KR20180080098A - 전자 장치 및 그 동작 방법 - Google Patents
전자 장치 및 그 동작 방법 Download PDFInfo
- Publication number
- KR20180080098A KR20180080098A KR1020170136612A KR20170136612A KR20180080098A KR 20180080098 A KR20180080098 A KR 20180080098A KR 1020170136612 A KR1020170136612 A KR 1020170136612A KR 20170136612 A KR20170136612 A KR 20170136612A KR 20180080098 A KR20180080098 A KR 20180080098A
- Authority
- KR
- South Korea
- Prior art keywords
- images
- image
- model
- deep
- feature extraction
- Prior art date
Links
- 238000011017 operating method Methods 0.000 title claims description 7
- 238000013145 classification model Methods 0.000 claims abstract description 192
- 238000000605 extraction Methods 0.000 claims abstract description 137
- 238000013528 artificial neural network Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims description 56
- 239000000284 extract Substances 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 30
- 238000013473 artificial intelligence Methods 0.000 abstract description 15
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 29
- 238000004891 communication Methods 0.000 description 24
- 241000282472 Canis lupus familiaris Species 0.000 description 19
- 238000011156 evaluation Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 15
- 238000007781 pre-processing Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 13
- 230000000306 recurrent effect Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 230000002457 bidirectional effect Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 5
- 239000000470 constituent Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
-
- G06F17/30247—
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- 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
-
- G06N3/0454—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- 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
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Library & Information Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
디스플레이부, 하나 이상의 인스트럭션들을 저장하는 메모리, 및 메모리에 저장된 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고, 프로세서는 하나 이상의 인스트럭션들을 실행함으로써, 복수의 이미지들을 획득하고, 특징 추출 모델을 이용하여 복수의 이미지들에 대한 딥 피쳐들(deep features)을 추출하며, 추출된 딥 피쳐들 및 분류 모델을 이용하여 복수의 이미지들을 소정의 그룹들로 분류하고, 분류된 결과를 디스플레이부에 표시하며, 분류된 결과를 이용하여 특징 추출 모델 및 분류 모델의 업데이트 필요 여부를 판단하고, 판단 결과에 따라, 특징 추출 모델 및 분류 모델 중 적어도 하나를 학습시켜 업데이트하는, 전자 장치가 개시된다.
상기 전자 장치는 규칙 기반 또는 인공 지능 알고리즘을 이용하여 이미지의 딥 피쳐를 추정할 수 있다. 인공 지능 알고리즘을 이용하여 이미지의 딥 피쳐를 추정하는 경우, 전자 장치는 기계 학습, 신경망 또는 딥러닝 알고리즘을 이용할 수 있다.
상기 전자 장치는 규칙 기반 또는 인공 지능 알고리즘을 이용하여 이미지의 딥 피쳐를 추정할 수 있다. 인공 지능 알고리즘을 이용하여 이미지의 딥 피쳐를 추정하는 경우, 전자 장치는 기계 학습, 신경망 또는 딥러닝 알고리즘을 이용할 수 있다.
Description
다양한 실시예들은 전자 장치 및 그 동작방법에 관한 것으로서, 더욱 상세하게는 복수의 이미지들을 소정의 그룹으로 분류하거나 소정의 그룹에 특정 키워드를 부여할 수 있는 전자 장치 및 그 동작방법에 관한 것이다.
또한 본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용 기술에 관련된 것이다.
정보통신 기술 및 반도체 기술의 발전으로 각종 전자 장치들이 다양한 멀티미디어 서비스를 제공하는 멀티미디어 장치로 발전하고 있다. 예를 들어, 전자 장치는 메신저 서비스, 방송 서비스, 무선 인터넷 서비스, 카메라 서비스 및 음악 재생 서비스와 같은 다양한 멀티미디어 서비스를 제공하고 있다.
또한, 전자 장치는 이미지를 분류하고, 검색할 수 있는 기능을 제공하고 있다. 전자 장치는 기 설정된 분류 기준을 이용하여, 사용자의 이미지들을 소정의 그룹으로 분류할 수 있으나, 일관된 분류 기준을 이용함으로써, 사용자에게 최적화된 분류 결과를 제공할 수 없다는 문제점이 있다.
또한, 전자 장치는 사용자 이미지들을 키워드와 함께 저장할 수 있으며, 키워드를 이용한 이미지 검색을 제공하고 있다. 그러나 키워드를 이용한 이미지 검색 시, 사용자가 지정하는 키워드에 대응시켜 저장된 이미지들만 검색되므로 검색하려는 이미지에 대응하는 키워드를 정확하게 기억해야 한다는 문제점이 있다.
또한, 최근 영상 처리 분야에도 인공지능 시스템이 도입되고 있다.
인공지능 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공 지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하며 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
다양한 실시예들은, 이미지의 특성을 추출하여, 추출된 이미지의 특성에 기초하여 이미지를 분류하고, 추출된 이미지의 특성에 기초하여 유사한 이미지들을 검색할 수 있는 전자 장치 및 그 동작방법을 제공할 수 있다.
또한, 다양한 실시예들은, 사용자의 설정 없이도, 이미지의 특징에 맞는 키워드를 부여할 수 있는 전자 장치 및 그 동작방법을 제공할 수 있다.
일 실시예에 따른 전자 장치는, 디스플레이부, 하나 이상의 인스트럭션들을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션들을 실행함으로써, 복수의 이미지들을 획득하고, 특징 추출 모델을 이용하여 상기 복수의 이미지들에 대한 딥 피쳐들(deep features)을 추출하며, 추출된 딥 피쳐들 및 분류 모델을 이용하여 상기 복수의 이미지들을 소정의 그룹들로 분류하고, 상기 분류된 결과를 상기 디스플레이부에 표시하며, 상기 분류된 결과를 이용하여 상기 특징 추출 모델 및 상기 분류 모델의 업데이트 필요 여부를 판단하고, 판단 결과에 따라, 상기 특징 추출 모델 및 상기 분류 모델 중 적어도 하나를 학습시켜 업데이트할 수 있다.
일 실시예에 따른 전자 장치의 동작 방법은, 복수의 이미지들을 획득하는 단계, 특징 추출 모델을 이용하여 상기 복수의 이미지들에 대한 딥 피쳐들(deep features)을 추출하는 단계, 추출된 딥 피쳐들 및 분류 모델을 이용하여 상기 복수의 이미지들을 소정의 그룹들로 분류하고, 상기 분류된 결과를 표시하는 단계, 상기 분류된 결과를 이용하여 상기 특징 추출 모델 및 상기 분류 모델의 업데이트 필요 여부를 판단하는 단계, 및 판단 결과에 따라, 상기 특징 추출 모델 및 분류 모델 중 적어도 하나를 학습시켜 업데이트하는 단계를 포함할 수 있다.
일 실시예에 따른 전자 장치는, 사용자 데이터에 기초하여 학습된 특징 추출 모델 및 분류 모델을 이용함으로써, 사용자 별로 최적화된 분류 기준으로 복수의 이미지들을 분류하고 및 검색을 수행할 수 있다.
일 실시예에 따른 전자 장치를 이용한 이미지 검색 시, 키워드를 일일이 기억하여 입력하지 않고도 원하는 이미지를 검색할 수 있어 사용자의 이용 편의성이 향상될 수 있다.
일 실시예에 따른 전자 장치는, 사용자의 키워드 지정 없이도, 언어 모델과의 연동을 통해, 자동으로 이미지의 특징에 적합한 키워드를 부여할 수 있다.
도 1은 일 실시예에 따른, 전자 장치에서 이미지들을 분류하는 방법을 나타내는 도면이다.
도 2는 일 실시예에 따른 전자 장치의 동작방법을 나타내는 흐름도이다.
도 3은 일 실시예에 따른 이미지의 딥 피쳐 추출 방법을 설명하기 위해 참조되는 도면이다.
도 4는 일 실시예에 따른 전자 장치가 범용 데이터를 이용하여 학습된 특징 추출 모델 및 분류 모델을 이용하여, 복수의 이미지들을 분류한 결과를 나타내는 도면이다.
도 5는 일 실시예에 따른 전자 장치가 업데이트된 특징 추출 모델 및 분류 모델을 이용하여, 복수의 이미지들을 분류한 결과를 나타내는 도면이다.
도 6은 일 실시시예 따라 사용자 데이터를 이용하여 학습된 특징 추출 모델 및 분류 모델이 복수의 이미지를 분류하는 방법을 설명하기 위해 참조되는 도면이다.
도 7A는 일 실시예에 따른 서버와 전자 장치의 동작을 나타내는 흐름도이다.
도 7B는 일 실시예에 따른 서버와 제1 프로세서 및 제2 프로세서의 동작 방법을 나타내는 흐름도이다.
도 7C는 일 실시예에 따른 서버와 제1 프로세서, 제2 프로세서 및 제3 프로세서의 동작 방법을 나타내는 흐름도이다.
도 8A는 일 실시예에 따른 전자 장치의 동작방법을 나타내는 흐름도이다.
도 8B는 일 실시예에 따른 전자 장치에 포함된 제1 프로세서, 제2 프로세서의 동작 방법을 나타내는 흐름도이다.
도 8C는 일 실시예에 따른 전자 장치에 포함된 제1 프로세서, 제2 프로세서 및 제3 프로세서의 동작 방법을 나타내는 흐름도이다.
도 9 및 10은 일 실시예에 따른 전자 장치가 이미지를 검색하는 방법을 설명하기 위해 참조되는 도면들이다.
도 11은 일 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다.
도 12는 일부 실시예에 따른 프로세서(120)의 블록도이다.
도 13은 일부 실시예에 따른 데이터 학습부(1300)의 블록도이다.
도 14는 일부 실시예에 따른 데이터 분류부(1400)의 블록도이다.
도 15는 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 16은 다른 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다.
도 2는 일 실시예에 따른 전자 장치의 동작방법을 나타내는 흐름도이다.
도 3은 일 실시예에 따른 이미지의 딥 피쳐 추출 방법을 설명하기 위해 참조되는 도면이다.
도 4는 일 실시예에 따른 전자 장치가 범용 데이터를 이용하여 학습된 특징 추출 모델 및 분류 모델을 이용하여, 복수의 이미지들을 분류한 결과를 나타내는 도면이다.
도 5는 일 실시예에 따른 전자 장치가 업데이트된 특징 추출 모델 및 분류 모델을 이용하여, 복수의 이미지들을 분류한 결과를 나타내는 도면이다.
도 6은 일 실시시예 따라 사용자 데이터를 이용하여 학습된 특징 추출 모델 및 분류 모델이 복수의 이미지를 분류하는 방법을 설명하기 위해 참조되는 도면이다.
도 7A는 일 실시예에 따른 서버와 전자 장치의 동작을 나타내는 흐름도이다.
도 7B는 일 실시예에 따른 서버와 제1 프로세서 및 제2 프로세서의 동작 방법을 나타내는 흐름도이다.
도 7C는 일 실시예에 따른 서버와 제1 프로세서, 제2 프로세서 및 제3 프로세서의 동작 방법을 나타내는 흐름도이다.
도 8A는 일 실시예에 따른 전자 장치의 동작방법을 나타내는 흐름도이다.
도 8B는 일 실시예에 따른 전자 장치에 포함된 제1 프로세서, 제2 프로세서의 동작 방법을 나타내는 흐름도이다.
도 8C는 일 실시예에 따른 전자 장치에 포함된 제1 프로세서, 제2 프로세서 및 제3 프로세서의 동작 방법을 나타내는 흐름도이다.
도 9 및 10은 일 실시예에 따른 전자 장치가 이미지를 검색하는 방법을 설명하기 위해 참조되는 도면들이다.
도 11은 일 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다.
도 12는 일부 실시예에 따른 프로세서(120)의 블록도이다.
도 13은 일부 실시예에 따른 데이터 학습부(1300)의 블록도이다.
도 14는 일부 실시예에 따른 데이터 분류부(1400)의 블록도이다.
도 15는 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 16은 다른 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 실시예들에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 일 실시예에 따른, 전자 장치에서 이미지들을 분류하는 방법을 나타내는 도면이다.
일 실시예에 따른 전자 장치(100)는, 다양한 형태로 구현될 수 있다. 예를 들어, 전자 장치(100)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 데스크 탑, 태블릿 PC, 전자책 단말기, 디지털 방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 캠코더, IPTV(Internet Protocol Television), DTV(Digital Television), 착용형 기기(wearable device, 예를 들어, 스마트 워치(smart watch), 스마트 글래스(smart glass) 등) 등과 같은 다양한 전자 장치로 구현될 수 있다. 다만, 이에 한정되는 것은 아니다.
본 명세서의 실시예에서 "사용자"라는 용어는 전자 장치의 기능 또는 동작을 제어하는 사람을 의미하며, 시청자, 관리자 또는 설치 기사를 포함할 수 있다.
일 실시예에 따른 전자 장치(100)는 복수의 이미지들(10)을 획득할 수 있다. 복수의 이미지들(10)은, 전자 장치(100)를 이용하여 촬영된 이미지, 전자 장치에 저장되어 있는 이미지, 또는 외부 장치로부터 수신한 이미지를 포함할 수 있다.
일 실시예에 따른 전자 장치는 특징 추출 모델(20)을 이용하여 복수의 이미지들의 딥 피쳐들(deep features)을 추출할 수 있다.
특징 추출 모델(20)은, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예를 들어, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 특징 추출 모델(20)로 사용될 수 있으나, 이에 한정되지 않는다.
또한, 초기의 특징 추출 모델(20)은, 범용 데이터를 이용하여 학습된 모델일 수 있다. 이미지의 딥 피쳐(deep feature)는, 이미지를 적어도 하나의 신경망(Neural Network)에 입력하여, 적어도 하나의 신경망에 포함되는 적어도 하나의 층(layer)에서 추출된 벡터(vector)를 포함할 수 있다.
벡터는, 예를 들면, 이미지의 특징을 포함할 수 있다. 이미지의 특징은, 예를 들면, 이미지에 포함된 객체의 형상, 종류 및 이미지가 촬영된 장소 등을 포함할 수 있다.
따라서, 특징 추출 모델(20)은 이미지, 이미지의 특징(예를 들면, 객체의 형상, 객체의 종류, 장면인식 결과, 촬영 장소 등)을 학습 데이터로 하여 학습될 수 있다. 구체적으로, 강아지를 촬영한 이미지, 강아지의 종류 및 촬영 장소를 학습 데이터로 하여 학습될 수 있다. 또한, 야경을 촬영한 이미지, 야경에 포함된 건물의 명칭 및 촬영 장소를 학습 데이터로 하여 학습될 수 있다. 이로 인해, 전자 장치(100)는 이미지가 입력되면 특징 추출 모델(20)을 이용하여 상술한 이미지의 특징들을 포함하는 딥 피쳐들을 추출할 수 있다.
일 실시예에 따른 전자 장치(100)는, 복수의 이미지들에 대한 딥 피쳐들이 추출되면, 추출된 딥 피쳐들 및 분류 모델(30)을 이용하여, 복수의 이미지들을 분류할 수 있다.
분류 모델(30)은, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예를 들어, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 분류 모델(30)로 사용될 수 있으나, 이에 한정되지 않는다.
또한, 초기의 분류 모델(30)은, 범용 데이터를 이용하여 학습된 모델일 수 있다. 예를 들면, 분류 모델(30)은 이미지, 이미지에서 추출한 딥 피쳐 및 이미지 분류 결과를 학습 데이터로 하여 학습될 수 있다. 구체적으로, 강아지를 촬영한 이미지, 이미지의 딥 피쳐(예를 들면, 강아지의 형상, 종류 등) 및 이미지의 분류 목록(예를 들면, 강아지, 비글, 푸들 등)을 학습 데이터로 하여 학습될 수 있다. 또한, 야경을 촬영한 이미지, 이미지에서 추출한 딥 피쳐(예를 들면, 야경이 촬영된 위치, 건물의 명칭 등) 및 이미지의 분류(예를 들면, 풍경, 야경 등)를 학습 데이터로 하여 학습될 수 있다.
이로 인해, 분류 모델(30)은 복수의 이미지들에 대한 딥 피쳐들의 유사도에 기초하여, 복수의 이미지들을 소정의 그룹으로 분류할 수 있다. 이때, 딥 피쳐들의 유사도는, 딥 피쳐들로 추출된 벡터들 사이의 거리로 나타날 수 있다. 예를 들어, 벡터들을 좌표에 표시하였을 때, 좌표에 표시된 벡터들 사이의 거리가 짧을수록 유사도가 크고, 벡터들 사이의 거리가 멀수록 유사도가 작을 수 있다. 다만, 이에 한정되지 않는다.
일 실시예에 따른 분류 모델(30)은 기 설정된 거리 범위에 있는 벡터들에 대응하는 이미지들을 동일한 그룹으로 분류할 수 있다. 예를 들어, 복수의 이미지들 중 좌표 영역 중 제1 영역에 표시되는 이미지들(예를 들어, '음식'의 특성을 나타내는 이미지들)을 제1 그룹(41)으로, 제2 영역에 표시되는 이미지들(예를 들어, '아기'의 특성을 나타내는 이미지들)을 제2 그룹(42)으로, 제3 영역에 표시되는 이미지들(예를 들어, '탑'의 특성을 나타내는 이미지들)을 제3 그룹(43)으로 분류할 수 있다.
또한, 다양한 실시예에 따르면, 분류 모델(30)은 비글, 푸들 등의 강아지의 형상들을 포함하는 벡터들의 사이는 거리를 짧게 나타낼 수 있다. 또한, 분류 모델(30)은 풍경, 야경, 건물 등을 포함하는 벡터들의 사이는 거리는 짧게 나타낼 수 있다. 한편, 분류 모델(30)은 상술한 강아지의 형상들을 포함하는 벡터들과 풍경, 야경 등을 포함하는 벡터들의 사이는 거리를 멀게 나타낼 수 있다. 다만, 이에 한정되지 않는다.
일 실시예에 따른 특징 추출 모델(20) 및 분류 모델(30)은 동일한 신경망으로 구성될 수도 있으며, 서로 다른 신경망으로 독립적으로 구성될 수도 있다.
일 실시예에 따른 특징 추출 모델(20) 및 분류 모델(30)은 분류된 결과를 이용하여 기존 특징 추출 모델 및 분류 모델의 업데이트 필요 여부를 판단할 수 있다. 업데이트가 필요하다고 판단된 경우에는 사용자 데이터를 이용하여 재 학습될 수 있다.
예를 들어, 소정의 그룹으로 분류된 이미지들을 특징 추출 모델(20) 및 분류 모델(30) 중 적어도 하나에 입력 값으로 하는 지도 학습(supervised learning)을 통하여, 특징 추출 모델(20) 및 분류 모델(30) 중 적어도 하나를 학습시킬 수 있다. 지도 학습을 통하여, 특징 추출 모델(20) 및 분류 모델(30)을 학습시키는 경우, 사용자가 생성한 복수개의 이미지와 각 이미지에 해당하는 사용자의 키워드 매핑 정보(예를 들면, 사용자가 입력한 이미지의 특징들)를 이용하여, 특징 추출 모델(20) 및 분류 모델(30)을 학습시킬 수 있다.
또는, 별다른 지도 없이 이미지 분류기를 재 학습하고, 언어 모델의 학습 결과를 연계하여 이미지 분류 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 특징 추출 모델(20) 및 분류 모델(30) 중 적어도 하나를 학습시킬 수 있다. 또한, 지도 학습으로 학습된 결과와 언어 모델의 학습 결과를 연계시켜 지도 없이, 이미지 분류 기준을 발견함으로써, 특징 추출 모델(20) 및 분류 모델(30) 중 적어도 하나를 학습시킬 수 있다.
또한, 학습에 따른 이미지의 분류 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 특징 추출 모델(20) 및 분류 모델(30)을 학습시킬 수 있다. 다만, 이에 한정되지 않는다.
도 2는 일 실시예에 따른 전자 장치의 동작방법을 나타내는 흐름도이다.
도 2를 참조하면, 일 실시예에 따른 전자 장치(100)는 복수의 이미지들을 획득할 수 있다(S210).
일 실시예에 따른 전자 장치(100)는 특징 추출 모델을 이용하여, 복수의 이미지들에 대한 딥 피쳐들을 추출할 수 있다(S220).
특징 추출 모델은, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예를 들어, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 특징 추출 모델로 사용될 수 있으나, 이에 한정되지 않는다. 이미지의 딥 피쳐는, 이미지를 적어도 하나의 신경망(Neural Network)에 입력하여, 적어도 하나의 신경망에 포함되는 적어도 하나의 층(layer)에서 추출된 벡터 값을 포함할 수 있다.
또한, 이미지의 딥 피쳐는, 이미지에 대한 교환 이미지 파일(EXIF) 등의 메타데이터 형식으로 저장될 수 있다. 또한, 이미지 파일의 형식이 JPEG 이 아닌 경우, 이미지 파일을 JPEG 파일로 변환하고, 이미지의 딥 피쳐를 EXIF 정보로 저장할 수 있다. 다만, 이에 한정되지 않는다.
또한, 전자 장치(100)는 이미지에 대한 딥 피쳐를 이미지의 메타데이터로 저장해둠으로써, 이미지를 분류할 때마다 딥 피쳐를 다시 추출하지 않고, 저장된 딥 피쳐를 이용하여, 이미지를 분류할 수 있다. 이에 따라, 이미지 분류 속도가 빨라질 수 있다.
또한, 이미지의 딥 피쳐를 EXIF 형식으로 저장하는 경우, 이미지 파일이 다른 전자 장치에 저장되더라도 이미지의 딥 피쳐 정보를 유지할 수 있다. 예를 들어, 이미지 파일이 전자 장치(100)가 아닌 외부 장치에 전송된 경우에도, 외부 장치에서 이미지의 딥 피쳐 정보가 유지될 수 있다. 이에 따라, 다른 장치에서도 이미지의 딥 피쳐 정보를 이용하여, 이미지를 분류하거나 검색할 수 있으며, 특징 추출 모델과 분류 모델이 각각 제1 전자 장치 및 제2 전자 장치에 존재하는 경우, 제1 전자 장치에서 추출된 이미지들의 딥 피쳐를 이용하여, 제2 전자 장치에서 이미지들을 분류할 수 있다.
일 실시예에 따른 전자 장치(100)는 복수의 이미지들에 대한 딥 피쳐들 및 분류 모델에 기초하여, 복수의 이미지들을 분류할 수 있다(S230).
분류 모델은, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예를 들어, DNN(Deep Neural Network), CNN(Convolutional Neural Network) RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 분류 모델로 사용될 수 있으나, 이에 한정되지 않는다. 또한, 초기의 분류 모델은, 범용 데이터를 이용하여 학습된 모델일 수 있다. 분류 모델은 복수의 이미지들에 대한 딥 피쳐들의 유사도에 기초하여, 복수의 이미지들을 소정의 그룹으로 분류할 수 있다. 이때, 딥 피쳐들의 유사도는, 딥 피쳐들로 추출된 벡터들 사이의 거리로 나타날 수 있다.
또한, 일 실시예에 따른 전자 장치(100)는 복수의 이미지들이 분류된 결과를 표시할 수 있다.
일 실시예에 따른 전자 장치(100)는 복수의 이미지들이 분류된 결과를 이용하여, 특징 추출 모델 및 분류 모델의 업데이트가 필요한지 여부를 판단할 수 있다(S235).
예를 들어, 전자 장치(100)는 복수의 이미지들이 분류된 그룹들 각각에 포함되는 이미지들 개수의 밸런스에 기초하여 특징 추출 모델 및 분류 모델의 업데이트 필요 여부를 판단할 수 있다. 분류 결과, 특정 그룹에만 이미지들이 포함되고, 나머지 그룹들에는 이미지가 포함되지 않거나 기 설정된 개수 미만의 이미지가 포함되는 경우, 전자 장치(100)는 특징 추출 모델 및 분류 모델의 업데이트가 필요한 것으로 판단할 수 있다. 반면에 분류 결과, 소정의 그룹들에 기 설정된 개수 이상의 이미지들이 포함되는 경우, 전자 장치(100)는 특징 추출 모델 및 분류 모델의 업데이트가 필요하지 않은 것으로 판단할 수 있다. 다만, 이에 한정되지 않으며, 특징 추출 모델 및 분류 모델의 업데이트 필요 여부는 다양한 기준에 따라 판단될 수 있다.
일 실시예에 따른 전자 장치(100)는 특징 추출 모델 및 분류 모델의 업데이트가 필요한 것으로 판단되는 경우, 특징 추출 모델 및 분류 모델 중 적어도 하나를 학습시켜, 업데이트할 수 있다(S240).
일 실시예에 따른 전자 장치(100)는 사용자 데이터(예를 들어, 복수의 사용자 이미지들)를 이용하여, 특징 추출 모델 및 분류 모델 중 적어도 하나를 재 학습시켜, 업데이트할 수 있다. 특징 추출 모델 및 분류 모델 업데이트 시, 사용자 데이터를 활용하므로, 사용자 데이터에 적합하도록 특징 추출 모델 및 분류 모델이 업데이트될 수 있다.
일 실시예에 따른 전자 장치(100)는 주기적으로 또는 사용자의 요청이 있는 경우에 특징 추출 모델 및 분류 모델 중 적어도 하나를 업데이트할 수 있다. 또는, 전자 장치(100)가 기 설정된 상태인 경우, 특징 추출 모델 및 분류 모델 중 적어도 하나를 업데이트할 수 있다. 예를 들어, 전자 장치(100)가 대기 모드로 진입하거나 충전 상태인 경우, 또는, 전자 장치(100)가 와이-파이(Wi-Fi) 네트워크에 연결된 상태인 경우, 특징 추출 모델 및 분류 모델 중 적어도 하나를 업데이트할 수 있다. 다만, 이에 한정되지 않는다.
일 실시예에 따른 전자 장치(100)는 학습으로 업데이트된 특징 추출 모델 및 분류 모델을 이용하여, 획득된 복수의 이미지들의 딥 피쳐들을 추출하고, 복수의 이미지들을 분류할 수 있다. 또한, 전자 장치(100)는 기 분류된 복수의 이미지들의 딥 피쳐들을 재 추출할 수 있다. 이에 따라, 기 분류된 복수의 이미지들의 딥 피쳐 정보는 갱신되거나 추가될 수 있다. 또한, 전자 장치(100)는 재 추출된 딥 피쳐들에 기초하여, 복수의 이미지들을 재 분류할 수 있다.
도 3은 일 실시예에 따른 이미지의 딥 피쳐 추출 방법을 설명하기 위해 참조되는 도면이다.
일 실시예에 따른 이미지의 딥 피쳐는, 이미지를 적어도 하나의 신경망(Neural Network)에 입력하여, 적어도 하나의 신경망에 포함되는 적어도 하나의 층(layer)에서 추출된 벡터를 포함할 수 있다.
도 3의 (a)를 참조하면, 일 실시예에 따른, 전자 장치(100)는 이미지를 서로 다른 종류의 신경망에 입력하여, 이미지에 대한 복수의 딥 피쳐들을 추출할 수 있다. 예를 들어, 이미지를 제1 신경망(310)에 입력하여, 제1 신경망(310)의 n번째 층(n-th layer)에서 제1 딥 피쳐(deep feature 1)를 추출하고, 이미지를 제2 신경망(320)에 입력하여, 제2 신경망(320)의 n번째 층(n-th layer)에서 제2 딥 피쳐(deep feature 2)를 추출하며, 이미지를 제3 신경망(330)에 입력하여, 제3 신경망의 n번째 층(n-th layer)에서 제3 딥 피쳐(deep feature 3)를 추출할 수 있다.
또한, 도 3의 (b)를 참조하면, 일 실시예에 따른 전자 장치(100)는 이미지를 하나의 신경망에 입력하여, 하나의 신경망에 포함되는 서로 다른 서브 망(sub network)에서 이미지에 대한 복수의 딥 피쳐들을 추출할 수 있다. 예를 들어, 이미지를 제1 서브 망(340) 및 제2 서브 망(350)을 포함하는 신경망에 입력하고, 제1 서브 망(340)의 n번째 층에서 제1 딥 피쳐(deep feature 1)를 추출하고, 제2 서브 망(350)의 n번째 층에서 제2 딥 피쳐(deep feature 2)를 추출할 수 있다.
또한, 도 3의 (c)를 참조하면, 일 실시예에 따른 전자 장치(100)는 이미지를 하나의 신경망에 입력하여, 서로 다른 층에서 이미지에 대한 복수의 딥 피쳐를 추출할 수 있다. 예를 들어, 이미지를 하나의 신경망에 입력하여, 하나의 신경망의 n번째 층에서 제1 딥 피쳐(deep feature 1)를 추출하고, m번째 층에서 제2 딥 피쳐(deep feature 2)를 추출할 수 있다.
전자 장치(100)는 추출된 딥 피쳐를, 딥 피쳐를 추출한 신경망 정보, 신경망의 층(layer) 정보, 서브 망 정보와 함께 저장할 수 있다. 일 실시예에 따른 전자 장치(100)는 동일한 신경망에서 추출된 딥 피쳐들을 이용하여, 복수의 이미지들을 분류하거나 이미지를 검색할 수 있다.
도 4는 일 실시예에 따른 전자 장치가 범용 데이터를 이용하여 학습된 특징 추출 모델 및 분류 모델을 이용하여, 복수의 이미지들을 분류한 결과를 나타내는 도면이다.
도 4를 참조하면, 일 실시예에 따른 전자 장치(100)는 복수의 이미지들을 획득할 수 있다. 예를 들어, 도 4에 도시된 바와 같이, 전자 장치(100)는 제1 내지 제10 이미지들(A1, A2, A3, A4, A5, A6, A7, A8, A9, A10)을 획득할 수 있다. 전자 장치(100)는 획득한 복수의 이미지들을 특징 추출 모델 및 분류 모델을 이용하여, 소정의 그룹으로 분류할 수 있다. 이때, 이용되는 특징 추출 모델 및 분류 모델은 범용 데이터를 이용하여 기 학습된 모델들일 수 있다. 예를 들어, 특징 추출 모델 및 분류 모델은, 복수의 이미지들을 '사람', '개', '풍경', '문서', '음식', '도로' 6개의 카테고리로 분류하도록 학습된 모델들 일 수 있으나, 이에 한정되지 않는다. 예를 들어, 분류되는 카테고리의 종류 및 개수는 특징 추출 모델 및 분류 모델이 학습에 의해 결정하거나, 사용자 입력에 기초하여 설정될 수 있다.
전자 장치(100)가 특징 추출 모델 및 분류 모델을 이용하여, 복수의 이미지들을 분류하는 경우, 제1 내지 5 이미지(A1, A2, A3, A4, A5), 제7 내지 제8 이미지(A7, A8), 제10 이미지(A10)를 '개'의 카테고리로, 제6 이미지(A6), 제 9 이미지(A10)를 '사람'의 카테고리로 분류될 수 있다. 범용 데이터를 이용하여 학습된 특징 추출 모델 및 분류 모델에 따라 복수의 이미지들을 분류하는 경우, 실질적으로 '개'와 '사람' 카테고리만 사용되고, '풍경', '음식', '도로', '문서' 등의 카테고리는 사용하지 않게 된다. 이에 따라, '풍경', '음식', '도로', '문서' 와 관련된 이미지는 사용하지 않고, '개'와 '사람'과 관련된 이미지만을 주로 사용하는 사용자의 경우, 범용 데이터에 의해 학습된 특징 추출 모델 및 분류 모델에 대한 체감 성능이 감소하게 된다.
도 5는 일 실시예에 따른 전자 장치가 업데이트된 특징 추출 모델 및 분류 모델을 이용하여, 복수의 이미지들을 분류한 결과를 나타내는 도면이다.
일 실시예에 따른 전자 장치(100)는 사용자 이미지들을 이용하여, 특징 추출 모델 및 분류 모델 중 적어도 하나를 학습시켜 업데이트시킬 수 있다. 예를 들어, 전자 장치(100)는, 도 4의 제1 내지 제10 이미지들(A1 내지 A10)의 분류 결과를 이용하여, 특징 추출 모델 및 분류 모델의 업데이트 필요 여부를 판단할 수 있다. 또한, 전자 장치(100)는 사용자 이미지들을 이용하여, 특징 추출 모델 및 분류 모델 중 적어도 하나를 학습시켜 업데이트시킬 수 있다.
도 5를 참조하면, 전자 장치(100)는 업데이트된 특징 추출 모델 및 분류 모델을 이용하여, 기 분류된 이미지들을 재 분류할 수 있다. 예를 들어, 업데이트된 특징 추출 모델 및 분류 모델을 이용하여 복수의 이미지들(제1 내지 제10 이미지들(A1 내지 A10))을 분류한 결과, 제1 이미지(A1), 제2 이미지(A2), 제8 이미지(A8)는 제1 그룹으로, 제3 이미지(A3), 제4 이미지(A4), 제6 이미지(A6) 및 제9 이미지(A9)는 제2 그룹으로, 제 5 이미지(A5) 및 제9 이미지(A9)는 제3 그룹으로, 제5 이미지(A5), 제7 이미지(A7) 및 제10 이미지(A10)는 제4 그룹으로, 제6 내지 제8 이미지(A6 내지 A8) 및 제10 이미지(A10)는 제5 그룹으로, 제1 내지 제5 이미지(A1 내지 A5) 및 제9 이미지(A9)는 제6 그룹으로 분류될 수 있다. 이때, 이미지들은 복수의 그룹에 중복되어 분류될 수 있다.
도 4의 분류 결과와 비교해보면, 도 4에서는 2개의 그룹으로 분류된 것에 비해, 도 5에서는 6개의 그룹으로 분류될 수 있다. 범용 데이터에 기초하여 학습된 특징 추출 모델 및 분류 모델에 비하여, 사용자의 데이터에 기초하여 학습된 특징 추출 모델 및 분류 모델은, 사용자 이미지들을 더 다양하게 분류할 수 있다.
또한, 전자 장치(100)는 복수의 이미지들이 분류된 그룹들의 그룹명을 자동으로 또는, 사용자 입력에 기초하여, 생성할 수 있다. 전자 장치(100)는 언어 모델을 이용하여, 그룹들의 그룹명을 자동으로 생성할 수 있다. 전자 장치(100)는 언어 모델에서의 키워드들 사이의 유사도와, 이미지들의 딥 피쳐들 사이의 유사도를 비교하여, 이미지에 대응하는 키워드를 검출할 수 있다.
예를 들어, 제1 그룹에 대해 "Beagle"이라는 키워드(또는 태그(tag))가 지정된 경우, 제1 그룹의 그룹명은 "Beagle"로 설정될 수 있다. 이때, 언어 모델을 이용하여, "Beagle"과, 제1 그룹에 포함되는 이미지의 딥 피쳐와 제2 그룹에 포함되는 이미지의 딥 피쳐 사이의 유사도(딥 피쳐들 사이의 거리)를 가지는 제2 키워드를 결정할 수 있다. 결정된 제2 키워드는 제2 그룹에 대한 그룹명으로 지정될 수 있다. 또는, 전자 장치(100)는 도 4에서, 제1 그룹, 제2 그룹 및 제3 그룹이 "개"에 대응하는 그룹이라는 정보에 기초하여, 제1 그룹, 제2 그룹 및 제3 그룹에 대응하는 그룹명을 설정할 수 있다. 예를 들어, 전자 장치(100)는 제1 그룹에 포함되는 이미지의 딥 피쳐, 제2 그룹에 포함되는 이미지의 딥 피쳐 및 제3 그룹에 포함되는 이미지의 딥 피쳐들 사이의 유사도와 언어 모델에서, "개"의 하위 키워드들 사이의 유사도를 비교하여, 제1 그룹에 포함되는 이미지의 딥 피쳐, 제2 그룹에 포함되는 이미지의 딥 피쳐 및 제3 그룹에 포함되는 이미지의 딥 피쳐들 각각에 대응하는 키워드를 결정할 수 있다. 전자 장치(100)는 키워드들이 결정되면, 결정된 키워드들을 해당 그룹의 그룹명으로 지정할 수 있다. 이에 따라, 제1 그룹은 "Beagle", 제2 그룹은 "Poodle"로, 제3 그룹은 "Anny"로, 제4 그룹은 "Golden Retriever"로, 제5 그룹은 "Indoor"로, 제6 그룹은 "Outdoor"로 그룹명이 생성될 수 있다. 또한, 전자 장치(100)는 그룹들 각각에 대응하는 폴더를 생성하고, 동일한 그룹으로 분류된 이미지들을 동일한 폴더에 저장할 수 있다. 또한, 전자 장치(100)는 그룹에 포함되는 이미지들 각각에 대응하는 키워드들도 결정할 수 있다.
도 6은 일 실시시예 따라 사용자 데이터를 이용하여 학습된 특징 추출 모델 및 분류 모델이 복수의 이미지를 분류하는 방법을 설명하기 위해 참조되는 도면이다.
도 6의 (a)는 제1 사용자의 데이터를 이용하여 학습된 특징 추출 모델 및 분류 모델이 복수의 이미지들을 분류한 결과를 나타내는 도면이다.
도 6의 (a)를 참조하면, 제1 사용자의 이미지들은 제1 내지 제11 이미지들(B1, B2, B3, B4, B5, B6, B7, B8, B9, B10, B11)을 포함할 수 있다. 이때, 제1 사용자의 이미지들은 제1 사용자 디바이스에서 획득된 이미지들이며, 제1 사용자 디바이스에 저장된 이미지들, 제1 사용자 디바이스에서 촬영된 이미지들 또는 외부 디바이스로부터 수신한 이미지들일 수 있다.
일 실시예에 따른 제1 사용자 디바이스는, 제1 특징 추출 모델 및 제1 분류 모델을 이용하여, 제1 사용자 이미지들(B1, B2, B3, B4, B5, B6, B7, B8, B9, B10, B11)을 소정의 그룹으로 분류할 수 있다. 제1 특징 추출 모델 및 제1 분류 모델은 제1 사용자 이미지들을 이용하여 학습된 특징 추출 모델 및 분류 모델일 수 있다.
제1 특징 추출 모델은 제1 사용자 이미지들 각각의 딥 피쳐를 추출하고, 제1 분류 모델은 제1 사용자 이미지들 각각의 딥 피쳐에 기초하여, 제1 사용자 이미지들을 소정의 그룹으로 분류할 수 있다. 이때, 제1 사용자 이미지들이 분류되는 소정의 그룹의 종류나 개수는 제1 특징 추출 모델 및 제1 분류 모델이 사용자 데이터에 기초한 학습에 의해 결정하거나, 사용자 입력에 기초하여 설정될 수 있다. 예를 들어, 제1 사용자 이미지들 중 제1 및 제2 이미지들(B1, B2)은 제1 그룹으로, 제7 및 제8 이미지들(B7, B8)은 제2 그룹으로, 제3, 제6, 및 제9 이미지들(B3, B6, B9)은 제3 그룹으로, 제10 및 제11 이미지들(B10, B11)은 제4 그룹으로, 제4 및 제5 이미지들(B4, B5)은 제5 그룹으로, 제3 및 제9 이미지들(B3, B9)은 제6 그룹으로 분류될 수 있다.
또한, 제1 사용자 디바이스는 복수의 이미지들이 분류된 그룹들의 그룹명을 자동으로 또는, 사용자 입력에 기초하여, 생성할 수 있다. 예를 들어, 제1 사용자 디바이스는 분류된 그룹들에 포함되는 이미지들의 딥 피쳐 정보와 언어 모델을 이용하여, 그룹명 또는 키워드를 자동으로 생성할 수 있다.
예를 들어, 제1 그룹은 "음식", 제2 그룹은 "개"로, 제3 그룹은 "풍경"으로, 제4 그룹은 "사람"으로, 제5 그룹은 "문서"로, 제6 그룹은 "도로"로 그룹명이 생성될 수 있다.
도 6의 (b)는 제2 사용자의 데이터를 이용하여 학습된 특징 추출 모델 및 분류 모델이 복수의 이미지들을 분류한 결과를 나타내는 도면이다.
도 6의 (b)를 참조하면, 제2 사용자의 이미지들은 제1 내지 제11 이미지들(C1, C2, C3, C4, C5, C6, C7, C8, C9, C10, C11)을 포함할 수 있다. 이때, 제2 사용자의 이미지들은 제2 사용자 디바이스에서 획득된 이미지들이며, 제2 사용자 디바이스에 저장된 이미지들, 제2 사용자 디바이스에서 촬영된 이미지들 또는 외부 디바이스로부터 수신한 이미지들일 수 있다.
일 실시예에 따른 제2 사용자 디바이스는, 제2 특징 추출 모델 및 제2 분류 모델을 이용하여, 제2 사용자 이미지들(C1, C2, C3, C4, C5, C6, C7, C8, C9, C10, C11)을 소정의 그룹으로 분류할 수 있다. 제2 특징 추출 모델 및 제2 분류 모델은 제2 사용자 이미지들을 이용하여 학습된 특징 추출 모델 및 분류 모델일 수 있다.
제2 특징 추출 모델은 제2 사용자 이미지들 각각의 딥 피쳐를 추출하고, 제2 분류 모델은 제2 사용자 이미지들 각각의 딥 피쳐에 기초하여, 제2 사용자 이미지들을 소정의 그룹으로 분류할 수 있다. 이때, 제2 사용자 이미지들이 분류되는 소정의 그룹의 종류나 개수는 제2 특징 추출 모델 및 제2 분류 모델이 사용자 데이터에 기초한 학습에 의해 결정하거나, 사용자 입력에 기초하여 설정될 수 있다. 예를 들어, 제2 사용자 이미지들 중 제1, 제3, 및 제7 이미지들(C1, C3, C7)은 제1 그룹으로, 제2 및 제9 이미지들(C2, C9)은 제2 그룹으로, 제3 및 제6 이미지들(C3, C6)은 제3 그룹으로, 제4 및 제5 이미지들(C4, C5)은 제4 그룹으로, 제7 및 제8 이미지들(C7, C8)은 제5 그룹으로, 제10 및 제11 이미지들(C10, C11)은 제6 그룹으로, 제1, 제5 및 제11 이미지들(C1, C5, C11)은 제7 그룹으로 분류될 수 있다.
또한, 제2 사용자 디바이스는 복수의 이미지들이 분류된 그룹들의 그룹명을 자동으로 또는, 사용자 입력에 기초하여, 생성할 수 있다. 제2 사용자 디바이스는 분류된 그룹들에 포함되는 이미지들의 딥 피쳐 정보와 언어 모델을 이용하여, 그룹명 또는 키워드를 자동으로 생성할 수 있다.
예를 들어, 제1 그룹은 "도로"로, 제2 그룹은 "강"으로, 제3 그룹은 "한옥"으로, 제4 그룹은 "해변"으로, 제5 그룹은 "숲"으로, 제6 그룹은 "빌딩"으로, 제7 그룹은 "하늘"로 그룹명이 생성될 수 있다.
도 6의 (a) 및 (b)에서 설명한 바와 같이, 일 실시예에 따른 특징 추출 모델 및 분류 모델은 사용자 데이터를 이용하여 학습되고 업데이트될 수 있다.
일 실시예에 따른 업데이트된 특징 추출 모델 및 분류 모델은 기 분류된 그룹 중 제1 그룹에 포함되는 복수의 이미지들을 2개 이상의 그룹으로 재 분류하거나, 기 분류된 그룹 중 제1 그룹 및 제2 그룹에 포함되는 복수의 이미지들을 동일한 그룹으로 재 분류할 수 있다. 예를 들어, 제1 사용자 이미지들에 최적화된 제1 특징 추출 모델 및 제1 분류 모델은 이미지 B3 및 이미지 B6을 동일한 그룹("풍경" 그룹)으로 분류할 수 있다. 반면에, 제2 사용자 이미지들에 최적화된 제2 특징 추출 모델 및 제2 분류 모델은 이미지 B3와 동일한 이미지 C1 및 이미지 B6와 동일한 이미지 C5를 서로 다른 그룹("도로" 그룹과 "해변" 그룹)으로 분류할 수 있다.
이에 따라, 일 실시예에 따른 전자 장치(100)는 사용자 별로 최적화된 특징 추출 모델 및 분류 모델을 제공할 수 있어, 복수의 이미지들을 동일한 분류 기준으로 분류하는 것이 아닌 사용자 별로 최적화된 분류 기준으로 복수의 이미지들을 분류할 수 있다.
도 7A는 일 실시예에 따른 서버와 전자 장치의 동작 방법을 나타내는 흐름도이다.
도 7을 참조하면, 서버(200)는 범용 데이터를 이용하여 특징 추출 모델 및 분류 모델을 학습할 수 있다(S710).
예를 들어, 서버(200)는 범용 데이터에 기초하여, 이미지들을 어떻게 분류할 지에 대한 기준을 학습할 수 있다. 서버(200)는 범용 데이터에 기초하여, 복수의 이미지들의 딥 피쳐들을 추출하는 기준을 학습할 수 있다. 또한, 서버(200)는 복수의 이미지들에 대한 딥 피쳐들의 유사도에 기초하여, 복수의 이미지들을 소정의 그룹으로 분류하도록 학습할 수 있다.
전자 장치(100)는 서버(200)로부터 특징 추출 모델 및 분류 모델을 수신할 수 있다(S720).
전자 장치(100)는 복수의 이미지들을 획득할 수 있다(S730).
전자 장치(100)는 서버로부터 수신한 특징 추출 모델을 이용하여, 복수의 이미지들에 대한 딥 피쳐들을 추출할 수 있다(S740).
전자 장치(100)는 추출된 딥 피쳐들 및 서버(200)로부터 수신한 분류 모델에 기초하여, 복수의 이미지들을 분류할 수 있다(S750).
단계 730(S730) 내지 단계 750(S750)들은 도 2의 단계 210(S210) 내지 단계 230(S230)들에 각각 대응할 수 있다.
전자 장치(100)는 서버(200)로 복수의 이미지들이 분류된 결과를 전송할 수 있다(S760).
서버(200)는 전자 장치(100)로부터 수신한 분류 결과를 이용하여, 특징 추출 모델 및 분류 모델의 업데이트 필요 여부를 판단하고, 특징 추출 모델 및 분류 모델 중 적어도 하나를 학습시켜 업데이트 할 수 있다(S770).
전자 장치(100)는 서버(200)로부터 학습되어 업데이트된 특징 추출 모델 및 분류 모델을 수신할 수 있다(S780).
전자 장치(100)는 업데이트된 특징 추출 모델 및 분류 모델을 이용하여, 복수의 이미지들을 분류할 수 있다(S790).
또한, 전자 장치(100)는 기 분류된 복수의 이미지들의 딥 피쳐들을 재 추출하고, 재 추출된 딥 피쳐들에 기초하여, 복수의 이미지들을 재 분류할 수 있다.
한편, 도 7에서 설명한 710 단계(S710) 내지 790 단계(S790)의 동작들 각각은 일 실시예에 따른 전자 장치(100) 또는 서버(200)에서 수행될 수 있다. 예를 들어, 도 7에서는 710 단계(S710) 및 770 단계(S770)의 동작들이 서버(200)에 의해서 수행되는 것으로 설명하였지만 이에 한정되지 않고, 710 단계(S710) 및 770 단계(S770)의 동작들은 전자 장치(200)에서 수행될 수도 있다. 또한, 도 7에서는 730 단계(S730) 내지 750 단계(S750) 및 790 단계(S790)의 동작들이 전자 장치(100)에서 수행되는 것으로 설명하였지만, 이에 한정되지 않고, 730 단계(S730) 내지 750 단계(S750) 및 790 단계(S790)의 동작들은 서버(200)에서 수행될 수도 있다.
도 7B는 일 실시예에 따른 서버와 제1 프로세서 및 제2 프로세서의 동작 방법을 나타내는 흐름도이다.
도 7B를 참조하면, 전자 장치(100)는 제1 프로세서(120a) 및 제2 프로세서(120b)를 포함할 수 있다.
제1 프로세서(120a)는 전자 장치(100)에 설치된 적어도 하나의 어플리케이션의 실행을 제어하고, 전자 장치(100)에 획득되는 이미지(예: 라이브 뷰 이미지, 촬영된 이미지 등)에 대한 그래픽 처리를 수행할 수 있다. 제1 프로세서(120a)는 CPU(central processing unit), GPU(graphic processing unit), 통신칩 및 센서 등의 기능이 통합된 SoC(system on chip) 형태로 구현될 수 있다. 또한, 제1 프로세서(120a)는 본 명세서 내에서 AP(application processor)로 설명될 수도 있다.
제2 프로세서(120b)는 특징 추출 모델 및 분류 모델을 이용하여 이미지들을 분류할 수 있다.
한편, 제2 프로세서(120b)는 데이터 인식 모델(예를 들면, 특징 추출 모델 및 분류 모델)을 이용한 이미지 분류 기능을 수행하는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수 있다. 다양한 실시예에 따르면, 시각적 이해를 요소기술로 하는 데이터 인식 모델의 경우, 인공 지능(AI: artificial intelligence)을 위한 전용 하드웨어 칩은 GPU를 포함할 수 있다.
또한, 전자 장치(100)는 제2 프로세서(120b)와 동일한 기능 또는 기능의 일부를 대신 수행하는 제3 프로세서, 제 4 프로세서 등을 더 포함할 수도 있다.
본 개시의 다양한 실시예에 따르면, 제1 프로세서(120a)가 수행하는 기능은 메모리에 저장되어 다양한 기능을 수행하는 어플리케이션들이 대응하여 수행할 수 있고, 제2 프로세서(120b)가 수행하는 기능은 전자 장치(100)의 운영 체제(예를 들면, OS(operation system)가 대응하여 수행할 수 있다.
예를 들어, 카메라 어플리케이션은 이미지를 생성하여 데이터 인식 모델을 포함하고 있는 OS로 전송할 수 있다. 또한, 이미지를 표시하는 갤러리 어플리케이션은, OS로 전송된 이미지를 이용하여 추출된 이미지들을, OS로부터 수신 받아 디스플레이 등에 표시할 수 있다.
도 7B를 참조하면, 서버(200)는 범용 데이터를 이용하여 특징 추출 모델 및 분류 모델을 학습시킬 수 있다(S7110).
서버(200)는 특징 추출 모델 및 분류 모델을 전자 장치(100)로 전송할 수 있다. 예를 들어, 전자 장치(100)는 제2 프로세서(120b)가 특징 추출 모델 및 분류 모델을 이용할 수 있도록 설정될 수 있다(S7120).
제1 프로세서(120a)는 복수 개의 이미지들을 획득할 수 있다(S7130).
제1 프로세서(120a)는 획득한 이미지들을 제2 프로세서(120b)로 전송할 수 있다(S7140).
제2 프로세서(120b)는 서버(200)로부터 수신된 특징 추출 모델을 이용하여 복수 개의 이미지들에 대한 딥 피쳐들을 추출할 수 있다(S7150).
제2 프로세서(120b)는 추출된 딥 피쳐들 및 서버(200)로부터 수신된 분류 모델에 기초하여 복수 개의 이미지들을 분류할 수 있다(S7160).
제2 프로세서(120b)는 특징 추출 모델 및 분류 모델의 업데이트 필요 여부를 확인하고, 특징 추출 모델 및 분류 모델 중 적어도 하나를 학습시켜 업데이트 할 수 있다(S7170).
제2 프로세서(120b)는 업데이트 된 특징 추출 모델 및 분류 모델을 이용하여, 복수 개의 이미지들을 분류할 수 있다(S7180).
또한, 제2 프로세서(120b)는 기 분류된 복수 개의 이미지들의 딥 피쳐들을 재 추출하고, 재 추출된 딥 피쳐들에 기초하여, 복수 개의 이미지들을 재 분류할 수 있다.
도 7C는 일 실시예에 따른 서버와 제1 프로세서(120a), 제2 프로세서(120b) 및 제3 프로세서(120c)의 동작 방법을 나타내는 흐름도이다.
도 7C를 참조하면, 전자 장치(100)는 제1 프로세서(120a), 제2 프로세서(120b) 및 제3 프로세서(120c)를 포함할 수 있다.
도 7C를 참조하면, 서버(200)는 범용 데이터를 이용하여 특징 추출 모델 및 분류 모델을 학습시킬 수 있다(S7210).
서버(200)는 특징 추출 모델 및 분류 모델을 전자 장치(100)로 전송할 수 있다(S7220). 예를 들면, 전자 장치(100)는 제2 프로세서(120b)가 특징 추출 모델을 이용하고, 제3 프로세서(120c)가 분류 모델을 이용하도록 설정될 수 있다.
제1 프로세서(120a)는 복수 개의 이미지들을 획득할 수 있다(S7230).
제1 프로세서(120a)는 획득한 이미지들을 제2 프로세서(120b)로 전송할 수 있다(S7240).
제2 프로세서(120b)는 서버(200)로부터 수신된 특징 추출 모델을 이용하여 복수 개의 이미지들에 대한 딥 피쳐들을 추출할 수 있다(S7250).
제2 프로세서(120b)는 추출된 딥 피쳐들과 이미지들을 제3 프로세서(120c)로 전송할 수 있다(S7260).
제3 프로세서(120c)는 딥 피쳐들 및 분류 모델에 기초하여 복수 개의 이미지들을 분류할 수 있다(S7270).
제3 프로세서(120c)는 분류된 결과를 제2 프로세서(120b)로 전송할 수 있다(S7280).
제2 프로세서(120b)는 특징 추출 모델의 업데이트 필요 여부를 확인하고, 분류된 결과를 이용하여 특징 추출 모델을 학습시킬 수 있다(S7290).
제3 프로세서(120c)는 분류 모델의 업데이트 필요 여부를 확인하고, 분류된 결과를 이용하여 분류 모델을 학습시킬 수 있다(S7300).
제2 프로세서(120b)는 업데이트 된 특징 추출 모델을 이용하여 복수 개의 이미지들의 딥 피쳐를 추출할 수 있다(S7310). 또한 제2 프로세서(120b)는 딥 피쳐들을 기 추출한 복수 개의 이미지들의 딥 피쳐들을 재 추출할 수 있다.
제2 프로세서(120b)는 복수 개의 이미지들과 추출된 딥 피쳐들을 제3 프로세서(120c)로 전송할 수 있다(S7320).
제3 프로세서(120c)는 업데이트 된 분류 모델을 이용하여 복수 개의 이미지들을 분류할 수 있다(S7330). 또한 제3 프로세서(120c)는 기 분류된 복수 개의 이미지들을 재 분류할 수 있다.
도 8A는 일 실시예에 따른 전자 장치의 동작방법을 나타내는 흐름도이다.
도 8A를 참조하면, 전자 장치(100)는 제1 이미지를 획득할 수 있다(S810). 이때, 제1 이미지는 전자 장치에서 촬영된 이미지이거나 기 저장된 이미지일 수 있다. 또는, 제1 이미지는 외부 장치로부터 수신한 이미지일 수 있다.
전자 장치(100)는 특징 추출 모델을 이용하여, 제1 이미지에 대한 딥 피쳐를 추출할 수 있다(S820). 예를 들어, 전자 장치(100)는 특징 추출 모델에 포함되는 적어도 하나의 신경망에 제1 이미지를 입력하여, 제1 이미지의 딥 피쳐를 추출할 수 있다.
전자 장치(100)는 기 저장된 이미지들 중 제1 이미지의 딥 피쳐와 유사한 딥 피쳐를 가지는 적어도 하나의 이미지를 추출할 수 있다(S830).
전자 장치(100)는 분류 모델을 이용하여, 제1 이미지의 딥 피쳐와 기 저장된 복수의 이미지들의 딥 피쳐들의 유사도에 기초하여, 제1 이미지와 유사한 이미지를 추출할 수 있다. 예를 들어, 전자 장치(100)는 기 저장된 복수의 이미지들 중 제1 이미지의 딥 피쳐 벡터와의 차이 값이 기 설정된 범위 내인 이미지를 추출할 수 있다.
전자 장치(100)는 추출된 적어도 하나의 이미지를 디스플레이부에 표시할 수 있다(S840).
도 8B는 일 실시예에 따른 전자 장치에 포함된 제1 프로세서(120a), 제2 프로세서(120b)의 동작 방법을 나타내는 흐름도이다.
도 8B를 참조하면, 전자 장치(100)는 제1 프로세서(120a) 및 제2 프로세서(120b)를 포함할 수 있다.
도 8B을 참조하면, 제1 프로세서(120a)는 제1 이미지를 획득할 수 있다(S8110).
제1 프로세서(120a)는 제1 이미지를 제2 프로세서(120b)로 전송할 수 있다(S8120).
제2 프로세서(120b)는 특징 추출 모델을 이용하여 제1 이미지에 대한 딥 피쳐를 추출할 수 있다(S8130).
제2 프로세서(120b)는 분류 모델 및 딥 피쳐를 이용하여 기 저장된 이미지들 중 제1 이미지의 딥 피쳐와 유사한 딥 피쳐를 가지는 적어도 하나의 이미지를 추출할 수 있다(S8140). 예를 들어, 제2 프로세서(120b)는 기 저장된 복수 개의 이미지들 중 제1 이미지의 딥 피쳐 벡터와의 차이 값이 기 설정된 범위 내인 이미지를 추출할 수 있다.
제2 프로세서(120b)는 추출된 적어도 하나의 이미지를 제1 프로세서(120a)로 전송할 수 있다(S8150).
제1 프로세서(120a)는 추출된 적어도 하나의 이미지를 디스플레이부에 표시할 수 있다(S8160).
도 8C는 일 실시예에 따른 전자 장치에 포함된 제1 프로세서(120a), 제2 프로세서(120b) 및 제3 프로세서(120c)의 동작 방법을 나타내는 흐름도이다.
도 8C를 참조하면, 전자 장치(100)는 제1 프로세서(120a), 제2 프로세서(120b) 및 제3 프로세서(120c)를 포함할 수 있다.
도 8C를 참조하면, 제1 프로세서(120a)는 제1 이미지를 획득할 수 있다(S8210).
제1 프로세서(120a)는 제1 이미지를 제2 프로세서(120b)로 전송할 수 있다(S8220).
제2 프로세서(120b)는 특징 추출 모델을 이용하여 제1 이미지에 대한 딥 피쳐를 추출할 수 있다(S8230).
제2 프로세서(120b)는 제1 이미지에 대한 딥 피쳐를 제3 프로세서(120c)로 전송할 수 있다(S8240).
제3 프로세서(120c)는 분류 모델 및 딥 피쳐를 이용하여 기 저장된 이미지들 중 제1 이미지의 딥 피쳐와 유사한 딥 피쳐를 가지는 적어도 하나의 이미지를 추출할 수 있다(S8250). 예를 들어, 제2 프로세서(120b)는 기 저장된 복수 개의 이미지들 중 제1 이미지의 딥 피쳐 벡터와의 차이 값이 기 설정된 범위 내인 이미지를 추출할 수 있다.
제3 프로세서(120c)는 추출된 적어도 하나의 이미지를 제1 프로세서(120a)로 전송할 수 있다(S8260).
제1 프로세서(120a)는 추출된 적어도 하나의 이미지를 디스플레이부에 표시할 수 있다(S8270).
도 9 및 10은 일 실시예에 따른 전자 장치가 이미지를 검색하는 방법을 설명하기 위해 참조되는 도면들이다.
도 9를 참조하면, 일 실시예에 따른 전자 장치(100)는 제1 이미지(910)를 획득할 수 있다. 이때, 제1 이미지(910)는 전자 장치(100)에서 촬영된 이미지이거나 기 저장된 이미지일 수 있다. 또는, 제1 이미지(910)는 외부 장치로부터 수신한 이미지일 수 있다.
전자 장치(100)는 특징 추출 모델을 이용하여, 제1 이미지(910)의 딥 피쳐를 추출할 수 있다. 특징 추출 모델은 적어도 하나의 신경망을 포함할 수 있으며, 딥 피쳐는 적어도 하나의 신경망에 제1 이미지(910)를 입력하여, 적어도 하나의 층에서 추출된 벡터를 포함할 수 있다.
이때, 제1 이미지(910)의 딥 피쳐는 제1 이미지(910)에 포함된 객체들의 특성을 나타낼 수 있으며, 예를 들어, 제1 이미지는 '개(dog)'에 대한 특성을 나타낼 수 있으나, 이에 한정되지 않는다.
전자 장치(100)는 분류 모델을 이용하여, 제1 이미지의 딥 피쳐와 기 저장된 복수의 이미지들(920)의 딥 피쳐들의 유사도에 기초하여, 제1 이미지(910)와 유사한 이미지를 검색할 수 있다. 기 저장된 복수의 이미지들(920)은 이미지들 각각에서 추출된 딥 피쳐들을 포함할 수 있다. 예를 들어, 딥 피쳐는 복수의 이미지들 각각의 EXIF 정보로 저장되어 있을 수 있다. 이때, 제1 이미지(910)의 딥 피쳐와 복수의 이미지들(920)의 딥 피쳐들은 동일한 버전을 가지는 동일한 신경망을 이용하여 추출된 딥 피쳐일 수 있다. 또는 제1 이미지(910)의 딥 피쳐와 복수의 이미지들(920)의 딥 피쳐들은 동일한 신경망의 동일한 서브 망 또는 동일한 신경망의 동일한 층에서 추출된 딥 피쳐일 수 있다.
전자 장치(100)는 기 저장된 복수의 이미지들(920) 중 제1 이미지의 딥 피쳐와의 차이 값이 기 설정된 범위 내인 이미지를 추출할 수 있다. 예를 들어, 도 9에 도시된 바와 같이, 기 저장된 복수의 이미지들(920) 중 제1 내지 제8 이미지들(930)을 제1 이미지(910)와 유사한 이미지로 추출하여, 표시할 수 있다.
사용자가 '개(dog)' 이미지를 검색하기 위해, '개'에 대응하는 키워드(예를 들어, dog, beagle, puppy 등)를 입력하는 경우, 전자 장치(100)는 해당 키워드로 저장된 이미지들만 검색할 수 있으며, 사용자가 '개' 사진을 '개'와 무관한 키워드(예를 들어, happy)로 입력한 경우, 해당 키워드로 저장된 이미지를 검색할 수 없게 된다. 따라서, 사용자는 이미지의 저장된 키워드를 일일이 기억하여, 해당 이미지를 검색해야 하는 불편함이 있다.
그러나, 일 실시예에 따른, 전자 장치는 도 9에서 설명한 바와 같이, 키워드가 아닌 '개(dog)'를 포함하는 이미지를 이용하여, '개' 이미지의 딥 피쳐를 추출하고, 추출된 딥 피쳐와 유사한 딥 피쳐를 가지는 이미지들을 검색할 수 있어, 사용자는 키워드를 일일이 기억하지 않고, 원하는 이미지를 검색할 수 있다.
또한, 도 10을 참조하면, 일 실시예에 따른 전자 장치(100)는 제2 이미지(1010)를 획득할 수 있다. 전자 장치(100)는 특징 추출 모델을 이용하여, 제2 이미지(1010)의 딥 피쳐를 추출할 수 있다. 제2 이미지(1010)의 딥 피쳐는, 다리(bridge)에 대한 특성, 야경(Night view)에 대한 특성, 강(river)에 대한 특성 등을 나타낼 수 있으나, 이에 한정되지 않는다.
전자 장치(100)는 분류 모델을 이용하여, 제2 이미지의 딥 피쳐와 기 저장된 복수의 이미지들의 딥 피쳐들의 유사도에 기초하여, 제2 이미지(1010)와 유사한 이미지를 검색할 수 있다. 예를 들어, 전자 장치(100)는 기 저장된 이미지들(920) 중 제2 이미지의 딥 피쳐와의 차이 값이 기 설정된 범위 내인 제9 내지 제12 이미지들(1030)을 제2 이미지(1010)와 유사한 이미지로 추출하여 표시할 수 있다.
사용자가 '다리(bridge)를 포함하는 야경(night view)' 이미지를 검색하기 위해서는 관련된 키워드들(다리, 야경 등)을 일일이 입력해야 한다. 그러나, 일 실시예에 따른, 전자 장치는 도 10에서 설명한 바와 같이, 키워드가 아닌 '다리(bridge)를 포함하는 야경(night view)' 이미지를 이용하여, '다리(bridge)를 포함하는 야경(night view)' 이미지의 딥 피쳐를 추출하고, 추출된 딥 피쳐와 유사한 딥 피쳐를 가지는 이미지들을 검색할 수 있어, 사용자는 키워드를 일일이 입력하지 않고, 원하는 이미지를 검색할 수 있다.
또한, 전자 장치(100)는 키워드 입력을 통한 이미지 검색을 수행할 수 있다. 예를 들어, 전자 장치(100)는 키워드가 입력되면, 언어 모델을 이용하여 입력된 키워드와 유사한 키워드를 결정할 수 있으며, 유사한 키워드에 대응하는 이미지들을 검색할 수 있다. 전자 장치(100)는 제1 이미지에 대응하는 태그명이 유사한 키워드에 해당하는 경우, 제1 이미지를 추출하여 이미지 검색 결과로 표시할 수 있다. 또한, 이미지들이 분류된 그룹명이 유사한 키워드에 해당하는 경우, 해당 그룹에 포함되는 제2 이미지들을 추출하여, 이미지 검색 결과로 표시할 수 있다. 다만, 이에 한정되지 않는다.
도 11은 일 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다.
도 11을 참조하면, 일 실시예에 따른 전자 장치(100)는 프로세서(120), 디스플레이부(140) 및 메모리(130)를 포함할 수 있다.
일 실시예에 따른 디스플레이부(140)는, 프로세서(120)에서 처리된 영상 신호, 데이터 신호, OSD 신호, 제어 신호 등을 변환하여 구동 신호를 생성한다. 디스플레이부(140)는 PDP, LCD, OLED, 플렉시블 디스플레이(flexible display)등으로 구현될 수 있으며, 또한, 3차원 디스플레이(3D display)로 구현될 수 있다. 또한, 디스플레이부(140)는, 터치 스크린으로 구성되어 출력 장치 이외에 입력 장치로 사용되는 것도 가능하다.
일 실시예에 따른 디스플레이부(140)는 이미지를 표시할 수 있다. 이때, 디스플레이부(140)에 표시되는 이미지는 전자 장치(100)에서 촬영된 이미지, 전자 장치(100)에 저장된 이미지, 외부 장치로부터 수신한 이미지 중 적어도 하나일 수 있다. 다만, 이에 한정하는 것은 아니다.
일 실시예에 따른 프로세서(120)는 메모리(130)에 저장되는 하나 이상의 프로그램들을 실행할 수 있다. 프로세서(120)는 싱글 코어, 듀얼 코어, 트리플 코어, 쿼드 코어 및 그 배수의 코어를 포함할 수 있다. 또한, 프로세서(120)는 복수의 프로세서를 포함할 수 있다. 예를 들어, 프로세서(120)는 메인 프로세서(main processor, 도시되지 아니함) 및 슬립 모드(sleep mode)에서 동작하는 서브 프로세서(sub processor, 도시되지 아니함)로 구현될 수 있다.
일 실시예에 따른 메모리(130)는 전자 장치(100)를 구동하고 제어하기 위한 다양한 데이터, 프로그램 또는 어플리케이션을 저장할 수 있다.
또한, 메모리(130)에 저장되는 프로그램은 하나 이상의 인스트럭션들을 포함할 수 있다. 메모리(130)에 저장된 프로그램(하나 이상의 인스트럭션들) 또는 어플리케이션은 프로세서(120)에 의해 실행될 수 있다.
일 실시예에 따른 프로세서(120)는 메모리(130)에 저장되는 하나 이상의 인스트럭션들을 실행함으로써, 복수의 이미지들을 획득하고, 특징 추출 모델을 이용하여, 복수의 이미지들에 대한 딥 피쳐들을 추출할 수 있다. 예를 들어, 특징 추출 모델은 제1 신경망을 포함할 수 있으며, 프로세서(120)는 제1 신경망에 복수의 이미지들 각각을 입력하여, 제1 신경망의 적어도 하나의 층(layer)에서 딥 피쳐에 포함되는 벡터를 추출할 수 있다. 프로세서(120)는 추출된 딥 피쳐들 및 분류 모델을 이용하여, 복수의 이미지들을 소정의 그룹으로 분류할 수 있다. 예를 들어, 분류 모델은 복수의 이미지들의 딥 피쳐들 사이의 유사도에 기초하여, 복수의 이미지들을 소정의 그룹으로 분류하는 제2 신경망을 포함할 수 있다.
또한, 프로세서(120)는 메모리(130)에 저장되는 하나 이상의 인스트럭션들을 실행함으로써, 분류된 복수의 이미지들을 딥 피쳐들과 함께 저장할 수 있다. 또한, 프로세서(120)는 분류된 결과를 디스플레이부(140)에 표시하도록 제어하며, 분류된 결과를 이용하여, 특징 추출 및 분류 모델의 업데이트 필요 여부를 판단하고, 판단 결과에 따라 특징 추출 모델 및 분류 모델 중 적어도 하나를 학습시켜 업데이트할 수 있다. 프로세서(120)는 특징 추출 모델 및 분류 모델 중 적어도 하나가 업데이트되면, 기 분류된 복수의 이미지들을 업데이트된 특징 추출 모델 및 분류 모델을 이용하여, 재 분류할 수 있다.
프로세서(120)는 제1 이미지에 대한 딥 피쳐를 추출하고, 분류된 복수의 이미지들 중 제1 이미지의 딥 피쳐와 유사한 딥 피쳐를 가지는 적어도 하나의 이미지를 추출할 수 있다.
도 12는 일부 실시예에 따른 프로세서(120)의 블록도이다.
도 12를 참조하면, 일부 실시예에 따른 프로세서(120)는 데이터 학습부(1300) 및 데이터 분류부(1400)를 포함할 수 있다.
데이터 학습부(1300)는 이미지를 소정의 그룹으로 분류하기 위한 판단 기준을 학습할 수 있다. 데이터 학습부(1300)는 이미지를 소정의 그룹으로 분류하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 이미지를 어떻게 분류할 지에 관한 판단 기준을 학습할 수 있다. 데이터 학습부(1300)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 분류 모델에 적용함으로써, 이미지를 분류하기 판단 기준을 학습할 수 있다. 일 실시예에 따른 데이터 분류 모델은, 특징 추출 모델 및 분류 모델을 포함할 수 있다.
데이터 분류부(1400)는 데이터에 기초하여 이미지를 분류할 수 있다. 데이터 분류부(1400)는 학습된 데이터 분류 모델을 이용하여, 복수의 이미지들을 소정의 그룹으로 분류할 수 있다. 데이터 분류부(1400)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 분류 모델을 이용함으로써, 소정의 데이터에 기초하여, 이미지를 분류할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 분류 모델에 의해 출력된 결과 값은, 데이터 분류 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(1300) 및 데이터 분류부(1400) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1300) 및 데이터 분류부(1400) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
이 경우, 데이터 학습부(1300) 및 데이터 분류부(1400)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1300) 및 데이터 분류부(1400) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1300) 및 데이터 분류부(1400)는 유선 또는 무선으로 통하여, 데이터 학습부(1300)가 구축한 모델 정보를 데이터 분류부(1400)로 제공할 수도 있고, 데이터 분류부(1400)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1300)로 제공될 수도 있다.
한편, 데이터 학습부(1300) 및 데이터 분류부(1400) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1300) 및 데이터 분류부(1400) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 13은 일부 실시예에 따른 데이터 학습부(1300)의 블록도이다.
도 13을 참조하면, 일부 실시예에 따른 데이터 학습부(1300)는 데이터 획득부(1310), 전처리부(1320), 학습 데이터 선택부(1330), 모델 학습부(1340) 및 모델 평가부(1350)를 포함할 수 있다. 그러나 이에 한정되지는 않는다. 다양한 실시예에 따르면, 데이터 학습부(1300)는 전술한 구성 요소 중 일부를 포함할 수 있다. 예를 들어, 데이터 학습부(1300)는 데이터 획득부(1310) 및 모델 학습부(1340)만으로 구성될 수 있다. 또한, 다양한 실시예에 따르면, 데이터 학습부(1300)는 전술한 구성 요소 이외에 다른 구성 요소를 더 포함할 수도 있다.
데이터 획득부(1310)는 복수의 이미지들을 소정의 그룹으로 분류하기 위해 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310)는 이미지를 분류하기 위한 학습에 필요한 데이터를 획득할 수 있다.
데이터 획득부(1310)는 복수의 이미지 데이터를 획득할 수 있다. 일 예로 데이터 획득부(1310)는 데이터 학습부(1300)를 포함하는 전자 장치의 카메라를 통해 이미지 데이터를 입력 받을 수 있다. 또는 데이터 학습부(1300)를 포함하는 전자 장치와 통신 가능한 외부 장치를 통하여 이미지 데이터를 수신할 수 있다.
전처리부(1320)는 이미지를 분류하기 위한 학습에, 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320)는 후술할 모델 학습부(1340)가 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(1330)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1340)에 제공될 수 있다. 학습 데이터 선택부(1330)는 이미지를 분류하기 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1330)는 후술할 모델 학습부(1340)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
모델 학습부(1340)는 학습 데이터에 기초하여 이미지들을 어떻게 분류할 지에 관한 판단 기준을 학습할 수 있다. 또한, 모델 학습부(1340)는 이미지를 분류하기 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 선별 기준을 학습할 수도 있다.
예를 들어, 모델 학습부(1340)는 복수의 이미지들의 딥 피쳐들을 추출하는 판단 기준을 학습할 수 있으며, 복수의 이미지들에 대한 딥 피쳐들의 유사도에 기초하여, 복수의 이미지들을 소정의 그룹으로 분류하도록 학습할 수 있다. 이때, 딥 피쳐들의 유사도는 딥 피쳐들로 추출된 벡터들 사이의 거리로 나타낼 수 있으며, 벡터들 사이의 거리가 짧을수록 유사도가 크고, 벡터들 사이의 거리가 멀수록 유사도가 작은 것으로 학습할 수 있다. 또한, 딥 피쳐들 사이의 거리가 기 설정된 범위 내인 복수의 이미지들을 동일한 그룹으로 분류할 수 있다.
또한, 모델 학습부(1340)는 복수의 이미지들을 분류하는 데이터 분류 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 분류 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 분류 모델은 기본 학습 데이터(예를 들어, 샘플 이미지 등)를 입력 받아 미리 구축된 모델일 수 있다.
데이터 분류 모델은, 데이터 분류 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 분류 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에 따르면, 모델 학습부(1340)는 미리 구축된 데이터 분류 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 분류 모델을 학습할 데이터 분류 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 분류 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(1340)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 분류 모델을 학습시킬 수 있다.
또한, 모델 학습부(1340)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 데이터 분류 모델을 학습시킬 수 있다. 또한, 모델 학습부(1340)는, 예를 들어, 별다른 지도 없이 상황 판단을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 상황 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 분류 모델을 학습시킬 수 있다. 또한, 모델 학습부(1340)는, 예를 들어, 학습에 따른 이미지 분류의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 분류 모델을 학습시킬 수 있다.
또한, 데이터 분류 모델이 학습되면, 모델 학습부(1340)는 학습된 데이터 분류 모델을 저장할 수 있다. 이 경우, 모델 학습부(1340)는 학습된 데이터 분류 모델을 데이터 분류부(1400)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1340)는 학습된 데이터 분류 모델을 후술할 데이터 분류부(1400)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1340)는 학습된 데이터 분류 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 분류 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(1350)는 데이터 분류 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1340)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 분류 모델을 평가하기 위한 기 설정된 데이터일 수 있다.
예를 들어, 모델 평가부(1350)는 평가 데이터에 대한 학습된 데이터 분류 모델의 분류 결과 중에서, 분류 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1350)는 학습된 데이터 분류 모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 데이터 분류 모델이 복수 개가 존재하는 경우, 모델 평가부(1350)는 각각의 학습된 이미지 분류 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 분류 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1350)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 분류 모델로서 결정할 수 있다.
한편, 데이터 학습부(1300) 내의 데이터 획득부(1310), 전처리부(1320), 학습 데이터 선택부(1330), 모델 학습부(1340) 및 모델 평가부(1350) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310), 전처리부(1320), 학습 데이터 선택부(1330), 모델 학습부(1340) 및 모델 평가부(1350) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1310), 전처리부(1320), 학습 데이터 선택부(1330), 모델 학습부(1340) 및 모델 평가부(1350)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310), 전처리부(1320), 학습 데이터 선택부(1330), 모델 학습부(1340) 및 모델 평가부(1350) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1310), 전처리부(1320), 학습 데이터 선택부(1330), 모델 학습부(1340) 및 모델 평가부(1350) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310), 전처리부(1320), 학습 데이터 선택부(1330), 모델 학습부(1340) 및 모델 평가부(1350) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 14는 일부 실시예에 따른 데이터 분류부(1400)의 블록도이다.
도 14를 참조하면, 일부 실시예에 따른 데이터 분류부(1400)는 데이터 획득부(1410), 전처리부(1420), 분류 데이터 선택부(1430), 분류 결과 제공부(1440) 및 모델 갱신부(1450)를 포함할 수 있다. 그러나 이에 한정되지는 않는다. 다양한 실시예에 따르면, 데이터 분류부(1400)는 전술한 구성 요소 중 일부를 포함할 수 있다. 예를 들어, 데이터 분류부(1400)는 데이터 획득부(1410) 및 분류 결과 제공부(1440)만으로 구성될 수 있다. 또한, 다양한 실시예에 따르면, 데이터 분류부(1400)는 전술한 구성 요소 이외에 다른 구성 요소를 더 포함할 수도 있다.
데이터 획득부(1410)는 이미지 분류에 필요한 데이터를 획득할 수 있으며, 전처리부(1420)는 이미지 분류를 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1420)는 후술할 분류 결과 제공부(1440)가 이미지 분류를 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
분류 데이터 선택부(1430)는 전처리된 데이터 중에서 이미지 분류에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 분류 결과 제공부(1440)에게 제공될 수 있다. 분류 데이터 선택부(1430)는 이미지 분류를 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 분류 데이터 선택부(1430)는 모델 학습부(1340)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
분류 결과 제공부(1440)는 선택된 데이터를 데이터 분류 모델에 적용하여 이미지를 분류할 수 있다. 분류 결과 제공부(1440)는 데이터의 분류 목적에 따른 분류 결과를 제공할 수 있다. 분류 결과 제공부(1440)는 분류 데이터 선택부(1430)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 분류 모델에 적용할 수 있다. 또한, 분류 결과는 데이터 분류 모델에 의해 결정될 수 있다.
예를 들어, 분류 결과 제공부(1440)는 복수의 이미지들이 소정의 그룹으로 분류된 결과를 제공할 수 있다. 복수의 이미지들 중 동일한 그룹으로 분류된 이미지들은 동일한 폴더에 저장될 수 있다.
또한, 다양한 실시예에 따르면, 분류 결과 제공부(1440)는 하나의 이미지와 유사한 다른 이미지를 추정할 수 있다. 예를 들어, 분류 결과 제공부(1440)는 제1 이미지(예를 들면, 기 저장된 이미지 중 하나 이거나, 새롭게 입력된 이미지 중 하나)와 유사한 딥 피쳐를 가지는 이미지를 추정할 수 있다.
모델 갱신부(1450)는 분류 결과 제공부(1440)에 의해 제공되는 분류 결과에 대한 평가에 기초하여, 데이터 분류 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1450)는 분류 결과 제공부(1440)에 의해 제공되는 분류 결과에 따라, 데이터 분류 모델을 갱신이 필요한지 여부를 결정하고, 데이터 분류 모델의 갱신이 필요한 경우, 모델 학습부(1340)를 이용하여, 데이터 분류 모델이 갱신되도록 할 수 있다. 모델 학습부(1340)는 사용자 이미지 데이터를 이용하여, 데이터 분류 모델을 재 학습시켜, 데이터 분류 모델을 갱신할 수 있다.
한편, 데이터 분류부(1400) 내의 데이터 획득부(1410), 전처리부(1420), 분류 데이터 선택부(1430), 분류 결과 제공부(1440) 및 모델 갱신부(1450) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1410), 전처리부(1420), 분류 데이터 선택부(1430), 분류 결과 제공부(1440) 및 모델 갱신부(1450) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1410), 전처리부(1420), 분류 데이터 선택부(1430), 분류 결과 제공부(1440) 및 모델 갱신부(1450)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1410), 전처리부(1420), 분류 데이터 선택부(1430), 분류 결과 제공부(1440) 및 모델 갱신부(1450) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1410), 전처리부(1420), 분류 데이터 선택부(1430), 분류 결과 제공부(1440) 및 모델 갱신부(1450) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1410), 전처리부(1420), 분류 데이터 선택부(1430), 분류 결과 제공부(1440) 및 모델 갱신부(1450) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 15는 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 15를 참조하면, 서버(2000)는 사용자 이미지를 분석하여, 이미지를 분류하기 위한 기준을 학습할 수 있으며, 전자 장치(100)는 서버(2000)에 의한 학습 결과에 기초하여, 복수의 이미지들을 분류할 수 있다.
이 경우, 서버(2000)의 모델 학습부(2340)는 도 13에 도시된 모델 학습부(1340)의 기능을 수행할 수 있다. 서버(2000)의 모델 학습부(2340)는 복수의 이미지들의 딥 피쳐들을 추출하는 기준을 학습할 수 있으며, 복수의 이미지들에 대한 딥 피쳐들의 유사도에 기초하여, 복수의 이미지들을 소정의 그룹으로 분류하도록 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 분류 모델에 적용함으로써, 복수의 이미지들을 분류하기 위한 기준을 학습할 수 있다.
또한, 전자 장치(100)의 분류 결과 제공부(1440)는 분류 데이터 선택부(1430)에 의해 선택된 데이터를 서버(2000)에 의해 생성된 데이터 분류 모델에 적용하여 복수의 이미지들을 분류할 수 있다. 예를 들어, 분류 결과 제공부(1440)는 분류 데이터 선택부(1430)에 의해 선택된 데이터를 서버(2000)에게 전송하고, 서버(2000)가 분류 데이터 선택부(1430)에 의해 선택된 데이터를 분류 모델에 적용하여 복수의 이미지들을 분류할 것을 요청할 수 있다. 또한, 분류 결과 제공부(1440)는 복수의 이미지들이 소정의 그룹으로 분류된 결과를 제공할 수 있다. 복수의 이미지들 중 동일한 그룹으로 분류된 이미지들은 동일한 폴더에 저장될 수 있다.
또는, 전자 장치(100)의 분류 결과 제공부(1440)는 서버(2000)에 의해 생성된 분류 모델을 서버(2000)로부터 수신하고, 수신된 분류 모델을 이용하여 이미지를 분석하고, 복수의 이미지들을 분류할 수 있다. 이 경우, 전자 장치(100)의 분류 결과 제공부(1440)는 분류 데이터 선택부(1430)에 의해 선택된 데이터를 서버(2000)로부터 수신된 데이터 분류 모델에 적용하여 복수의 이미지들을 분류할 수 있다. 서버(2000)로부터 분류 모델을 수신하여, 전자 장치(100)에서 복수의 이미지들을 분류하는 경우, 사용자 데이터(복수의 사용자 이미지들)를 서버로 전송할 필요가 없어, 사용자 데이터 보안 및 개인 정보 보호가 강화될 수 있다.
도 16은 다른 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다. 도 16의 전자 장치(300)는 도 1의 전자 장치(100)의 일 실시예일 수 있다.
도 16을 참조하면, 일 실시예에 따른 전자 장치(300)는 제어부(330), 센서부(320), 통신부(340), 출력부(350), 사용자 입력부(360), A/V 입력부(370) 및 저장부(380)를 포함할 수도 있다.
도 16의 제어부(330)는 도 11의 프로세서(120))에, 도 16의 저장부(380)는 도 11의 메모리(130)에, 도 16의 디스플레이부(351)는 도 11의 디스플레이부(140)에 각각 대응될 수 있다. 도 11에서 설명한 내용과 동일한 내용은 도 16에서 생략하기로 한다.
통신부(340)는, 전자 장치(300)와 외부 장치(예를 들어, 서버 등) 간의 통신을 수행하기 위한 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(340)는, 근거리 통신부(341), 이동 통신부(342), 방송 수신부(343)를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)(341)는, 블루투스 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
이동 통신부(342)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
방송 수신부(343)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 전자 장치(300)가 방송 수신부(343)를 포함하지 않을 수도 있다.
통신부(340)는, 외부 장치로부터 적어도 하나의 이미지를 수신할 수 있다. 또는, 통신부(340)는 외부 서버로 특징 추출 모델 및 분류 모델을 요청하여 수신할 수 있다. 통신부(340)는 복수의 이미지들의 분류 결과를 외부 서버로 전송할 수 있으며, 분류 결과에 기초하여 업데이트된 특징 추출 모델 및 분류 모델을 수신할 수 있다.
출력부(350)는, 오디오 신호 또는 비디오 신호 또는 진동 신호의 출력을 위한 것으로, 이에는 디스플레이부(351)와 음향 출력부(352), 진동 모터(353) 등이 포함될 수 있다. 디스플레이부(351)에 대해서는 도 11에서 이미 설명한 바 있으므로, 디스플레이부(351)에 대한 설명은 생략하기로 한다.
음향 출력부(352)는 통신부(340)로부터 수신되거나 저장부(380)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(352)는 전자 장치(100)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다. 이러한 음향 출력부(352)에는 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.
진동 모터(353)는 진동 신호를 출력할 수 있다. 예를 들어, 진동 모터(353)는 오디오 데이터 또는 비디오 데이터(예컨대, 호신호 수신음, 메시지 수신음 등)의 출력에 대응하는 진동 신호를 출력할 수 있다. 또한, 진동 모터(353)는 터치스크린에 터치가 입력되는 경우 진동 신호를 출력할 수도 있다.
제어부(330)는, 전자 장치(300)의 전반적인 동작을 제어한다. 예를 들어, 제어부(330)는, 저장부(380)에 저장된 프로그램들을 실행함으로써, 통신부(340), 출력부(350), 사용자 입력부(360), 센싱부(320), A/V 입력부(370) 등을 제어할 수 있다.
사용자 입력부(360)는, 사용자가 전자 장치(300)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(360)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
센서부(320)는, 사용자의 생체 정보를 센싱하는 센서뿐만 아니라, 전자 장치(300)의 상태 또는 전자 장치(300) 주변의 상태를 감지하는 센서를 포함할 수 있다. 또한, 센서부(320)는 센서에서 감지된 정보를 제어부(320)로 전달할 수 있다.
센서부(320)는, 지자기 센서(Magnetic sensor), 가속도 센서(Acceleration sensor), 온/습도 센서, 적외선 센서, 자이로스코프 센서, 위치 센서(예컨대, GPS)), 기압 센서, 근접 센서, 및 RGB 센서(illuminance sensor) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
A/V(Audio/Video) 입력부(370)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(371)와 마이크로폰(372) 등이 포함될 수 있다. 카메라(371)은 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 제어부(330) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.
카메라(371)에서 처리된 화상 프레임은 저장부(380)에 저장되거나 통신부(340)를 통하여 외부로 전송될 수 있다. 카메라(371)는 전자 장치(300)의 구성 태양에 따라 2개 이상이 구비될 수도 있다.
마이크로폰(372)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(372)은 외부 디바이스 또는 화자로부터 음향 신호를 수신할 수 있다. 마이크로폰(372)은 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)를 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.
저장부(380)는, 제어부(330)의 처리 및 제어를 위한 프로그램을 저장할 수도 있고, 입/출력되는 데이터들(예컨대, 애플리케이션, 콘텐트, 외부 디바이스의 시간대 정보, 주소록 등)을 저장할 수도 있다.
저장부(380)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 전자 장치(300)는 인터넷(internet)상에서 저장부(380)의 저장 기능을 수행하는 웹 스토리지(web storage) 또는 클라우드 서버를 운영할 수도 있다.
저장부(380)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(381), 터치 스크린 모듈(382), 알림 모듈(383) 등으로 분류될 수 있다.
UI 모듈(381)은, 어플리케이션 별로 전자 장치(300)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(382)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 제어부(130)로 전달할 수 있다.
터치 스크린 모듈(382)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(382)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.
알림 모듈(383)은 전자 장치(300)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 전자 장치(300)에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력, 일정 알림 등이 있다. 알림 모듈(383)은 디스플레이부(351)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(352)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(353)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다.
한편, 도 11 및 16에 도시된 전자 장치(100, 300)의 블록도는 일 실시예를 위한 블록도이다. 블록도의 각 구성요소는 실제 구현되는 전자 장치(100, 300)의 사양에 따라 통합, 추가, 또는 생략될 수 있다. 즉, 필요에 따라 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나, 혹은 하나의 구성요소가 2 이상의 구성요소로 세분되어 구성될 수 있다. 또한, 각 블록에서 수행하는 기능은 실시예들을 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.
일 실시예에 따른 전자 장치의 동작방법은 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 본 발명을 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.
또한, 개시된 실시예들에 따른 제어 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.
컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 전자 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 SW 프로그램을 임시적으로 저장하는 중계 서버의 저장 매체가 될 수 있다.
컴퓨터 프로그램 제품은, 서버 및 전자 장치로 구성되는 시스템에서, 서버의 저장매체 또는 전자 장치의 저장매체를 포함할 수 있다. 또는, 서버 또는 전자 장치와 통신 연결되는 제3 장치(예, 스마트폰)가 존재하는 경우, 컴퓨터 프로그램 제품은 제3 장치의 저장 매체를 포함할 수 있다. 또는, 컴퓨터 프로그램 제품은 서버로부터 전자 장치 또는 제3 장치로 전송되거나, 제3 장치로부터 전자 장치로 전송되는 S/W 프로그램 자체를 포함할 수 있다.
이 경우, 서버, 전자 장치 및 제3 장치 중 하나가 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수 있다. 또는, 서버, 전자 장치 및 제3 장치 중 둘 이상이 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 분산하여 실시할 수 있다.
예를 들면, 서버(예로, 클라우드 서버 또는 인공 지능 서버 등)가 서버에 저장된 컴퓨터 프로그램 제품을 실행하여, 서버와 통신 연결된 전자 장치가 개시된 실시예들에 따른 방법을 수행하도록 제어할 수 있다.
또 다른 예로, 제3 장치가 컴퓨터 프로그램 제품을 실행하여, 제3 장치와 통신 연결된 전자 장치가 개시된 실시예에 따른 방법을 수행하도록 제어할 수 있다. 제3 장치가 컴퓨터 프로그램 제품을 실행하는 경우, 제3 장치는 서버로부터 컴퓨터 프로그램 제품을 다운로드하고, 다운로드 된 컴퓨터 프로그램 제품을 실행할 수 있다. 또는, 제3 장치는 프리로드 된 상태로 제공된 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수도 있다.
이상에서 실시예들에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.
100 :전자 장치
Claims (21)
- 전자 장치에 있어서,
디스플레이부;
하나 이상의 인스트럭션들을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션들을 실행함으로써,
복수의 이미지들을 획득하고, 특징 추출 모델을 이용하여 상기 복수의 이미지들에 대한 딥 피쳐들(deep features)을 추출하며, 추출된 딥 피쳐들 및 분류 모델을 이용하여 상기 복수의 이미지들을 소정의 그룹들로 분류하고, 상기 분류된 결과를 상기 디스플레이부에 표시하며, 상기 분류된 결과를 이용하여 상기 특징 추출 모델 및 상기 분류 모델의 업데이트 필요 여부를 판단하고, 판단 결과에 따라, 상기 특징 추출 모델 및 상기 분류 모델 중 적어도 하나를 학습시켜 업데이트하는, 전자 장치.
- 제1항에 있어서,
상기 프로세서는 상기 하나 이상의 인스트럭션들을 실행함으로써,
상기 복수의 이미지들 및 상기 딥 피쳐들을 저장하는, 전자 장치.
- 제2항에 있어서,
상기 프로세서는 상기 하나 이상의 인스트럭션들을 실행함으로써,
상기 딥 피쳐들을 상기 복수의 이미지들에 대한 교환 이미지 파일(EXIF) 형식으로 저장하는, 전자 장치.
- 제1항에 있어서,
상기 특징 추출 모델은, 제1 신경망(Neural Network)을 포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션들을 실행함으로써,
상기 제1 신경망에 상기 복수의 이미지들 각각을 입력하여, 상기 제1 신경망의 적어도 하나의 층(layer)에서 벡터를 추출하며,
상기 복수의 이미지들 각각에 대한 딥 피쳐는 상기 추출된 벡터를 포함하는, 전자 장치.
- 제4항에 있어서,
상기 분류 모델은, 상기 복수의 이미지들에 대한 딥 피쳐들 사이의 유사도에 기초하여, 상기 복수의 이미지들을 소정의 그룹으로 분류하는 제2 신경망(Neural Network)을 포함하는, 전자 장치.
- 제5항에 있어서,
상기 복수의 이미지들에 대한 딥 피쳐들 사이의 유사도는, 상기 딥 피쳐들에 포함된 벡터들의 차이로 나타나고, 상기 벡터들의 차이가 클수록 유사도가 작아지고, 상기 벡터들의 차이가 작을수록 유사도가 커지며, 동일한 그룹으로 분류된 이미지들에 대응하는 벡터들의 차이는 기 설정된 범위 내인, 전자 장치.
- 제1항에 있어서,
상기 프로세서는 상기 하나 이상의 인스트럭션들을 실행함으로써,
제1 이미지를 획득하고, 상기 제1 이미지의 딥 피쳐를 추출하며, 상기 제1 이미지의 딥 피쳐에 기초하여, 상기 분류된 복수의 이미지들 중 상기 제1 이미지의 딥 피쳐와 유사한 딥 피쳐를 가지는 적어도 하나의 이미지를 추출하고, 상기 추출된 적어도 하나의 이미지를 상기 디스플레이부에 표시하는, 전자 장치.
- 제1항에 있어서,
상기 프로세서는 상기 하나 이상의 인스트럭션들을 실행함으로써,
주기적으로 또는 사용자의 요청이 입력되면, 상기 특징 추출 모델 및 분류 모델 중 적어도 하나를 학습시켜 업데이트하는, 전자 장치.
- 제1항에 있어서,
상기 프로세서는 상기 하나 이상의 인스트럭션들을 실행함으로써,
상기 분류 모델이 업데이트 된 경우, 상기 분류된 복수의 이미지들을, 상기 추출된 딥 피쳐들 및 업데이트된 분류 모델을 이용하여, 재 분류하는, 전자 장치.
- 제1항에 있어서,
상기 프로세서는 상기 하나 이상의 인스트럭션들을 실행함으로써,
상기 특징 추출 모델이 업데이트 된 경우, 업데이트된 특징 추출 모델을 이용하여 상기 분류된 복수의 이미지들에 대한 딥 피쳐들을 재 추출하고, 재 추출된 딥 피쳐들 및 상기 분류 모델을 이용하여, 상기 분류된 복수의 이미지들을 재 분류하는, 전자 장치.
- 제1항에 있어서,
상기 특징 추출 모델 및 분류 모델 중 적어도 하나가 업데이트된 경우,
상기 프로세서는 상기 하나 이상의 인스트럭션들을 실행함으로써,
상기 복수의 이미지들이 분류된 그룹 중 제1 그룹에 포함되는 복수의 이미지들에 대한 딥 피쳐들에 기초하여, 상기 제1 그룹에 포함되는 복수의 이미지들을 2개 이상의 그룹으로 재 분류하는, 전자 장치.
- 제1항에 있어서,
상기 특징 추출 모델 및 분류 모델 중 적어도 하나가 업데이트된 경우,
상기 프로세서는 상기 하나 이상의 인스트럭션들을 실행함으로써,
상기 복수의 이미지들이 분류된 그룹 중 제1 그룹 및 제2 그룹에 포함되는 복수의 이미지들을 동일한 그룹으로 재 분류하는, 전자 장치.
- 제1항에 있어서,
상기 프로세서는 상기 하나 이상의 인스트럭션들을 실행함으로써,
상기 소정의 그룹들에 대응하는 그룹명을 생성하는, 전자 장치.
- 전자 장치의 동작 방법에 있어서,
복수의 이미지들을 획득하는 단계;
특징 추출 모델을 이용하여 상기 복수의 이미지들에 대한 딥 피쳐들(deep features)을 추출하는 단계;
추출된 딥 피쳐들 및 분류 모델을 이용하여 상기 복수의 이미지들을 소정의 그룹들로 분류하고, 상기 분류된 결과를 표시하는 단계;
상기 분류된 결과를 이용하여, 상기 특징 추출 모델 및 상기 분류 모델의 업데이트 필요 여부를 판단하는 단계; 및
판단 결과에 따라, 상기 특징 추출 모델 및 분류 모델 중 적어도 하나를 학습시켜 업데이트하는 단계를 포함하는, 전자 장치의 동작방법.
- 제14항에 있어서,
상기 동작방법은,
상기 딥 피쳐들을 상기 복수의 이미지들에 대한 교환 이미지 파일(EXIF) 형식으로 저장하는 단계를 더 포함하는, 전자 장치의 동작방법.
- 제14항에 있어서,
상기 특징 추출 모델은, 제1 신경망(Neural Network)을 포함하고, 상기 분류 모델은, 상기 복수의 이미지들의 딥 피쳐들 사이의 유사도에 기초하여, 상기 복수의 이미지들을 소정의 그룹으로 분류하는 제2 신경망(Neural Network)을 포함하며,
상기 복수의 이미지들에 대한 딥 피쳐들(deep features)을 추출하는 단계는,
상기 제1 신경망에 상기 복수의 이미지들 각각을 입력하여, 상기 제1 신경망의 적어도 하나의 층(layer)에서 벡터를 추출하는 단계를 포함하고,
상기 복수의 이미지들을 소정의 그룹들로 분류하고, 상기 분류된 결과를 표시하는 단계는,
상기 복수의 이미지들 중 벡터들의 차이가 기 설정된 범위 내인 적어도 하나의 이미지를 동일한 그룹으로 분류하는 단계를 포함하는, 전자 장치의 동작방법.
- 제14항에 있어서,
상기 동작방법은,
제1 이미지를 획득하는 단계;
상기 제1 이미지의 딥 피쳐를 추출하는 단계;
상기 제1 이미지의 딥 피쳐에 기초하여, 상기 분류된 복수의 이미지들 중 상기 제1 이미지의 딥 피쳐와 유사한 딥 피쳐를 가지는 적어도 하나의 이미지를 추출하는 단계; 및
상기 추출된 적어도 하나의 이미지를 표시하는 단계를 더 포함하는, 전자 장치의 동작방법.
- 제14항에 있어서,
상기 동작방법은,
상기 분류 모델이 업데이트 된 경우, 상기 분류된 복수의 이미지들을 상기 딥 피쳐들 및 업데이트된 분류 모델을 이용하여 재 분류하는 단계를 더 포함하는, 전자 장치의 동작방법.
- 제14항에 있어서,
상기 동작방법은,
상기 특징 추출 모델이 업데이트 된 경우, 상기 분류된 복수의 이미지들에 대한 딥 피쳐들을 재 추출하는 단계; 및
상기 재 추출된 딥 피쳐들 및 상기 분류 모델을 이용하여, 상기 분류된 복수의 이미지들을 재 분류하는 단계를 더 포함하는, 전자 장치의 동작방법.
- 복수의 이미지들을 획득하는 단계;
특징 추출 모델을 이용하여 상기 복수의 이미지들에 대한 딥 피쳐들(deep features)을 추출하는 단계;
추출된 딥 피쳐들 및 분류 모델을 이용하여 상기 복수의 이미지들을 소정의 그룹들로 분류하고, 상기 분류된 결과를 표시하는 단계;
상기 분류된 결과를 이용하여, 상기 특징 추출 모델 및 상기 분류 모델의 업데이트 필요 여부를 판단하는 단계; 및
판단 결과에 따라, 상기 특징 추출 모델 및 분류 모델 중 적어도 하나를 학습시켜 업데이트하는 단계를 수행하도록 설정된 명령어들을 저장하는 기록 매체를 포함하는, 컴퓨터 프로그램 제품.
- 디스플레이부;
메모리;
프로세서; 를 포함하고,
상기 메모리는, 상기 프로세서가,
적어도 하나의 이미지를, 이미지의 딥 피쳐를 추정하도록 설정된 특징 추출 모델에 적용하여 상기 이미지의 딥 피쳐를 추정하고,
추청된 상기 딥 피쳐를, 기 분류된 이미지들 중에서 상기 이미지와 유사한 이미지를 추정하도록 설정된 분류 모델에 적용하여 상기 추정된 딥 피쳐와 유사한 딥 피쳐를 가지는 이미지를 추정하여,
상기 추정된 이미지를 상기 디스플레이부에 표시하도록 제어하는 명령어들을 저장하고,
상기 특징 추출 모델은 이미지, 이미지의 특징을 학습 데이터로 하여 학습되고, 상기 분류 모델은 이미지, 이미지의 딥 피쳐 및 이미지의 분류 목록을 이용하여 학습된 모델인, 전자 장치.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/859,971 US10970605B2 (en) | 2017-01-03 | 2018-01-02 | Electronic apparatus and method of operating the same |
CN201880005869.1A CN110168530B (zh) | 2017-01-03 | 2018-01-03 | 电子设备和操作该电子设备的方法 |
PCT/KR2018/000069 WO2018128362A1 (en) | 2017-01-03 | 2018-01-03 | Electronic apparatus and method of operating the same |
EP18735947.6A EP3545436A4 (en) | 2017-01-03 | 2018-01-03 | ELECTRONIC APPARATUS AND ITS OPERATING METHOD |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170000789 | 2017-01-03 | ||
KR20170000789 | 2017-01-03 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20180080098A true KR20180080098A (ko) | 2018-07-11 |
KR102428920B1 KR102428920B1 (ko) | 2022-08-04 |
Family
ID=62917879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170136612A KR102428920B1 (ko) | 2017-01-03 | 2017-10-20 | 전자 장치 및 그 동작 방법 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP3545436A4 (ko) |
KR (1) | KR102428920B1 (ko) |
CN (1) | CN110168530B (ko) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020013604A1 (ko) | 2018-07-10 | 2020-01-16 | 주식회사 엘지화학 | 전기화학 커패시터 및 이의 제조 방법 |
JP2020038640A (ja) * | 2018-08-31 | 2020-03-12 | エヌエイチエヌ コーポレーション | イメージ自動分類方法及びシステム |
KR20200111957A (ko) * | 2019-03-20 | 2020-10-05 | 박주복 | Vr 이미지 생성 방법 및 장치 |
EP3702959A3 (en) * | 2019-02-08 | 2020-11-04 | Fujitsu Limited | Information processing apparatus, arithmetic processing device, and method of controlling information processing apparatus |
WO2020256339A1 (ko) * | 2019-06-18 | 2020-12-24 | 삼성전자주식회사 | 전자 장치 및 이의 제어 방법 |
WO2021080108A1 (ko) * | 2019-10-24 | 2021-04-29 | 엘지전자 주식회사 | 전자 장치의 용도에 부적합한 물품의 검출 |
WO2021091022A1 (ko) * | 2019-11-08 | 2021-05-14 | 주식회사 알체라 | 머신 러닝 시스템 및 머신 러닝 시스템의 동작 방법 |
KR20210066545A (ko) * | 2019-11-28 | 2021-06-07 | 광주과학기술원 | 반도체 소자의 시뮬레이션을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 |
KR20210130529A (ko) * | 2020-04-22 | 2021-11-01 | 인하대학교 산학협력단 | 딥러닝 기반 일기 생성 방법 및 장치 |
WO2021256735A1 (ko) * | 2020-06-15 | 2021-12-23 | 삼성전자 주식회사 | 전자 장치 및 그 동작방법 |
WO2022131464A1 (ko) * | 2020-12-17 | 2022-06-23 | 주식회사 알체라 | 생체인증 시스템의 관리 방법 및 이를 수행하기 위한 장치 |
KR102422962B1 (ko) * | 2021-07-26 | 2022-07-20 | 주식회사 크라우드웍스 | 다중 인공지능 모델의 연속 처리 구조에 기반한 이미지 자동 분류 및 처리 방법, 그리고 이를 실행시키기 위해 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램 |
KR20220102730A (ko) * | 2021-01-14 | 2022-07-21 | 대전대학교 산학협력단 | Ar 장치를 위한 인공지능 기반의 이미지 인식 및 분류 방법, 및 그 시스템 |
WO2022158696A1 (ko) * | 2021-01-25 | 2022-07-28 | 주식회사 제네시스랩 | 복수의 역량에 대한 역량평가를 수행하는 기계학습모델을 학습시키는 방법, 장치, 및 컴퓨터-판독가능매체 |
US12001952B2 (en) | 2018-10-29 | 2024-06-04 | Samsung Electronics Co., Ltd. | Electronic device and method for controlling electronic device |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906724A (zh) * | 2019-11-19 | 2021-06-04 | 华为技术有限公司 | 一种图像处理装置、方法、介质及*** |
CN112016595A (zh) * | 2020-08-05 | 2020-12-01 | 清华大学 | 图像分类方法和装置、电子设备、可读存储介质 |
CN113850179A (zh) * | 2020-10-27 | 2021-12-28 | 深圳市商汤科技有限公司 | 图像检测方法及相关模型的训练方法、装置、设备、介质 |
CN113254742B (zh) * | 2021-07-14 | 2021-11-30 | 深圳市赛野展览展示有限公司 | 一种基于5g深度学习人工智能的展示装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070049501A (ko) * | 2005-11-08 | 2007-05-11 | 삼성전자주식회사 | 성별을 이용한 얼굴 인식 방법 및 장치 |
US20110169982A1 (en) * | 2010-01-13 | 2011-07-14 | Canon Kabushiki Kaisha | Image management apparatus, method of controlling the same, and storage medium storing program therefor |
US20160140146A1 (en) * | 2014-11-14 | 2016-05-19 | Zorroa Corporation | Systems and Methods of Building and Using an Image Catalog |
KR20160130398A (ko) * | 2014-03-07 | 2016-11-11 | 퀄컴 인코포레이티드 | 사진 관리 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335712A (zh) * | 2015-10-26 | 2016-02-17 | 小米科技有限责任公司 | 图像识别方法、装置及终端 |
-
2017
- 2017-10-20 KR KR1020170136612A patent/KR102428920B1/ko active IP Right Grant
-
2018
- 2018-01-03 CN CN201880005869.1A patent/CN110168530B/zh active Active
- 2018-01-03 EP EP18735947.6A patent/EP3545436A4/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070049501A (ko) * | 2005-11-08 | 2007-05-11 | 삼성전자주식회사 | 성별을 이용한 얼굴 인식 방법 및 장치 |
US20110169982A1 (en) * | 2010-01-13 | 2011-07-14 | Canon Kabushiki Kaisha | Image management apparatus, method of controlling the same, and storage medium storing program therefor |
KR20160130398A (ko) * | 2014-03-07 | 2016-11-11 | 퀄컴 인코포레이티드 | 사진 관리 |
US20160140146A1 (en) * | 2014-11-14 | 2016-05-19 | Zorroa Corporation | Systems and Methods of Building and Using an Image Catalog |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020013604A1 (ko) | 2018-07-10 | 2020-01-16 | 주식회사 엘지화학 | 전기화학 커패시터 및 이의 제조 방법 |
US11531882B2 (en) | 2018-08-31 | 2022-12-20 | Nhn Corporation | Method and system for automatically classifying images |
JP2020038640A (ja) * | 2018-08-31 | 2020-03-12 | エヌエイチエヌ コーポレーション | イメージ自動分類方法及びシステム |
KR20200027093A (ko) * | 2018-08-31 | 2020-03-12 | 엔에이치엔 주식회사 | 이미지 자동분류 방법 및 시스템 |
US12001952B2 (en) | 2018-10-29 | 2024-06-04 | Samsung Electronics Co., Ltd. | Electronic device and method for controlling electronic device |
EP3702959A3 (en) * | 2019-02-08 | 2020-11-04 | Fujitsu Limited | Information processing apparatus, arithmetic processing device, and method of controlling information processing apparatus |
US11756289B2 (en) | 2019-02-08 | 2023-09-12 | Fujitsu Limited | Information processing apparatus, arithmetic processing device, and method of controlling information processing apparatus |
KR20200111957A (ko) * | 2019-03-20 | 2020-10-05 | 박주복 | Vr 이미지 생성 방법 및 장치 |
WO2020256339A1 (ko) * | 2019-06-18 | 2020-12-24 | 삼성전자주식회사 | 전자 장치 및 이의 제어 방법 |
WO2021080108A1 (ko) * | 2019-10-24 | 2021-04-29 | 엘지전자 주식회사 | 전자 장치의 용도에 부적합한 물품의 검출 |
WO2021091022A1 (ko) * | 2019-11-08 | 2021-05-14 | 주식회사 알체라 | 머신 러닝 시스템 및 머신 러닝 시스템의 동작 방법 |
KR20210066545A (ko) * | 2019-11-28 | 2021-06-07 | 광주과학기술원 | 반도체 소자의 시뮬레이션을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 |
KR20210130529A (ko) * | 2020-04-22 | 2021-11-01 | 인하대학교 산학협력단 | 딥러닝 기반 일기 생성 방법 및 장치 |
WO2021256735A1 (ko) * | 2020-06-15 | 2021-12-23 | 삼성전자 주식회사 | 전자 장치 및 그 동작방법 |
WO2022131464A1 (ko) * | 2020-12-17 | 2022-06-23 | 주식회사 알체라 | 생체인증 시스템의 관리 방법 및 이를 수행하기 위한 장치 |
KR20220102730A (ko) * | 2021-01-14 | 2022-07-21 | 대전대학교 산학협력단 | Ar 장치를 위한 인공지능 기반의 이미지 인식 및 분류 방법, 및 그 시스템 |
WO2022158696A1 (ko) * | 2021-01-25 | 2022-07-28 | 주식회사 제네시스랩 | 복수의 역량에 대한 역량평가를 수행하는 기계학습모델을 학습시키는 방법, 장치, 및 컴퓨터-판독가능매체 |
KR102422962B1 (ko) * | 2021-07-26 | 2022-07-20 | 주식회사 크라우드웍스 | 다중 인공지능 모델의 연속 처리 구조에 기반한 이미지 자동 분류 및 처리 방법, 그리고 이를 실행시키기 위해 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램 |
Also Published As
Publication number | Publication date |
---|---|
CN110168530B (zh) | 2024-01-26 |
CN110168530A (zh) | 2019-08-23 |
KR102428920B1 (ko) | 2022-08-04 |
EP3545436A1 (en) | 2019-10-02 |
EP3545436A4 (en) | 2020-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102428920B1 (ko) | 전자 장치 및 그 동작 방법 | |
US10970605B2 (en) | Electronic apparatus and method of operating the same | |
US11042728B2 (en) | Electronic apparatus for recognition of a user and operation method thereof | |
WO2021180062A1 (zh) | 意图识别方法及电子设备 | |
US11593588B2 (en) | Artificial intelligence apparatus for generating training data, artificial intelligence server, and method for the same | |
KR20180055708A (ko) | 이미지를 처리하는 전자 장치 및 방법 | |
US11783191B2 (en) | Method and electronic device for providing text-related image | |
KR20190016367A (ko) | 객체를 인식하는 방법 및 장치 | |
KR102530045B1 (ko) | 전자 장치 및 그 동작 방법 | |
KR20190034021A (ko) | 객체를 인식하는 방법 및 장치 | |
KR20200042739A (ko) | 지식 그래프에 기초하여 콘텐트를 제공하는 시스템 및 방법 | |
KR102606287B1 (ko) | 애플리케이션의 번역 정보를 제공하는 디바이스 및 방법 | |
KR20180051367A (ko) | 디바이스가 이미지를 보정하는 방법 및 그 디바이스 | |
KR102420567B1 (ko) | 음성 인식 장치 및 방법 | |
KR20180125885A (ko) | 차량의 주행 이벤트를 검출하는 전자 장치 및 방법 | |
KR102628042B1 (ko) | 연락처 정보를 추천하는 방법 및 디바이스 | |
KR20180074568A (ko) | 차선 정보를 추정하는 방법 및 전자 장치 | |
US20240031644A1 (en) | Video playback device and control method thereof | |
KR20190053675A (ko) | 전자 장치 및 그 동작 방법 | |
KR20180074567A (ko) | 사용자의 할일 목록을 제공하는 시스템 및 방법 | |
KR20190089628A (ko) | 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템 | |
KR20180072534A (ko) | 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치 | |
KR20200085143A (ko) | 외부 장치를 등록하는 대화형 제어 시스템 및 방법 | |
KR20190062030A (ko) | 영상 표시 장치 및 그 동작 방법 | |
KR20190031033A (ko) | 컨텐트를 제공하는 방법 및 단말기 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right |