감정보 및 제1 제품의 형상정보는 제2 인공신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.
S304 단계에서, 장치(200)는 제1 입력신호를 제2 인공신경망에 적용하여, 제품의 카테고리들에 각각 대응하는 확률 값들을 포함하는 제1 출력 신호를 생성할 수 있다.
제2 인공신경망은 입력된 제품의 크기정보, 질감정보, 형상정보에 따라 제품의 카테고리를 추론하는 인공지능 모델로, 트레이닝 크기정보들, 트레이닝 질감정보들, 트레이닝 형상정보들, 제1 출력 신호들 및 트레이닝 카테고리들에 기초하여 미리 학습될 수 있다.
제2 인공신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제2 인공신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다. 강화 학습에 따라 학습되는 제2 인공신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 제품의 크기정보, 질감정보, 형상정보에 적합한 카테고리를 선정할수록 보상값이 높아질 수 있으며, 제2 보상은 제품의 크기정보, 질감정보, 형상정보에 적합하지 않은 카테고리를 선정하지 않을수록 보상값이 높아질 수 있다.
S305 단계에서, 장치(200)는 제1 출력 신호에 기초하여 제1 제품의 제1 카테고리를 판단할 수 있다.
제2 인공신경망은 제품의 크기정보, 질감정보, 형상정보를 통해, 제품의 크기정보, 질감정보, 형상정보에 적합한 제품의 카테고리를 선정하여, 선정된 카테고리에 대한 정보를 출력할 수 있다.
이때, 출력을 평가하여 보상을 지급할 수 있다. 장치(200)는 제품의 크기정보, 질감정보, 형상정보에 적합한 카테고리를 선정할수록 제1 보상을 많이 수여하고, 제품의 크기정보, 질감정보, 형상정보에 적합하지 않은 카테고리를 선정하지 않을수록 제2 보상을 많이 수여할 수 있다.
또한, 보상에 대한 평가를 기초로 제2 인공신경망을 갱신할 수 있다. 제2 인공신경망이 제품의 크기정보, 질감정보, 형상정보를 통해, 카테고리를 선정하여 추출하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제2 인공신경망을 갱신할 수 있다. 한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다. 상기와 같은 제2 인공신경망의 학습 과정을 반복함으로써, 제2 인공신경망을 점진적으로 갱신시킬 수 있다.
이를 통해, 장치(200)는 제품의 크기정보, 질감정보, 형상정보를 통해 카테고리를 출력하는 제2 인공신경망을 학습시킬 수 있다.
도 4는 일실시예에 따른 샘플 템플릿을 가공하여 커스터마이징하는 과정을 설명하기 위한 순서도이다.
도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 제1 사용자 단말(110)로부터 제1 템플릿에 대한 가공 요청을 수신할 수 있다.
S402 단계에서, 장치(200)는 제1 템플릿으로부터 악세사리 정보 및 객체 정보를 추출할 수 있다. 여기서, 악세사리 정보는 악세사리의 종류, 악세사리의 반사율, 악세사리의 크기, 악세사리의 색상, 악세사리의 두께 및 악세사리의 소재 중 적어도 하나를 포함할 수 있다. 또한, 객체 정보는, 악세사리에 포함된 글자, 그림 및 로고 중 적어도 하나를 포함할 수 있다.
즉, 장치(200)는 제1 템플릿에 포함되어 있는 악세사리의 종류, 악세사리의 반사율, 악세사리의 크기, 악세사리의 색상, 악세사리의 두께 및 악세사리의 소재에 관한 정보를 추출할 수 있고, 악세사리에 포함되어 있는 글자, 그림 및 로고에 관한 정보를 추출할 수 있다.
S403 단계에서, 장치(200)는 악세사리 정보에 기초하여 악세사리 정보를 수정하기 위한 변수인 제1 악세사리 수정 변수를 생성할 수 있다. 즉, 장치(200)는 악세사리 정보 값을 수정하여 제1 사용자가 원하는대로 커스터마이징하기 위해 악세사리의 종류, 악세사리의 반사율, 악세사리의 크기, 악세사리의 색상, 악세사리의 두께 및 악세사리의 소재의 수정 변수를 생성할 수 있다.
S404 단계에서, 장치(200)는 객체 정보에 기초하여, 객체 정보를 수정하기 위한 변수인 제1 객체 수정 변수를 생성할 수 있다. 즉, 장치(200)는 객체 정보 값을 수정하여 제1 사용자가 원하는대로 커스터마이징하기 위해 악세사리에 포함되어 있는 글자, 그림 및 로고의 수정 변수를 생성할 수 있다.
S405 단계에서, 장치(200)는 제1 사용자 단말(110)로부터 제1 악세사리 수정 변수에 대응하는 제1 악세사리 수정 값 및 제1 객체 수정 변수에 대응하는 제1 객체 수정 값을 수신할 수 있다.
예를 들어, 제1 사용자가 제1 템플릿을 기초로, 악세사리의 크기와 악세사리에 포함되어 있는 그림을 변경하고 싶을 경우, 장치(200)는 제1 사용자 단말(110)로부터 제1 사용자가 원하는 악세사리의 크기에 대응하는 값과 제1 사용자가 원하는 그림에 대응하는 값을 수신할 수 있다.
S406 단계에서, 장치(200)는 제1 악세사리 수정 값과 제1 객체 수정 값을 제1 템플릿에 대응하는 악세사리의 이미지에 적용하여 제1 이미지에 적용하고자 하는 제1 악세사리의 이미지를 생성할 수 있다.
예를 들어, 제1 사용자 단말(110)로부터 제1 사용자가 원하는 악세사리의 크기에 대응하는 값과 제1 사용자가 원하는 그림에 대응하는 값을 수신한 경우, 장치(200)는 제1 사용자가 원하는 악세사리의 크기에 대응하는 악세사리 수정 값과 제1 사용자가 원하는 그림에 대응하는 객체 수정 값을 제1 템플릿 악세사리의 이미지에 적용하여 악세사리의 크기 및 그림이 변경된 제1 악세사리의 이미지를 생성할 수 있다.
도 5는 일실시예에 따른 제품의 정보에 따라 악세사리 정보를 생성하는 과정을 설명하기 위한 순서도이다.
도 5를 참조하면, 먼저, S501 단계에서 장치(200)는 제1 제품의 정보, 맞춤형 악세사리가 부착된 제1 제품의 기대 컨셉, 맞춤형 악세사리가 부착된 제1 제품의 착용 계절에 기초하여 제2 입력 신호를 생성할 수 있다.
즉, 장치(200)는 제1 제품의 색상, 크기, 질감 및 형상을 포함하는 제1 제품의 정보와 제1 사용자로부터 획득한 맞춤형 악세사리가 부착된 제1 제품의 기대 컨셉 및 제1 제품의 카테고리에 따른 맞춤형 악세사리가 부착된 제1 제품의 착용 계절에 기초하여 제2 입력 신호를 생성할 수 있다.
구체적으로, 장치(200)는 제1 제품의 정보, 맞춤형 악세사리가 부착된 제1 제품의 기대 컨셉 및 맞춤형 악세사리가 부착된 제1 제품의 착용 계절을 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 제1 제품의 정보, 맞춤형 악세사리가 부착된 제1 제품의 기대 컨셉 및 맞춤형 악세사리가 부착된 제1 제품의 착용 계절은 제3 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.
S502 단계에서, 장치(200)는 제2 입력 신호를 제3 인공신경망에 적용하여 악세사리 정보들에 각각 대응하는 값들을 포함하는 제2 출력 신호를 생성할 수 있다.
제3 인공신경망은 입력된 제1 제품의 정보, 맞춤형 악세사리가 부착된 제1 제품의 기대 컨셉 및 맞춤형 악세사리가 부착된 제1 제품의 착용 계절에 따라 제1 제품에 부착할 악세사리 정보를 추론하는 인공지능 모델로, 트레이닝 제품정보들, 트레이닝 기대컨셉정보들, 트레이닝 계절정보들, 제2 출력 신호들 및 트레이닝 악세사리정보들에 기초하여 미리 학습될 수 있다.
제3 인공신경망은 제1 제품의 정보, 맞춤형 악세사리가 부착된 제1 제품의 기대 컨셉 및 맞춤형 악세사리가 부착된 제1 제품의 착용 계절을 통해, 제1 제품의 정보, 맞춤형 악세사리가 부착된 제1 제품의 기대 컨셉 및 맞춤형 악세사리가 부착된 제1 제품의 착용 계절에 적합한 악세사리의 정보를 선정하여, 선정된 악세사리정보들에 각각 대응하는 값을 출력할 수 있다.
제3 인공신경망은 사람들이 맞춤형 악세사리를 부착하고 제품을 착용한 사진을 업로드할 수 있는데, 제3 인공신경망은 업로드된 사진 및 사진들에 대한 평가를 기초로 인공지능모델을 학습시키고, 학습된 모델을 이용하여 제1 제품의 정보, 맞춤형 악세사리가 부착된 제1 제품의 기대 컨셉 및 맞춤형 악세사리가 부착된 제1 제품의 착용 계절을 통해 악세사리 정보를 출력할 수 있다.
제3 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 제품의 정보, 맞춤형 악세사리가 부착된 제1 제품의 기대 컨셉 및 맞춤형 악세사리가 부착된 제1 제품의 착용 계절에 적합한 악세사리정보를 선정할수록 보상값이 높아질 수 있으며, 제2 보상은 제1 제품의 정보, 맞춤형 악세사리가 부착된 제1 제품의 기대 컨셉 및 맞춤형 악세사리가 부착된 제1 제품의 착용 계절에 적합하지 않은 악세사리정보를 선정하지 않을수록 보상값이 높아질 수 있다.
상기와 같은 제3 인공신경망의 학습 과정을 반복함으로써, 제3 인공신경망을 점진적으로 갱신시킬 수 있다.
S503 단계에서, 장치(200)는 제2 출력 신호에 기초하여 제1 제품에 부착할 악세사리의 반사율, 악세사리의 크기, 악세사리의 두께, 악세사리의 소재를 포함하는 악세사리의 정보를 판단할 수 있다.
예를 들어, 제1 제품의 정보가 라지사이즈의 보라색 맨투맨이고, 사용자의 기대 컨셉이 귀여움이고, 제품의 카테고리에 따라 분석 결과 착용 계절이 가을일 경우, 제3 인공신경망은 악세사리의 정보를 반사율이 높고, 크기와 두께는 중간의 검정 색상의 악세사리를 출력할 수 있다.
도 6은 일실시예에 따른 제1 템플릿을 선정하는 과정을 설명하기 위한 순서도이다.
도 6을 참조하면, 먼저 S601 단계에서, 장치(200)는 제1 제품에 대응하는 제1 카테고리에 포함되어 있는 템플릿들을 획득할 수 있다.
구체적으로, 장치(200)는 제1 제품을 제1 카테고리로 판단하고, 데이터베이스에 저장된 제1 카테고리의 템플릿들을 획득할 수 있다.
S602 단계에서, 장치(200)는 제1 사용자 단말(110)의 제1 사용자의 사용자 정보를 기초로, 제1 사용자의 연령 및 성별을 획득할 수 있다.
S603 단계에서, 장치(200)는 제1 카테고리의 템플릿들 중 제1 사용자의 연령 및 성별에 대응하는 템플릿들을 추출하고 추출된 템플릿들을 제1 그룹으로 분류할 수 있다.
예를 들어, 제1 사용자가 17세의 여성일 경우, 장치(200)는 제1 카테고리의 템플릿들 중 15세부터 20세의 해당하는 여성이 많이 이용한 템플릿들을 추출하여 추출된 템플릿들을 제1 그룹으로 분류할 수 있다. 또한, 본 예시에서는 17세에 대응하는 연령을 15세부터 20세로 설정하였지만, 연령 범위는 실시 예에 따라 달라질 수 있다.
S604 단계에서, 장치(200)는 제1 그룹에 분류된 템플릿들 중 미리 정의된 기준에 따라 상위 템플릿들을 리스트업하여 제1 사용자 단말(110)로 제공할 수 있다.
구체적으로, 장치(200)는 제1 사용자의 연령 및 성별에 대응하는 제1 카테고리에 포함된 템플릿들을 제1 그룹으로 분류할 수 있고, 분류된 템플릿들을 템플릿 이용수 및 미리 정의된 기준에 따라 상위 템플릿들을 리스트업하여 제1 사용자 단말(110)로 제공할 수 있다. 미리 정의된 기준에 관한 내용은 도7 및 도8에서 후술하기로 한다.
도 7은 일실시예에 따른 기대 컨셉 및 후기 키워드에 따라 제1 템플릿을 선정하는 과정을 설명하기 위한 순서도이다.
도 7을 참조하면, 먼저, S701 단계에서, 장치(200)는 제1 사용자 단말(110)로부터 제1 결과물의 기대 컨셉을 수신할 수 있다. 여기서, 기대 컨셉은 귀여움, 부드러움, 거침, 개성있음, 캐주얼함, 쿨함, 지적임, 심플함, 알록달록, 엘레강스, 아방가르드 등이 포함될 수 있다.
즉, 장치(200)는 제1 사용자 단말(110)로부터 맞춤형 악세사리가 부착된 제1 제품의 기대 컨셉(귀여움, 부드러움, 거침, 개성있음, 캐주얼함, 쿨함, 지적인, 심플함, 알록달록, 엘레강스, 아방가르드 등)을 수신할 수 있다.
S702 단계에서, 장치(200)는 제1 그룹에 포함된 템플릿들에 대한 사용자 후기들을 획득할 수 있다.
구체적으로, 장치(200)는 제1 제품의 제1 카테고리 중 제1 사용자의 성별 및 연령에 대응하는 템플릿을 제1 그룹으로 분류하고 제1 그룹에 포함된 템플릿들에 대한 사용자 후기들을 획득할 수 있다.
S703 단계에서, 장치(200)는 획득된 후기들로부터 컨셉과 관련하여 미리 정의된 후기 키워드들을 추출할 수 있다.
S704 단계에서, 장치(200)는 후기 키워드들 중 제1 결과물의 기대 컨셉과 일치하는 키워드를 제1 키워드 그룹으로 분류할 수 있다.
예를 들어, 제1 결과물의 기대 컨셉이 캐주얼일 경우, 장치(200)는 귀여움, 러블리, 큐트, 사랑스러움, 심플함, 여유로움 등의 키워드를 제1 키워드 그룹으로 분류할 수 있다.
S705 단계에서, 장치(200)는 후기 키워드들 중 제1 결과물의 기대 컨셉과 일치하지 않는 키워드를 제2 키워드 그룹으로 분류할 수 있다.
예를 들어, 제1 결과물의 기대 컨셉이 캐주얼일 경우, 장치(200)는 알록달록, 개성있음, 아방가르드, 지적인, 완벽한 등의 키워드를 제2 키워드 그룹으로 분류할 수 있다.
S706 단계에서, 장치(200)는 제1 키워드 그룹으로 분류된 키워드들의 횟수인 제1 횟수를 생성할 수 있다.
구체적으로, 장치(200)는 제1 그룹에 포함된 템플릿의 후기를 획득하고, 획득된 후기들을 분석하여 제1 키워드 그룹으로 분류된 키워드들의 횟수인 제1 횟수를 생성할 수 있다. 즉, 장치(200)는 제1 그룹에 포함된 템플릿당 하나의 템플릿에 대응하는 하나의 제1 횟수를 각각 생성할 수 있다.
S707 단계에서, 장치(200)는 제2 키워드 그룹으로 분류된 키워드들의 횟수인 제2 횟수를 생성할 수 있다.
구체적으로, 장치(200)는 제1 그룹에 포함된 템플릿의 후기를 획득하고, 획득된 후기들을 분석하여 제2 키워드 그룹으로 분류된 키워드들의 횟수인 제2 횟수를 생성할 수 있다. 즉, 장치(200)는 제1 그룹에 포함된 템플릿당 하나의 템플릿에 대응하는 하나의 제2 횟수를 각각 생성할 수 있다.
S708 단계에서, 장치(200)는 제1 횟수와 제2 횟수를 합한 값인 제3 횟수를 생성할 수 있다. 즉, 장치(200)는 제1 그룹에 포함된 템플릿당 하나의 템플릿에 대응하는 하나의 제3 횟수를 각각 생성할 수 있다.
S709 단계에서, 장치(200)는 제1 횟수를 제3 횟수로 나눈 값에 기초하여 제1 비율을 생성할 수 있다. 즉, 장치(200)는 제1 그룹에 포함된 템플릿당 하나의 템플릿에 대응하는 하나의 제1 비율을 각각 생성할 수 있다.
S710 단계에서, 장치(200)는 제1 비율이 미리 정의된 임계 비율보다 높은 경우, 상위 콘텐츠들을 리스트업하기 위한 기준 내 가중치들 중에서 기대 컨셉에 대한 가중치를 제1 비율에 따라 높게 설정할 수 있다.
S711 단계에서, 장치(200)는 제1 비율에 따라 높아진 가중치에 기초하여, 제1 그룹에 분류된 템플릿들 중 상위 콘텐츠들을 리스트업할 수 있다.
도 8은 일실시예에 따른 날씨에 따라 제1 템플릿을 선정하는 과정을 설명하기 위한 순서도이다.
도 8을 참조하면, 먼저, S801 단계에서, 장치(200)는 제1 제품이 포함되어 있는 제1 카테고리를 기반으로 제1 사용자가 제1 결과물을 착용하고자 하는 계절을 판단할 수 있다.
예를 들어, 제1 카테고리가 반팔 티셔츠일경우, 장치(200)는 반팔 티셔츠를 기반으로 제1 사용자가 제1 결과물을 착용하고자 하는 계절을 여름으로 판단할 수 있다.
S802 단계에서, 장치(200)는 제1 결과물을 착용하고자 하는 계절 및 제1 사용자 단말(110)로부터 획득한 사용자의 위치를 기반으로, 제1 결과물을 착용하고자 하는 계절의 날씨를 획득할 수 있다.
구체적으로, 장치(200)는 제1 사용자 단말(110)로부터 제1 사용자의 정보를 추출하고 제1 사용자의 위치를 추출할 수 있다. 장치(200)는 추출된 제1 사용자의 위치 및 제1 결과물을 착용하고자 하는 계절을 기반으로 제1 결과물을 착용하고자 하는 계절의 날씨를 획득할 수 있다.
S803 단계에서, 장치(200)는 제1 그룹에 포함된 템플릿들에 대한 업로드된 날짜 및 업로드한 사용자의 위치를 기초로, 템플릿들이 업로드된 시기의 날씨들을 획득할 수 있다.
구체적으로, 장치(200)는 제1 그룹에 포함된 템플릿의 정보를 획득하고 템플릿이 업로드된 날짜 및 업로드한 사용자의 위치를 획득할 수 있다. 장치(200)는 획득한 날짜 및 위치를 기반으로 템플릿이 업로드된 시기의 날씨를 획득할 수 있다. 즉, 장치(200)는 제1 그룹에 포함된 템플릿당 하나의 템플릿에 대응하는 하나의 날씨를 각각 생성할 수 있다.
S804 단계에서, 장치(200)는 제1 그룹에 포함된 템플릿들을 사용한 사람들의 후기들을 획득할 수 있다.
S805 단계에서, 장치(200)는 획득된 후기들에 대한 작성된 날짜 및 작성한 사용자의 위치를 기초로, 후기들이 작성된 시기의 날씨를 획득할 수 있다.
S806 단계에서, 장치(200)는 제1 사용자의 날씨, 제1 그룹에 포함된 템플릿에 대응하는 업로드된 시기의 날씨, 제1 그룹에 포함된 템플릿에 대응하는 후기들이 작성된 시기의 날씨를 기초로 날씨분산도를 생성할 수 있다.
구체적으로, 장치(200)는 하나의 템플릿당, 제1 사용자의 날씨, 해당 템플릿이 업로드된 시기의 날씨, 해당 템플릿에 대응하는 후기들이 작성된 시기의 날씨의 분산도를 확인할 수 있는 날씨분산도를 생성할 수 있다. 즉, 장치(200)는 하나의 템플릿당 템플릿에 대응하는 하나의 날씨분산도를 각각 생성할 수 있다.
S807 단계에서, 장치(200)는 날씨분산도를 기초로 제1 분산 값을 생성할 수 있다.
즉, 장치(200)는 하나의 템플릿당 템플릿에 대응하는 하나의 제1 분산 값을 각각 생성할 수 있다.
S808 단계에서, 장치(200)는 제1 분산 값이 미리 정의된 임계 값 보다 낮은 경우, 상위 콘텐츠들을 리스트업하기 위한 기준 내 가중치들 중에서 날씨에 대한 가중치를 제1 분산 값에 따라 반비례하여 높게 설정할 수 있다.
구체적으로, 장치(200)는 제1 분산 값과 미리 정의된 임계 값을 비교하고, 제1 분산 값이 미리 정의된 임계 값보다 낮은 경우, 날씨에 대한 가중치를 제1 분산 값에 따라 반비례하여 높게 설정한다. 제1 사용자의 날씨, 제1 그룹에 포함된 템플릿에 대응하는 업로드된 시기의 날씨, 제1 그룹에 포함된 템플릿에 대응하는 후기들이 작성된 시기의 날씨가 일치할수록 분산 값에 낮기 때문에 날씨에 대한 가중치를 제1 분산 값에 따라 반비례하여 높게 설정한다
S809 단계에서, 장치(200)는 제1 분산 값에 따라 높아진 가중치에 기초하여, 제1 그룹에 분류된 템플릿들 중 상위 콘텐츠들을 리스트업할 수 있다.
도 9는 일실시예에 따른 사용자 허용 범위를 설정하는 과정을 설명하기 위한 순서도이다.
도 9를 참조하면, 먼저, S901 단계에서, 장치(200)는 제1 템플릿 정보를 통해 제1 템플릿의 사용자 이용 내역을 획득할 수 있다. 여기서, 제1 템플릿 정보는 제1 템플릿을 수정한 사용자의 이용 내역을 포함할 수 있으며, 제1 템플릿의 사용자 이용 내역은 어느 사용자가 제1 템플릿을 얼마나 오래 수정하였는지에 대한 내역을 포함할 수 있다.
S902 단계에서, 장치(200)는 사용자 별로 수정 시간을 확인하여 제1 콘텐츠의 평균 수정 시간을 산출할 수 있다.
예를 들어, 제1 템플릿의 사용자 이용 내역에 제1 사용자, 제2 사용자 및 제3 사용자가 이용한 사용자로 등록되어 있는 경우, 장치(200)는 제1 사용자의 수정 시간, 제2 사용자의 수정 시간 및 제3 사용자의 수정 시간을 각각 확인할 수 있다. 제1 사용자가 제1 템플릿을 수정한 시간이 15분, 제2 사용자가 제1 템플릿을 수정한 시간이 20분, 제3 사용자가 제1 템플릿을 수정한 시간이 25분인 경우, 장치(200)는 제1 템플릿의 평균 수정 시간을 20분으로 산출할 수 있다.
S903 단계에서, 장치(200)는 제1 템플릿의 평균 수정 시간의 길이에 따라, 기준치를 설정할 수 있다.
예를 들어, 장치(200)는 제1 템플릿의 평균 수정 시간이 20분인 경우, 기준치를 5분으로 설정하고, 제1 콘텐츠의 평균 정독 시간이 40분인 경우, 기준치를 10분으로 설정할 수 있다. 기준치를 설정하는 기준은 실시예에 따라 상이하게 설정될 수 있다.
S1904 단계에서, 장치(200)는 제1 템플릿의 평균 수정 시간에서 기준치를 차감한 값으로, 사용자 허용 범위의 최소 시간을 산출할 수 있다.
예를 들어, 장치(200)는 제1 템플릿의 평균 수정 시간이 20분이고, 기준치가 5분인 경우, 사용자 허용 범위의 최소 시간을 15분으로 산출할 수 있다.
S905 단계에서, 장치(200)는 제1 템플릿의 평균 수정 시간에서 기준치를 가산한 값으로, 사용자 허용 범위의 최대 시간을 산출할 수 있다.
예를 들어, 장치(200)는 제1 템플릿의 평균 수정 시간이 20분이고, 기준치가 5분인 경우, 사용자 허용 범위의 최대 시간을 25분으로 산출할 수 있다.
S906 단계에서, 장치(200)는 사용자 허용 범위의 최소 시간 및 사용자 허용 범위의 최대 시간을 기초로, 사용자 허용 범위를 설정할 수 있다.
예를 들어, 장치(200)는 제1 템플릿의 평균 수정 시간이 20분인 경우, 사용자 허용 범위를 15분 내지 25분의 범위로 설정할 수 있다.
도 10는 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 9를 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 9를 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 개인 또는 단체는 도 1 내지 도 9를 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.
메모리(220)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220)에 저장될 수 있다. 장치(200)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.
장치(200)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(220)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(200)와 학습된 인공 신경망을 이용하는 장치(200)는 동일할 수도 있고 개별적일 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 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 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (3)
- 장치에 의해 수행되는 방법에 있어서,
제1 사용자 단말로부터 맞춤형 악세사리를 적용하고자 하는 제1 제품의 이미지인 제1 이미지를 획득하는 단계;
상기 제1 이미지를 기초로, 상기 제1 제품의 제1 카테고리를 판단하는 단계;
악세사리가 적용된 제품의 이미지들의 템플릿들 중 상기 제1 카테고리에 대응하는 적어도 하나의 제1 템플릿을 추출하여, 상기 제1 사용자 단말로 제공하는 단계;
상기 제1 템플릿에 적용된 악세사리의 이미지에 기초하여, 상기 제1 이미지에 적용하고자 하는 제1 악세사리의 이미지를 생성하는 단계;
상기 제1 사용자 단말로부터 상기 생성된 제1 악세사리의 이미지를 상기 제1 이미지에 적용하고자 하는 악세사리 적용 위치 정보를 수신하는 단계;
상기 제1 이미지에 상기 제1 악세사리의 이미지를 적용한 제1 결과물을 생성하여, 상기 제1 사용자 단말로 제공하는 단계;
상기 제1 사용자 단말로부터 상기 제1 악세사리의 제작 요청을 수신하고, 상기 제1 악세사리의 제작 정보를 악세사리 제작자 단말로 전송하는 단계; 및
상기 제1 결과물을 상기 제1 카테고리에 매칭시켜 저장하는 단계를 포함하고,
상기 제1 제품의 제1 카테고리를 판단하는 단계는
상기 제1 이미지로부터 배경을 제거하여 상기 제1 제품의 제1 제품이미지를 추출하는 단계;
상기 제1 제품이미지로부터 크기, 질감 및 형상을 추론하는 제1 인공신경망을 이용하여 크기정보, 질감정보 및 형상정보를 생성하는 단계;
상기 제1 제품의 크기정보, 질감정보 및 형상정보에 기초하여 제1 입력 신호를 생성하는 단계;
상기 제1 입력 신호를 제2 인공신경망-상기 제2 인공신경망은 트레이닝 크기정보들, 트레이닝 질감정보들, 트레이닝 형상정보들, 제1 출력 신호들 및 트레이닝 카테고리들에 기초하여 미리 학습됨-에 적용하여, 제품의 카테고리들에 각각 대응하는 확률 값들을 포함하는 제1 출력 신호를 생성하는 단계; 및
상기 제1 출력 신호에 기초하여 상기 제1 제품의 상기 제1 카테고리를 판단하는 단계를 포함하고,
상기 트레이닝 크기정보들, 상기 트레이닝 질감정보들, 상기 트레이닝 형상정보들은 트레이닝 제품들의 이미지들에 각각 대응하는 정보들이고,
상기 제1 출력 신호들은 상기 트레이닝 크기정보들, 상기 트레이닝 질감정보들, 상기 트레이닝 형상정보들이 상기 제2 인공신경망에 적용되어 생성된 출력 신호들이며,
상기 제2 인공신경망은 상기 제1 출력 신호들 및 상기 트레이닝 카테고리들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습되고,
상기 제1 악세사리의 이미지를 생성하는 단계는
상기 제1 사용자 단말로부터 상기 제1 템플릿에 대한 가공 요청을 수신하는 단계;
상기 제1 템플릿으로부터 악세사리 정보-상기 악세사리 정보는 악세사리의 종류, 악세사리의 반사율, 악세사리의 크기, 악세사리의 색상, 악세사리의 두께 및 악세사리의 소재 중 적어도 하나를 포함함-및 객체 정보-상기 객체 정보는 악세사리에 포함된 글자, 그림 및 로고 중 적어도 하나를 포함함-를 추출하는 단계;
상기 악세사리 정보에 기초하여, 상기 악세사리 정보를 수정하기 위한 변수인 제1 악세사리 수정 변수를 생성하는 단계;
상기 객체 정보에 기초하여, 상기 객체 정보를 수정하기 위한 변수인 제1 객체 수정 변수를 생성하는 단계;
상기 제1 사용자 단말로부터 상기 제1 악세사리 수정 변수에 대응하는 제1 악세사리 수정 값 및 상기 제1 객체 수정 변수에 대응하는 제1 객체 수정 값을 수신하는 단계; 및
상기 제1 악세사리 수정 값과 상기 제1 객체 수정 값을 상기 제1 템플릿에 대응하는 악세사리의 이미지에 적용하여, 상기 제1 이미지에 적용하고자 하는 상기 제1 악세사리의 이미지를 생성하는 단계를 포함하고,
상기 제1 템플릿으로부터 악세사리 정보를 추출하는 단계는
상기 제1 제품의 색상, 크기, 질감 및 형상을 포함하는 상기 제1 제품의 정보, 귀여움, 부드러움, 거침, 개성있음, 캐주얼함, 쿨함, 지적임, 심플함, 알록달록, 엘레강스, 아방가르드 중 적어도 하나를 포함하는 상기 제1 사용자의 기대 컨셉, 상기 제1 제품의 카테고리에 따른 착용 계절에 기초하여 제2 입력 신호를 생성하는 단계;
상기 제2 입력 신호를 제3 인공신경망-상기 제3 인공신경망은 트레이닝 제품정보들, 트레이닝 기대컨셉정보들, 트레이닝 계절정보들, 제2 출력 신호들 및 트레이닝 악세사리 정보들에 기초하여 미리 학습됨-에 적용하여, 악세사리 정보들에 각각 대응하는 값들을 포함하는 제2 출력 신호를 생성하는 단계; 및
상기 제2 출력 신호에 기초하여 상기 제1 제품에 부착할 악세사리의 반사율, 악세사리의 크기, 악세사리의 색상, 악세사리의 두께, 악세사리의 소재를 포함하는 악세사리의 정보를 판단하는 단계를 포함하는,
사용자 맞춤형 악세사리 주문 제작 플랫폼 서비스 제공 방법. - 삭제
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220068156A KR102486510B1 (ko) | 2022-06-03 | 2022-06-03 | 사용자 맞춤형 악세사리 주문 제작 플랫폼 서비스 제공 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220068156A KR102486510B1 (ko) | 2022-06-03 | 2022-06-03 | 사용자 맞춤형 악세사리 주문 제작 플랫폼 서비스 제공 방법, 장치 및 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102486510B1 true KR102486510B1 (ko) | 2023-01-10 |
Family
ID=84893997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220068156A KR102486510B1 (ko) | 2022-06-03 | 2022-06-03 | 사용자 맞춤형 악세사리 주문 제작 플랫폼 서비스 제공 방법, 장치 및 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102486510B1 (ko) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160012285A (ko) * | 2014-07-23 | 2016-02-03 | 이재홍 | 구매자의 맞춤 제작으로 디자인된 제품의 제작 판매 장치 및 그 방법 |
KR20160133893A (ko) * | 2015-05-14 | 2016-11-23 | 이민열 | 맞춤 의류 주문 방법 및 장치 |
KR101995788B1 (ko) | 2018-08-17 | 2019-07-09 | 주식회사 마켓프레스 | 콘텐츠 오버레이 및 실측계산으로 미리보기가 가능한 커스터마이징 물품 제작 서비스 제공 방법 |
KR102219011B1 (ko) | 2019-02-25 | 2021-02-23 | 주식회사 브리즘 | 제품 콘텐츠를 제작 및 제공하는 서비스 플랫폼을 운용하는 방법 |
KR20210028089A (ko) * | 2019-09-03 | 2021-03-11 | 이필성 | 사용자가 착용해본 의류에 기초하여 맞춤형 의류를 제작하는 방법, 서버 및 프로그램 |
KR102234609B1 (ko) * | 2020-07-23 | 2021-04-02 | 주식회사 어반베이스 | 이미지 데이터베이스 분석 기반 상품 추천 장치 |
KR20210130368A (ko) | 2020-04-22 | 2021-11-01 | 주식회사 이래요스튜디오 | 디자인 커스터마이징 장치 및 방법 |
KR102373614B1 (ko) | 2021-01-13 | 2022-03-11 | 주영혜 | 적응적 커스터마이징 상품 제작 플랫폼 및 이를 이용한 서비스 제공 방법 |
-
2022
- 2022-06-03 KR KR1020220068156A patent/KR102486510B1/ko active IP Right Grant
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160012285A (ko) * | 2014-07-23 | 2016-02-03 | 이재홍 | 구매자의 맞춤 제작으로 디자인된 제품의 제작 판매 장치 및 그 방법 |
KR20160133893A (ko) * | 2015-05-14 | 2016-11-23 | 이민열 | 맞춤 의류 주문 방법 및 장치 |
KR101995788B1 (ko) | 2018-08-17 | 2019-07-09 | 주식회사 마켓프레스 | 콘텐츠 오버레이 및 실측계산으로 미리보기가 가능한 커스터마이징 물품 제작 서비스 제공 방법 |
KR102219011B1 (ko) | 2019-02-25 | 2021-02-23 | 주식회사 브리즘 | 제품 콘텐츠를 제작 및 제공하는 서비스 플랫폼을 운용하는 방법 |
KR20210028089A (ko) * | 2019-09-03 | 2021-03-11 | 이필성 | 사용자가 착용해본 의류에 기초하여 맞춤형 의류를 제작하는 방법, 서버 및 프로그램 |
KR20210130368A (ko) | 2020-04-22 | 2021-11-01 | 주식회사 이래요스튜디오 | 디자인 커스터마이징 장치 및 방법 |
KR102234609B1 (ko) * | 2020-07-23 | 2021-04-02 | 주식회사 어반베이스 | 이미지 데이터베이스 분석 기반 상품 추천 장치 |
KR102373614B1 (ko) | 2021-01-13 | 2022-03-11 | 주영혜 | 적응적 커스터마이징 상품 제작 플랫폼 및 이를 이용한 서비스 제공 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11462001B2 (en) | Textile matching using color and pattern recognition and methods of use | |
CN107066628B (zh) | 穿衣推荐方法及装置 | |
KR102615597B1 (ko) | 이미지를 암호화하여 외부 서버에 업로드하기 위한 전자 장치 및 이의 제어 방법 | |
TWI658420B (zh) | 融合時間因素之協同過濾方法、裝置、伺服器及電腦可讀存儲介質 | |
KR20220009456A (ko) | 기계 학습을 사용하여 이미지 컬러화 | |
KR20190011180A (ko) | 이미지를 암호화하여 외부 서버에 업로드하기 위한 전자 장치 및 이의 제어 방법 | |
CN116249991A (zh) | 一种神经网络蒸馏方法以及装置 | |
US20200027009A1 (en) | Device and method for optimising model performance | |
KR20210067605A (ko) | 인공 지능을 이용한 상업용 세탁기의 제어 방법 및 그 시스템 | |
KR102457277B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법 및 장치 | |
KR102553152B1 (ko) | 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치 | |
Singh et al. | Generation of fashionable clothes using generative adversarial networks: A preliminary feasibility study | |
Maroulis et al. | Context-aware point of interest recommendation using tensor factorization | |
Sapna et al. | Recommendence and fashionsence: Online fashion advisor for offline experience | |
CN113222073B (zh) | 训练广告推荐模型的方法及装置 | |
KR102486510B1 (ko) | 사용자 맞춤형 악세사리 주문 제작 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
US20160035000A1 (en) | System and method for providing an instant stylist | |
KR102466020B1 (ko) | 인공지능 기반 명품 정보 및 셀러의 자동 매칭 방법, 장치 및 시스템 | |
US11080555B2 (en) | Crowd sourced trends and recommendations | |
KR20230020821A (ko) | 스타일 매칭 관리 서버 | |
Song | Contextual awareness service of internet of things user interaction mode in intelligent environment | |
KR102525624B1 (ko) | 인공지능 기반 고객의 퍼스널 컬러와 매칭되는 가방 제공 방법, 장치 및 시스템 | |
KR102337584B1 (ko) | 사용자 체형에 특화된 하의 제조 방법, 장치 및 시스템 | |
KR102493412B1 (ko) | 의류 및 사이즈 추천 방법 및 그 방법을 수행하기 위한 서버 | |
KR102361729B1 (ko) | 체형 분석 기반 빅사이즈 의류 제조 방법, 장치 및 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GRNT | Written decision to grant |