KR20200087333A - Inspection system and method for right identification of images in website - Google Patents

Inspection system and method for right identification of images in website Download PDF

Info

Publication number
KR20200087333A
KR20200087333A KR1020180173398A KR20180173398A KR20200087333A KR 20200087333 A KR20200087333 A KR 20200087333A KR 1020180173398 A KR1020180173398 A KR 1020180173398A KR 20180173398 A KR20180173398 A KR 20180173398A KR 20200087333 A KR20200087333 A KR 20200087333A
Authority
KR
South Korea
Prior art keywords
image
identification information
hash value
generating
website
Prior art date
Application number
KR1020180173398A
Other languages
Korean (ko)
Other versions
KR102270607B1 (en
Inventor
이두식
오태현
김수용
Original Assignee
주식회사 아임클라우드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 아임클라우드 filed Critical 주식회사 아임클라우드
Priority to KR1020180173398A priority Critical patent/KR102270607B1/en
Publication of KR20200087333A publication Critical patent/KR20200087333A/en
Application granted granted Critical
Publication of KR102270607B1 publication Critical patent/KR102270607B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/462—Content or additional data management, e.g. creating a master electronic program guide from data received from the Internet and a Head-end, controlling the complexity of a video stream by scaling the resolution or bit-rate based on the client capabilities
    • H04N21/4627—Rights management associated to the content
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/835—Generation of protective data, e.g. certificates
    • H04N21/8352—Generation of protective data, e.g. certificates involving content or source identification data, e.g. Unique Material Identifier [UMID]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

According to one embodiment of the present invention, provided is an inspection system for a confirmation right to images in a website, which includes: a website image extracting unit that extracts images included in the website; an image identification information generating device for generating image identification information for the images extracted by the website image extraction unit; a comparison unit for comparing the image identification information generated by the image identification information generating device and the pre-stored image identification information; and a right confirmation unit determines whether or not the image included in the website has rights based on a comparison result of the comparison unit, wherein the pre-stored image identification information is generated and stored in the same manner as the image identification information generating device.

Description

웹 사이트에 대한 이미지 권리 확인 감사 시스템 및 방법{INSPECTION SYSTEM AND METHOD FOR RIGHT IDENTIFICATION OF IMAGES IN WEBSITE}INSPECTION SYSTEM AND METHOD FOR RIGHT IDENTIFICATION OF IMAGES IN WEBSITE}

본 발명은 웹 사이트에 대한 이미지 권리 확인 감사 시스템 및 방법에 관한 것이다. The present invention relates to an image rights verification audit system and method for a website.

컴퓨터화된 데이터베이스는 음성, 이미지 및 텍스트를 포함하는 여러 종류의 데이터를 저장하기 위해 사용될 수 있다. 이 유연성은 설계자가 텍스트 및 음성과 같은 여러 다른 포맷의 정보를 편성 및 저장하는 데이터 레코드를 가진 데이터베이스를 구성하여, 특히 가까운 장래에 응용할 수 있는 데이터베이스 시스템을 제공할 수 있게 한다. Computerized databases can be used to store various types of data, including voice, images and text. This flexibility allows designers to build databases with data records that organize and store information in different formats, such as text and voice, to provide a database system that is particularly applicable in the near future.

이미지 식별 기술은 현재 중요한 분야로서 최근 몇 년간 빠르게 발전하고 있으며, 용도가 넓어 각 분야에 사용되고 있다. 예를 들면 수기 입력(handwriting input), 우편번호 식별, 한자 식별, 사람 얼굴 식별, 지문 식별 및 홍채 식별 등 기술은 매우 발전하였다. Image identification technology is an important field, and has been rapidly developed in recent years, and is widely used in each field. Techniques such as handwriting input, postal code identification, Chinese character identification, human face identification, fingerprint identification, and iris identification, for example, have been highly advanced.

한편, 웹 사이트를 이용하는 사용자들은 이미지를 많이 사용하는데 저작권의 분쟁이 많아짐에 따라 그러한 이미지가 적법한 것인지 여부를 명확히 할 필요가 있다. On the other hand, users who use web sites use images a lot, and it is necessary to clarify whether or not such images are legitimate as the number of copyright disputes increases.

(1) 한국특허등록번호 KR 10-1710050 (2017.02.20) 이미지 식별시스템 및 방법(1) Korean patent registration number KR 10-1710050 (2017.02.20) Image identification system and method (2) 한국특허등록번호 10-1690264 B1 (2016.12.21) 다중 코드 인식 방법 및 시스템(2) Korean Patent Registration No. 10-1690264 B1 (2016.12.21) Multiple code recognition method and system

본 발명의 하나 이상의 실시예에 따르면, 특정 웹사이트에 특정 권리를 가진 이미지가 얼마나 있는지 자동으로 검사하고, 권리 이미지의 사용 정도를 파악하는 걱싱 가능한 웹 사이트에 대한 이미지 권리 확인 감사 시스템이 제공된다. According to one or more embodiments of the present invention, an image rights verification audit system is provided for a spurious website that automatically checks how many images have a particular right on a particular website and grasps the degree of use of the right image.

본 발명의 일 실시예에 따르면 According to an embodiment of the present invention

웹 사이트에 포함된 이미지들을 추출하는 웹 사이트 이미지 추출부; 상기 웹 사이트 이미지 추출부에 의해 추출된 이미지에 대한 이미지 식별 정보를 생성하는 이미지 식별정보 생성장치; 상기 이미지 식별정보 생성장치에 의해 생성된 이미지 식별정보와 기 저장된 이미지 식별정보를 비교하는 비교부; 및 상기 비교부의 비교 결과에 기초하여, 웹 사이트에 포함된 이미지가 권리가 있는지 여부를 판단하는 권리 확인부;를 포함하며, 상기 기 저장된 이미지 식별정보는 상기 이미지 식별정보 생성장치와 동일한 방식으로 생성되어 저장된 것인, 웹 사이트에 대한 이미지 권리 확인 감사 시스템이 제공된다. A website image extraction unit for extracting images included in the website; An image identification information generating device for generating image identification information for the image extracted by the website image extraction unit; A comparison unit for comparing the image identification information generated by the image identification information generation device with pre-stored image identification information; And based on the comparison result of the comparison unit, a right confirmation unit for determining whether the image included in the website has a right; includes, the pre-stored image identification information is generated in the same way as the image identification information generating device An image verification system for image rights is provided for web sites.

본 발명의 하나 이상의 실시예에 따르면, 딥 러닝 프로그램으로 확보된 권리가 명확한 이미지를 이용하여 특정 웹사이트에 특정 권리를 가진 이미지가 얼마나 있는지 자동으로 검사하고, 권리 이미지의 사용 정도를 파악하는 것이 가능하다.According to one or more embodiments of the present invention, it is possible to automatically check how many images have a specific right on a specific website by using a clear image obtained by a deep learning program, and to grasp the degree of use of the right image Do.

도 1은 본 발명의 일 실시예에 따른 웹 사이트에 대한 이미지 권리 확인 감사 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 웹 사이트에 대한 이미지 권리 확인 감사 방법을 설명하기 위한 도면이다.
도 3 내지 도 4는 본 발명의 일 실시예에 따른 딥 러닝 기반 권리 이미지 관리 시스템을 설명하기 위한 도면들이다.
도 5는 본 발명의 일 실시예에 따른 이미지 식별정보 생성 방법을 설명하기 위한 도면이다.
도 6 내지 도 7는 본 발명의 다른 실시예에 따른 딥 러닝 기반 권리 이미지 관리 시스템을 설명하기 위한 도면들이다.
도 8은 본 발명의 다른 실시예에 따른 이미지 식별정보 생성 방법을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따라서 모델을 생성하는 방법을 설명하기 위한 도면이다. 1 is a view for explaining an image rights verification audit system for a web site according to an embodiment of the present invention.
2 is a view for explaining a method for auditing an image right for a web site according to an embodiment of the present invention.
3 to 4 are diagrams for explaining a deep learning-based rights image management system according to an embodiment of the present invention.
5 is a view for explaining a method of generating image identification information according to an embodiment of the present invention.
6 to 7 are diagrams for describing a deep learning-based rights image management system according to another embodiment of the present invention.
8 is a view for explaining a method for generating image identification information according to another embodiment of the present invention.
9 is a view for explaining a method of generating a model according to an embodiment of the present invention.

이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.The above objects, other objects, features and advantages of the present invention will be readily understood through the following preferred embodiments related to the accompanying drawings. However, the present invention is not limited to the embodiments described herein and may be embodied in other forms. Rather, the embodiments introduced herein are provided to ensure that the disclosed contents are thorough and complete and that the spirit of the present invention is sufficiently conveyed to those skilled in the art.

본 명세서의 다양한 실시예들에서 제1, 제2 등의 용어가 다양한 구성요소들을 기술하기 위해서 사용되었지만, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다. In various embodiments of the present specification, terms such as first and second are used to describe various components, but these components should not be limited by these terms. These terms are only used to distinguish one component from another component. The embodiments described and illustrated herein also include its complementary embodiments.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.The terminology used herein is for describing the embodiments and is not intended to limit the present invention. In the present specification, the singular form also includes the plural form unless otherwise specified in the phrase. As used herein,'comprises' and/or'comprising' does not exclude the presence or addition of one or more other components.

용어의 정의Definition of Terms

본원 명세서에서, 용어 '소프트웨어'는 컴퓨터에서 하드웨어를 움직이는 기술을 의미하고, 용어 '하드웨어'는 컴퓨터를 구성하는 유형의 장치나 기기(CPU, 메모리, 입력 장치, 출력 장치, 주변 장치 등)를 의미하고, 용어 '단계'는 소정의 목을 달성하기 위해 시계열으로 연결된 일련의 처리 또는 조작을 의미하고, 용어 '프로그램은 컴퓨터로 처리하기에 합한 명령의 집합을 의미하고, 용어 '프로그램 기록 매체'는 프로그램을 설치하고 실행하거나 유통하기 위해 사용되는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 의미한다. In the present specification, the term'software' refers to a technology for moving hardware in a computer, and the term'hardware' refers to a type of device or device (CPU, memory, input device, output device, peripheral device, etc.) constituting a computer. And the term'step' means a series of processing or manipulations connected in time series to achieve a certain neck, the term'program' means a set of instructions suitable for processing by a computer, and the term'program recording medium' Refers to a computer-readable recording medium that records programs used to install, run, or distribute programs.

본원 명세서에서, 용어들 '이미지'와 '이미지 파일'은 특별히 구별의 실익이 없는 한 구별하지 않고 사용하기로 한다.In the present specification, the terms'image' and'image file' will be used without distinction unless there is a special benefit.

본원 명세서에서, 머신 러닝 프로그램은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습(machine learning) 알고리즘의 집합체를 의미한다. 한편, 딥 러닝 프로그램은 머신 러닝 프로그램의 일종이다. In the present specification, a machine learning program is a machine learning that attempts a high level of abstraction (abstraction of a core content or function in a large amount of data or complex data) through a combination of several nonlinear transformation methods. ) Means a collection of algorithms. Meanwhile, the deep learning program is a kind of machine learning program.

본원 명세서에서, 용어 '모델'은 이미지 데이터에 의해 머신 러닝 프로그램이 트레이닝(학습)되어 생성된 분류자(classifier)를 의미한다.In the present specification, the term'model' means a classifier generated by training (learning) a machine learning program by image data.

본원명세서에서, 용어 '이미지 데이터'는 이미지를 모니터나 프린터로 래스터화 할 수 있는 디지털 데이터의 모음을 의미한다. 이미지는 픽셀이라 불리우리는 단위로 이루어져 있고, 각 픽셀은 밝기 값 또는 컬러 값을 가지는데, 이미지 데이터는 예를 들면 이미지를 이루는 각 필셀이 가지는 밝기 값 또는 컬러 값들일 수 있다. 보다 구체적인 예를 들면, 흑백 이미지일 경우는 각 픽셀은 0~255 사이의 밝기값을 가질 수 있고, 컬러 이미지일 경우는 각 픽셀은 3개의 색 채널(예를 들면, R, G, B)로 표시될 수 있고, 각 채널은 0~255 사이의 밝기값을 가질 수 있다. 여기서, 수치나 색채널의 종류는 본 발명의 설명을 위한 예시적인 것임을 당업자는 이해할 것이다.In this specification, the term'image data' refers to a collection of digital data that can rasterize an image to a monitor or printer. The image is composed of units called pixels, and each pixel has a brightness value or a color value, and the image data may be, for example, brightness values or color values of each pixel of an image. For a more specific example, in the case of a black and white image, each pixel may have a brightness value between 0 and 255, and in the case of a color image, each pixel has three color channels (for example, R, G, B). It may be displayed, and each channel may have a brightness value between 0 and 255. Here, those skilled in the art will understand that the numerical values and types of color channels are exemplary for the purpose of describing the present invention.

본원 명세서에서, 용어 '관리'는 데이터의 '수신', '송신', '저장', '수정', 및 '삭제'를 포함하는 의미로 사용된다.In the present specification, the term'management' is used to mean'receiving','sending','storing','modifying', and'deleting' data.

본원 명세서에서, 용어 '권리 이미지'는 '권리 및 사용 정의 데이터'가 구비된 이미지를 의미하는 것으로 사용된다.In the present specification, the term “right image” is used to mean an image provided with “right and usage definition data”.

본원 명세서에서, '권리 및 사용 정의 데이터'라고 함은, 이미지에 대하여 권리가 있는지 여부, 권리가 있으면 권리자에 대한 정보, 이미지의 사용 가능한지 여부, 및 이미지가 사용 가능할 경우 유료로 사용 가능할지 아니면 무료로도 사용 가능한지 여부에 대하여 정의를 한 데이터를 의미한다. In this specification, the term'rights and usage definition data' refers to whether there is a right to an image, if there is a right, information about the right holder, whether the image is available, and if the image is available, available for a fee or free of charge. Refers to data that has been defined as to whether or not it can be used.

본원 명세서에서, 'A 단계와 B 단계는 선후가 없다'와 동일하거나 유사한 문장은 A 단계가 B 단계보다 먼저 수행되거나, A 단계가 B 단계보다 나중에 수행되거나, 또는 A 단계와 B 단계가 동시에 수행될 수 있다는 것을 의미한다. In the present specification, a sentence similar to or similar to'Step A and Step B has no precedence' may be performed in Step A before Step B, Step A after Step B, or Step A and Step B at the same time. It means it can be.

이하, 도면들을 참조하여, 본 발명의 실시예들에 대해 상세히 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.

도 1은 본 발명의 일 실시예에 따른 웹 사이트에 대한 이미지 권리 확인 감사 시스템을 설명하기 위한 도면이다. 1 is a view for explaining an image rights verification audit system for a website according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 웹 사이트에 대한 이미지 권리 확인 감사 시스템은 딥 러닝 기반 권리 이미지 관리 시스템(1000), 웹 사이트 이미지 추출부(2000), 이미지 식별정보 생성장치(3000), 비교부(4000), 및 권리 확인부(5000)를 포함할 수 있다. Referring to FIG. 1, an image rights verification audit system for a website according to an embodiment of the present invention includes a deep learning-based rights image management system 1000, a website image extraction unit 2000, and image identification information generating device ( 3000), a comparison unit 4000, and a rights confirmation unit 5000.

본 실시예에서, 딥 러닝 기반 권리 이미지 관리 시스템(1000)은 권리가 있는지 유무에 대하여 정의가 된 이미지들 및 그 이미지들에 대한 식별정보를 생성하여 저장한다. 딥 러닝 기반 권리 이미지 관리 시스템(1000)에 대한 예시적인 구성 및 동작에 대하여는 도 3 내지 도 9를 참조하여 후술하기로 한다. In this embodiment, the deep learning-based rights image management system 1000 generates and stores images defined for whether or not there is a right and identification information for the images. An exemplary configuration and operation of the deep learning based rights image management system 1000 will be described later with reference to FIGS. 3 to 9.

웹 사이트 이미지 추출부(2000)는 웹 사이트로부터 이미지들을 추출한다. 예를 들면, 웹 사이트 이미지 추출부(2000)는 웹 사이트의 URL과 접속권한(아이디와 비밀번호)을 이용하여 웹 사이트에 포함된 모든 이미지 파일을 추출할 수 있다. The website image extracting unit 2000 extracts images from a website. For example, the website image extracting unit 2000 may extract all image files included in the website using the URL and access authority (ID and password) of the website.

이미지 식별정보 생성장치(3000)는, 딥 러닝 기반 권리 이미지 관리 시스템(1000)에서 이미지 식별정보를 생성하는 방식과 동일한 방식으로, 웹 사이트 이미지 추출부(2000)에 의해 추출된 모든 이미지 파일들에 대하여 각각 이미지 식별정보를 생성할 수 있다. 이미지 식별정보 생성장치(3000)에서 이미지 식별정보를 생성하는 방식에 대하여는 후술하는 딥 러닝 기반 권리 이미지 관리 시스템(1000)의 설명을 참조하기 바란다.The image identification information generation device 3000 is used in the same manner as the method for generating image identification information in the deep learning-based rights image management system 1000, in all image files extracted by the website image extraction unit 2000. For each, it is possible to generate image identification information. For a method of generating the image identification information in the image identification information generating apparatus 3000, please refer to the description of the deep learning based rights image management system 1000 described below.

비교부(4000)는 딥 러닝 기반 권리 이미지 관리 시스템(1000)에 의해 생성되어 저장되는 이미지 식별 정보와, 이미지 식별 정보 생성장치(3000)에 의해 생성된 이미지 식별 정보를 비교한다. The comparator 4000 compares the image identification information generated and stored by the deep learning-based rights image management system 1000 with the image identification information generated by the image identification information generating apparatus 3000.

권리 확인부(5000)는 비교부(4000)의 비교 결과에 기초하여 웹 사이트에서 추출된 이미지들에 대하여 적법한 권리자가 있는지 여부를 판단한다.The right checking unit 5000 determines whether there is a legitimate right holder for the images extracted from the website based on the comparison result of the comparison unit 4000.

한편, 딥 러닝 기반 권리 이미지 관리 시스템(1000), 웹 사이트 이미지 추출부(2000), 이미지 식별정보 생성장치(3000), 비교부(4000), 및 권리 확인부(5000)는, 유선으로 서로 직접 연결되거나 또는 통신망(예를 들면, 광역 통신망(WAN), 도시권 통신망(MAN), 근거리 통신망(LAN), 개인 통신망(PAN))으로 상호 데이터를 송수신하도록 연결된다. Meanwhile, the deep learning-based rights image management system 1000, the website image extraction unit 2000, the image identification information generating device 3000, the comparison unit 4000, and the rights confirmation unit 5000 are directly connected to each other by wire. It is connected or connected to transmit/receive mutual data through a communication network (for example, a wide area network (WAN), a metropolitan area network (MAN), a local area network (LAN), or a personal communication network (PAN)).

도 2는 본 발명의 일 실시예에 따른 웹 사이트에 대한 이미지 권리 확인 감사 방법을 설명하기 위한 도면이다. 2 is a view for explaining an image rights verification audit method for a website according to an embodiment of the present invention.

본 방법은, 컴퓨터에 본 방법을 실행시키는 프로그램에 의해 구현될 수 있고, 그러한 프로그램은 컴퓨터로 읽을 수 있는 기록 매체에 저장된다. 컴퓨터로 읽을 수 있는 기록 매체는 예를 들면 식별정보 생성장치들(20, 200) 및/또는 도면번호 30 또는 300으로 표시되는 장치들일 수 있다. The method can be implemented by a program that executes the method on a computer, and the program is stored in a computer-readable recording medium. The computer-readable recording medium may be, for example, identification information generating devices 20 and 200 and/or devices indicated by reference numerals 30 or 300.

도 2를 참조하면, 본 발명의 일 실시예에 따른 웹 사이트에 대한 이미지 권리 확인 감사 방법은 웹 사이트 이미지 추출 단계(S11), 이미지 식별정보 생성 단계(S13), 권리 이미지에 대한 이미지 식별정보 읽는 단계(S16), 비교 단계(S15), 및 권리 확인 단계(S17)를 포함한다. 이하에서는 설명의 목적을 위해서, 도 1을 참조하여 설명한 장치들을 사용하는 경우를 예로 들기로 한다. Referring to FIG. 2, an image right verification audit method for a website according to an embodiment of the present invention includes a website image extraction step (S11), image identification information generation step (S13), and image identification information for a right image. It includes a step (S16), a comparison step (S15), and a right confirmation step (S17). Hereinafter, for the purpose of explanation, the case of using the devices described with reference to FIG. 1 will be taken as an example.

웹 사이트 이미지 추출 단계(S11)는, 웹 사이트로부터 이미지들을 추출하는 단계이다. 예를 들면, 본 S11 단계는 웹 사이트 이미지 추출부(2000)가 웹 사이트의 URL과 접속권한(아이디와 비밀번호)을 이용하여 웹 사이트에 포함된 모든 이미지 파일을 추출하는 단계이다. The website image extraction step S11 is a step of extracting images from the website. For example, in step S11, the website image extraction unit 2000 extracts all image files included in the website using the website URL and access authority (ID and password).

이미지 식별정보 생성 단계(S13)는 딥 러닝 기반 권리 이미지 관리 시스템(1000)에서 이미지 식별정보를 생성하는 방식과 동일한 방식으로, 웹 사이트 이미지 추출 단계(S11)에 의해 추출된 모든 이미지 파일들에 대하여 각각 이미지 식별정보를 생성하는 단계이다. 이미지 식별정보 생성 단계(S13)의 예시적인 방법은, 도 5를 참조하여 설명하는 이미지 식별정보를 생성하는 방법과 동일하다. The image identification information generation step (S13) is the same as the method of generating image identification information in the deep learning-based rights image management system 1000, with respect to all the image files extracted by the website image extraction step (S11). Each step is to generate image identification information. The exemplary method of the image identification information generation step S13 is the same as the method of generating the image identification information described with reference to FIG. 5.

권리 이미지에 대한 이미지 식별정보 읽는 단계(S16)는 딥 러닝 기반 권리 이미지 관리 시스템(1000)에서 생성된 이미지 식별정보가 저장된 식별정보 기억정치에서 읽는 단계이다. The step S16 of reading image identification information on the right image is a step of reading from the identification information storage politics in which the image identification information generated by the deep learning-based right image management system 1000 is stored.

비교 단계(S15)는, 딥 러닝 기반 권리 이미지 관리 시스템(1000)에 의해 생성되어 저장되는 이미지 식별 정보와, 이미지 식별 정보 생성장치(3000)에 의해 생성된 이미지 식별 정보를 비교하는 단계이다. The comparison step S15 is a step of comparing the image identification information generated and stored by the deep learning-based rights image management system 1000 with the image identification information generated by the image identification information generating apparatus 3000.

권리 확인 단계(S17)는 권리 확인부(5000)가 비교부(4000)의 비교 결과에 기초하여 웹 사이트에서 추출된 이미지들에 대하여 적법한 권리자가 있는지 여부를 판단하는 단계이다.The right checking step (S17) is a step in which the right checking unit 5000 determines whether there is a legitimate right holder for the images extracted from the website based on the comparison result of the comparison unit 4000.

도 3과 도 4는 본 발명의 일 실시예에 따른 딥 러닝 기반 권리 이미지 관리 시스템을 설명하기 위한 도면들이다. 3 and 4 are diagrams for explaining a deep learning-based rights image management system according to an embodiment of the present invention.

이들 도면을 참조하면, 본 발명의 일 실시예에 따른 딥 러닝 기반 권리 이미지 관리 시스템은 식별정보 생성장치(20)와 정보 관리부(30)를 포함한다. 한편, 본 발명의 설명의 목적을 위해서, 이미지 제공 장치(10)를 도면 3에 추가적으로 도시하였다. Referring to these drawings, a deep learning based rights image management system according to an embodiment of the present invention includes an identification information generating device 20 and an information management unit 30. Meanwhile, for the purpose of explaining the present invention, the image providing apparatus 10 is additionally illustrated in FIG. 3.

본 실시예에서, 이미지 제공 장치(10), 식별정보 생성장치(20), 및 정보 관리부(30)는 유선으로 직접 연결되거나 또는 통신망(예를 들면, 광역 통신망(WAN), 도시권 통신망(MAN), 근거리 통신망(LAN), 개인 통신망(PAN))으로 상호 데이터를 송수신하도록 연결되며, 식별정보 생성장치(20)에 포함된 구성요소들도 유선으로 직접 연결되거나 또는 통신망(예를 들면, 광역 통신망(WAN), 도시권 통신망(MAN), 근거리 통신망(LAN), 개인 통신망(PAN))으로 상호 연결되어 데이터를 송수신할 수 있다.In this embodiment, the image providing device 10, the identification information generating device 20, and the information management unit 30 are directly connected by a wire or a communication network (for example, a wide area network (WAN), a metropolitan area network (MAN)) , Local area network (LAN), personal communication network (PAN) is connected to transmit and receive mutual data, the components included in the identification information generating device 20 is also directly connected by wire or a communication network (for example, a wide area network) (WAN), urban area network (MAN), local area network (LAN), personal communication network (PAN)) are interconnected to transmit and receive data.

이미지 제공 장치(10)는 통신을 통해서 권리 이미지(권리 정보가 레이블로 붙은 이미지)를 식별정보 생성장치(20)로 전송할 수 있는 장치로서, 예를 들면, 스마트폰이나 노트북과 같은 모바일 컴퓨터나 데스크 탑과 같은 컴퓨터일 수 있다. 여기서, 권리 정보는, 권리가 있는지 여부, 무료 사용여부, 유료 사용여부, 및/또는 권리자에 대한 정보를 포함한다.The image providing device 10 is a device capable of transmitting a right image (image labeled with right information) to the identification information generating device 20 through communication, for example, a mobile computer or desk such as a smartphone or a laptop. It can be a tower-like computer. Here, the right information includes information on whether there is a right, whether to use it for free, whether to use it for a fee, and/or the owner.

도 4를 참조하면, 식별정보 생성장치(20)에서, 제1해쉬함수('HASH A')가 식별정보를 생성하기 위해서 입력 받은 이미지 파일(이하, '입력 이미지 파일')을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서 제1해쉬값('value A')을 생성하는 동작과, 입력 이미지 파일을 다른 이미지 파일(이하, '변환 이미지 파일')로 변환하는 동작과, 제2해쉬함수('HASH C')가, 변환 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서, 제2해쉬값('value C')을 생성하는 동작과, 제1해쉬값('value A')과 제2해쉬값('value C')을 이용하여, 입력 이미지 파일의 식별정보(이하, '이미지 식별 정보') 를 생성하는 동작이 수행된다.Referring to FIG. 4, in the identification information generating apparatus 20, image data constituting an image file (hereinafter referred to as an “input image file”) input by the first hash function ('HASH A') to generate identification information. Generating at least a portion of the input as a first hash value ('value A'), converting the input image file to another image file (hereinafter referred to as a'converted image file'), and a second hash function ( 'HASH C') receives the input of at least a part of the image data constituting the converted image file, generates a second hash value ('value C'), and a first hash value ('value A') and Using the second hash value ('value C'), an operation of generating identification information (hereinafter,'image identification information') of the input image file is performed.

또한, 식별정보 생성장치(20)에서, 제3해쉬함수('HASH B')가, 입력 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서, 제3해쉬값('value B')을 생성하는 동작이 수행된다. 이 경우, 식별정보 생성장치(20)는 이미지 식별 정보를 생성할 때, 제1해쉬값('value A'), 제2해쉬값('value C'), 및 제3해쉬값('value B')을 모두 이용하여 생성한다. Further, in the identification information generating apparatus 20, the third hash function ('HASH B') receives at least a part of the image data constituting the input image file as input, and receives the third hash value ('value B'). The generating operation is performed. In this case, when the identification information generating apparatus 20 generates image identification information, the first hash value ('value A'), the second hash value ('value C'), and the third hash value ('value B) ').

또한, 식별정보 생성장치(20)에서, 제4해쉬함수('HASH D')가, 변환 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서, 제4해쉬값('value D')을 생성하는 동작이 수행된다. 이 경우, 식별정보 생성장치(20)는 이미지 식별 정보를 생성할 때, 제1해쉬값('value A'), 제2해쉬값('value C'), 제3해쉬값('value B'), 및 제4해쉬값('value D')을 이용하여 이미지 식별 정보를 생성한다. Further, in the identification information generating device 20, the fourth hash function ('HASH D') receives at least a part of the image data constituting the converted image file as an input, and receives a fourth hash value ('value D'). The generating operation is performed. In this case, when the identification information generating device 20 generates image identification information, the first hash value ('value A'), the second hash value ('value C'), and the third hash value ('value B') ), and the fourth hash value ('value D') to generate image identification information.

상술한 실시예에서, HASH A와 HASH C는 MD5라 불리우는 해쉬함수 일수 있고, HASH B와 HASH D는 SHA-512라 불리우는 해쉬함수일 수 있다. 물론 본원 발명이 그러한 해쉬함수들에만 한정되는 것이 아님을 당업자는 용이하게 이해할 수 있을 것이다. In the above-described embodiment, HASH A and HASH C may be a hash function called MD5, and HASH B and HASH D may be a hash function called SHA-512. Of course, those skilled in the art will readily understand that the present invention is not limited to such hash functions.

또한, 식별정보 생성장치(20)에서, 입력 이미지(즉, 권리 이미지)과 권리 이미지의 식별정보를 서로 매핑시켜서 저장하는 동작이 수행된다. In addition, in the identification information generating apparatus 20, an operation of mapping and storing the input image (ie, the right image) and the identification information of the right image is performed.

본 실시예에 따르면 식별정보 생성장치(20)는, 이미지 식별 정보를 예를 들면 다음과 같은 방식으로 생성할 수 있다. According to this embodiment, the identification information generating apparatus 20 may generate image identification information in the following manner, for example.

제1방식Method 1

이미지 식별 정보가 제1해쉬값과 제2해쉬값을 포함하도록 구성됨.The image identification information is configured to include a first hash value and a second hash value.

제2방식Method 2

이미지 식별 정보가 f1(제1해쉬값)와 f2(제2해쉬값)를 포함하도록 구성됨.The image identification information is configured to include f1 (first hash value) and f2 (second hash value).

여기서, f1과 f2는 수학적 연산을 수행하는 함수이고, 제1해쉬값은 f1의 독립변수이고, 제2해쉬값은 f2의 독립변수이다. 즉, f1과 f2는 입력받은 독립 변수 그대로 출력하거나 또는 입력받은 독립변수에 대하여 소정의 연산을 통해서 다른 값으로 출력하는 함수이다.Here, f1 and f2 are functions that perform mathematical operations, the first hash value is an independent variable of f1, and the second hash value is an independent variable of f2. That is, f1 and f2 are functions that output the input independent variables as they are, or output the input independent variables with different values through a predetermined operation.

제1방식에 따라 생성되는 이미지 식별정보는 한 쌍의 데이터를 포함하며, 이 한쌍의 데이터는 각각 f1(제1해쉬값)과 f2(제2해쉬값)이다. The image identification information generated according to the first method includes a pair of data, and the pair of data are f1 (first hash value) and f2 (second hash value), respectively.

한편, 해쉬값이 3개 이상일 경우에도, 제1방식에 따라서 이미지 식별정보가 생성될 수 있다.On the other hand, even when there are three or more hash values, image identification information may be generated according to the first method.

제3방식Method 3

이미지 식별 정보가 f3(제1해쉬값, 제2해쉬값)을 포함하도록 구성됨. The image identification information is configured to include f3 (first hash value, second hash value).

여기서, f3는 수학적 연산을 수행하는 함수이고, 제1해쉬값과 제2해쉬값은 각각 f3의 독립변수이다. 즉, f3는 입력받은 독립 변수들에 대하여 소정의 연산을 통해서 다른 값으로 출력하는 함수이다. Here, f3 is a function that performs a mathematical operation, and the first hash value and the second hash value are independent variables of f3, respectively. That is, f3 is a function that outputs the input independent variables with different values through a predetermined operation.

한편, 해쉬값이 3개 이상일 경우에도, 제2방식에 따라서 이미지 식별정보가 생성될 수 있으며, 이럴 경우 f3는 3개 이상의 해쉬값을 입력변수로 입력받아서 소정의 수학적 연산을 한후에 출력값을 산출할 것이다. On the other hand, even if there are three or more hash values, image identification information can be generated according to the second method. In this case, f3 receives three or more hash values as input variables and calculates the output value after performing a certain mathematical operation. will be.

이하에서는, 보다 구체적인 예를 들어서 본원 발명의 일 실시예에 따른 딥 러닝 기반 권리 이미지 관리 시스템(1000)을 설명하기로 한다. Hereinafter, a deep learning based rights image management system 1000 according to an embodiment of the present invention will be described as a more specific example.

도 3과 도 4를 참조하면, 식별정보 생성장치(20)는 식별정보 생성 프로그램, 운영체제, 통신부, 컴퓨터 프로세서, 기억장치(휘발성 및/또는 비휘발성 기억장치를 포함함), 및 기타 리소스(소프트웨어 및 하드웨어)를 포함할 수 있다.3 and 4, the identification information generation device 20 includes an identification information generation program, an operating system, a communication unit, a computer processor, a storage device (including volatile and/or nonvolatile storage devices), and other resources (software And hardware).

여기서, 운영체제(OS: OPERATING SYSTEM)은 하드웨어와 응용프로그램(예를 들면, 식별정보 생성 프로그램)을 동작적으로 연결시킬 수 있다. 통신부는 외부와의 데이터를 송수신하기 위한 소프트웨어 및 하드웨어로 이루어진 모듈을 의미한다. Here, the operating system (OS: OPERATING SYSTEM) may operatively connect the hardware and the application program (for example, identification information generation program). The communication unit means a module composed of software and hardware for transmitting and receiving data to and from the outside.

여기서, 컴퓨터 프로세서와 기억장치, 운영체제, 식별정보 생성 프로그램, 통신부, 및 기타 리소스는 서로 동작적으로(operatively) 연결되어 있다. Here, the computer processor and the storage device, the operating system, the identification information generating program, the communication unit, and other resources are operatively connected to each other (operatively).

식별정보 생성 프로그램은 컴퓨터 프로세서의 제어하에 메모리와 같은 기억장치에 로딩되어 식별정보를 생성하는 동작을 수행한다. The identification information generation program is loaded into a storage device such as a memory under the control of a computer processor and performs an operation of generating identification information.

기억장치(메모리 포함)에 로딩된 식별정보 생성 프로그램은 컴퓨터 프로세서가 제1해쉬함수('HASH A')가 식별정보를 생성할 이미지 파일(이하, '입력 이미지 파일')을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서 제1해쉬값('value A')을 생성하는 동작과, 입력 이미지 파일을 다른 이미지 파일(이하, '변환 이미지 파일')로 변환하는 동작과, 제2해쉬함수('HASH C')가, 변환 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서, 제2해쉬값('value C')을 생성하는 동작과, 제1해쉬값('value A')과 제2해쉬값('value C')을 이용하여, 입력 이미지 파일의 식별정보(이하, '이미지 식별 정보') 를 생성하는 동작을 수행하도록 한다.The identification information generation program loaded in the storage device (including memory) is a computer processor in which the first hash function ('HASH A') is used to generate image information (hereinafter referred to as'input image file'). Generating at least a portion of input as a first hash value ('value A'), converting an input image file to another image file (hereinafter referred to as'converted image file'), and a second hash function (' HASH C') receives at least a part of the image data constituting the converted image file as input, and generates a second hash value ('value C') and a first hash value ('value A') and 2 Using the hash value ('value C'), an operation for generating identification information (hereinafter,'image identification information') of the input image file is performed.

또한, 식별정보 생성 프로그램은 컴퓨터 프로세서가, 제3해쉬함수('HASH B')가, 입력 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서, 제3해쉬값('value B')을 생성하는 동작을 ㅅ된수행하도록 한다. 한편, 이미지 식별 정보가 생성될 때, 제1해쉬값('value A'), 제2해쉬값('value C'), 및 제3해쉬값('value B')이 모두 이용될 수 있다.In addition, the identification information generation program, the computer processor, the third hash function ('HASH B'), receives at least a portion of the image data constituting the input image file as input, and receives a third hash value ('value B'). Let the generated action be performed. Meanwhile, when the image identification information is generated, all of the first hash value ('value A'), the second hash value ('value C'), and the third hash value ('value B') may be used.

또한, 식별정보 생성 프로그램은 컴퓨터 프로세서가, 제4해쉬함수('HASH D')가, 변환 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서, 제4해쉬값('value D')을 생성하는 동작을 ㅅ된수행하도록 한다. 한편, 이미지 식별 정보가 생성될 때, 제1해쉬값('value A'), 제2해쉬값('value C'), 제3해쉬값('value B'), 및 제4해쉬값('value D')이 모두 이용될 수 있다. In addition, the identification information generation program, the computer processor, the fourth hash function ('HASH D'), receives at least a portion of the image data constituting the converted image file as input, and receives a fourth hash value ('value D'). Let the generated action be performed. Meanwhile, when the image identification information is generated, the first hash value ('value A'), the second hash value ('value C'), the third hash value ('value B'), and the fourth hash value (' value D') can all be used.

또한, 식별정보 생성 프로그램은 컴퓨터 프로세서가, 입력 이미지 파일과 입력 이미지 파일의 식별정보를 서로 매핑시켜서 이미지 식별정보 기억장치에 저장하는 동작을 수행하도록 한다. In addition, the identification information generation program causes the computer processor to perform an operation of mapping the identification information of the input image file and the input image file to each other and storing them in the image identification information storage device.

한편, 식별정보 생성 프로그램은 컴퓨터 프로세서가, 상술한 바가 있는 제1방식, 제2방식, 또는 제3방식으로 식별정보를 생성하는 동작을 수행하도록 할 수 있다.Meanwhile, the identification information generation program may cause the computer processor to perform an operation of generating identification information in the first, second, or third methods as described above.

도 5는 본 발명의 일 실시예에 따른 이미지 식별정보 생성 방법을 설명하기 위한 도면이다. 5 is a view for explaining a method of generating image identification information according to an embodiment of the present invention.

본 발명의 일 실시예에 따른 이미지 식별정보 생성 방법은 예를 들면 도 3과 도 4를 참조하여 설명한 딥 러닝 기반 권리 이미지 관리 시스템에 의해 구현될 수 있다. The method for generating image identification information according to an embodiment of the present invention may be implemented by, for example, a deep learning based rights image management system described with reference to FIGS. 3 and 4.

도 5를 다시 참조하면, 본 이미지 식별정보 생성 방법은Referring back to Figure 5, the method for generating the image identification information

식별정보를 생성할 이미지 파일을 수신하는 단계(S101), 제1해쉬함수가 식별정보를 생성할 입력 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서, 제1해쉬값을 생성하는 단계(S103), 입력 이미지 파일을 다른 이미지 파일 - 변환 이미지 파일-로 변환하는 단계(S107), 제2해쉬함수가 변환 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서 제2해쉬값을 생성하는 단계(S109), 제3해쉬함수가 식별정보를 생성할 입력 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서, 제3해쉬값을 생성하는 단계(S105), 제4해쉬함수가 변환 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서 제4해쉬값을 생성하는 단계(S111), 및 제1해쉬값, 제2해쉬값, 제3해쉬값, 및 제4해쉬값을 이용하여 입력 이미지 파일의 식별정보 - 이미지 식별 정보 - 를 생성하는 단계(S113), 식별정보를 생성할 이미지 파일과 식별정보를 매핑하는 저장하는 단계(S115);를 포함할 수 있다. Receiving an image file for generating identification information (S101), receiving at least a portion of image data constituting an input image file for generating identification information as input, and generating a first hash value ( S103), converting the input image file to another image file-a converted image file (S107), generating a second hash value by receiving at least a portion of the image data constituting the converted image file as input. Step (S109), the third hash function receives at least a portion of the image data constituting the input image file for generating the identification information, and generates a third hash value (S105), the fourth hash function is a converted image A step of generating a fourth hash value by receiving at least a part of the image data constituting the file (S111), and inputting the first hash value, the second hash value, the third hash value, and the fourth hash value And generating identification information of the image file-image identification information-(S113 ), and storing and mapping the image file to generate the identification information and the identification information (S115 ).

여기서, S115 단계는 S113 단계 이후에 수행되고, S113 단계는 S103 단계, S105 단계, S109 단계, 및 S111 단계 이후에 수행되고, S103 단계와 S105 단계는 S101 단계 이후에 수행되며, S109 단계와 S111 단계는 S107 단계 이후에 수행되며, S107 단계는 S101 단계 이후에 수행된다. 한편, 여기서, S103 단계와 S105 단계는 선후가 없고, S109 단계와 S111 단계는 선후가 없고, S103 단계와 S107 단계는 선후가 없고, S105 단계와 S107 단계는 선후가 없다.Here, step S115 is performed after step S113, step S113 is performed after step S103, step S105, step S109, and step S111, steps S103 and step S105 are performed after step S101, steps S109 and S111 Is performed after step S107, and step S107 is performed after step S101. On the other hand, here, steps S103 and S105 have no leading, steps S109 and S111 have no leading, steps S103 and S107 have no leading, and steps S105 and S107 have no leading.

도 5를 참조하여 설명한 이미지 식별정보 생성 방법은 컴퓨터 프로세서와 메모리를 포함한 컴퓨터에 의해 구현될 수 있다. The method of generating image identification information described with reference to FIG. 5 may be implemented by a computer including a computer processor and memory.

도 6 내지 도 7은 본 발명의 다른 실시예에 따른 딥 러닝 기반 권리 이미지 관리 시스템을 설명하기 위한 도면들이다. 6 to 7 are diagrams for describing a deep learning based rights image management system according to another embodiment of the present invention.

도 6과 도 7을 참조하면, 본 발명의 일 실시예에 따른 딥 러닝 기반 권리 이미지 관리 시스템은 식별정보 생성장치(200)와 정보 관리부(300)를 포함한다. 한편, 본 발명의 설명의 목적을 위해서, 이미지 제공 장치(100)를 도면 6에 추가적으로 도시하였다. 6 and 7, a deep learning-based rights image management system according to an embodiment of the present invention includes an identification information generating device 200 and an information management unit 300. Meanwhile, for the purpose of explaining the present invention, the image providing apparatus 100 is additionally illustrated in FIG. 6.

본 실시예에서, 이미지 제공 장치(100), 식별정보 생성장치(200), 및 정보 관리부(300)는 유선으로 직접 연결되거나 또는 통신망으로 상호 데이터를 송수신하도록 연결되며, 식별정보 생성장치(200)에 포함된 구성요소들도 유선으로 직접 연결되거나 또는 통신망으로 상호 연결되어 데이터를 송수신할 수 있다.In the present embodiment, the image providing device 100, the identification information generating device 200, and the information management unit 300 are directly connected by wire or connected to transmit and receive mutual data through a communication network, and the identification information generating device 200 The components included in the data may be directly connected by wire or mutually connected by a communication network to transmit and receive data.

이미지 제공 장치(100)는 통신을 통해서 이미지를 식별정보 생성장치(200)로 전송할 수 있는 장치이다.The image providing device 100 is a device capable of transmitting an image to the identification information generating device 200 through communication.

도 6을 참조하면, 식별정보 생성장치(200)에서, 제1해쉬함수('HASH A')가 식별정보를 생성할 이미지 파일(이하, '입력 이미지 파일')을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서 제1해쉬값('value A')을 생성하는 동작과, 입력 이미지 파일을 다른 이미지 파일(이하, '변환 이미지 파일')로 변환하는 동작과, 제2해쉬함수('HASH C')가, 변환 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서, 제2해쉬값('value C')을 생성하는 동작과, 제1해쉬값('value A')과 제2해쉬값('value C')을 이용하여, 입력 이미지 파일의 식별정보(이하, '이미지 식별 정보') 를 생성하는 동작이 수행된다.Referring to FIG. 6, in the identification information generating apparatus 200, at least a part of image data constituting an image file (hereinafter referred to as an'input image file') in which the first hash function ('HASH A') generates identification information. Receiving input as input, generating a first hash value ('value A'), converting an input image file to another image file (hereinafter,'converted image file'), and a second hash function ('HASH C The operation of generating a second hash value ('value C') by receiving at least a part of the image data constituting the converted image file as input, and a first hash value ('value A') and a second hash. An operation for generating identification information (hereinafter,'image identification information') of the input image file is performed using a value ('value C').

식별정보 생성장치(200)에서, 제3해쉬함수('HASH B')가, 입력 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서, 제3해쉬값('value B')을 생성하는 동작이 수행된다. 이 경우, 식별정보 생성장치(200)는 이미지 식별 정보를 생성할 때, 제1해쉬값('value A'), 제2해쉬값('value C'), 및 제3해쉬값('value B')을 모두 이용하여 생성한다. In the identification information generating apparatus 200, the third hash function ('HASH B') receives at least a part of the image data constituting the input image file as input, and generates a third hash value ('value B') The operation is performed. In this case, when the identification information generating apparatus 200 generates image identification information, the first hash value ('value A'), the second hash value ('value C'), and the third hash value ('value B) ').

식별정보 생성장치(200)에서, 제4해쉬함수('HASH D')가, 변환 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서, 제4해쉬값('value D')을 생성하는 동작이 수행된다. 이 경우, 식별정보 생성장치(200)는 이미지 식별 정보를 생성할 때, 제1해쉬값('value A'), 제2해쉬값('value C'), 제3해쉬값('value B'), 및 제4해쉬값('value D')을 이용하여 이미지 식별 정보를 생성한다. In the identification information generating apparatus 200, the fourth hash function ('HASH D') receives at least a portion of the image data constituting the converted image file as input, and generates a fourth hash value ('value D') The operation is performed. In this case, when the identification information generating apparatus 200 generates image identification information, the first hash value ('value A'), the second hash value ('value C'), and the third hash value ('value B') ), and the fourth hash value ('value D') to generate image identification information.

식별정보 생성장치(200)에서, 입력 이미지 파일과 입력 이미지 파일의 식별정보를 서로 매핑시켜서 저장하는 동작이 수행된다.In the identification information generating apparatus 200, an operation of mapping and storing identification information of the input image file and the input image file is performed.

본 실시예에 따르면 식별정보 생성장치(200)는, 이미지 식별 정보를 예를 들면 상술한 바와 같은 제1방식과 제2방식에 따라서 생성할 수 있다. 여기서, 제1방식과 제2방식은 예시적인 것으로서 본원 발명이 그러한 방식에만 한정되는 것은 아니다. According to the present embodiment, the identification information generating apparatus 200 may generate image identification information according to the first method and the second method as described above, for example. Here, the first method and the second method are exemplary and the present invention is not limited to such a method.

본 실시예에 따르면 식별정보 생성장치(200)에서, 입력 이미지 파일을 구성하는 이미지 데이터에 의해 머신 러닝 프로그램이 학습되고, 그러한 학습에 의해 입력 이미지 파일에 대한 모델을 생성하는 동작이 수행된다. According to the present embodiment, in the identification information generating apparatus 200, a machine learning program is learned by image data constituting an input image file, and an operation for generating a model for the input image file is performed by such learning.

본 실시예에 따르면, 입력 이미지마다 모델을 생성하는 동작이 수행된다. 즉, 식별정보 생성장치(200)는 이미지 파일을 수신할 때마다 그러한 이미지 파일에 의해 머신 러닝 프로그램을 학습시키고, 그러한 학습 결과 모델이 생성된다. 따라서, 식별정보를 생성하고자 하는 이미지 파일의 갯수 만큼 모델이 만들어지게 된다. 이미지 파일마다 생성된 모델은 모델 기억장치에 저장된다.According to this embodiment, an operation of generating a model for each input image is performed. That is, the identification information generating apparatus 200 trains a machine learning program by using the image file whenever an image file is received, and a model of such a learning result is generated. Therefore, the model is created as many as the number of image files for generating identification information. The model generated for each image file is stored in the model storage.

본 발명의 일 실시예에 따르면, 머신 러닝 프로그램은 신경망 프로그램일 수 있다. 신경망 프로그램은 딥 러닝 프로그램일 수 있다. 일 실시예에 따르면, 딥 러닝 프로그램은 Long Short-Term Memory Network 알고리즘에 의해 구현된 프로그램일 수 있다.According to an embodiment of the present invention, the machine learning program may be a neural network program. The neural network program may be a deep learning program. According to an embodiment, the deep learning program may be a program implemented by a Long Short-Term Memory Network algorithm.

도 9는 본 발명의 일 실시예에 따라서 모델을 생성하는 방법을 설명하기 위한 도면이다. 9 is a view for explaining a method for generating a model according to an embodiment of the present invention.

일 실시예에 따르면, 신경망 프로그램은 복수의 노드들로 이루어져 있고, 이들 노드들은 서로 동작적으로 연결되어 있다. 이하에서는 설명의 목적을 위해서 노드에서 이루어지는 동작을 도 9를 참조하여 설명하기로 한다.According to an embodiment, the neural network program is composed of a plurality of nodes, and these nodes are operatively connected to each other. Hereinafter, for the purpose of explanation, an operation performed at a node will be described with reference to FIG. 9.

도 9를 참조하면, 노드로 들어오는 신호들(x1, x2, x3, ... , xn)에 대하여 해당 가중치(w1, w2, w3, ... , wn)가 곱해지고, 전달함수(예를 들면, 가중합(weighted sum))에 의한 연산이 수행되고, 연산 결과는 활성함수(activation function)에 입력으로 사용되며, 활성 함수의 출력값이 노드의 출력이 된다. 통상적으로 활성함수에 의해 각 노드들의 동작특성이 정해진다. 여기서, 노드로 들어오는 신호들(x1, x2, x3, ... , xn)은 1개의 이미지를 구성하는 이미지 데이터의 적어도 일부이다. Referring to FIG. 9, corresponding weights (w1, w2, w3, ..., wn) are multiplied by signals (x1, x2, x3, ..., xn) coming into a node, and a transfer function (eg For example, an operation by weighted sum is performed, and the result of the operation is used as an input to an activation function, and the output value of the active function becomes the output of the node. Normally, the operating characteristics of each node are determined by the active function. Here, signals (x1, x2, x3, ..., xn) coming into the node are at least a part of image data constituting one image.

상술한 바와 같이, 신경망의 각 노드들은 입력 신호의 가중합을 구하고, 활성함수에 가중합을 입력해서 얻은 값을 노드의 외부로 출력한다. 한편, 신경망의 노드들은 어떻게 연결되느냐에 따라서 신경망의 형태가 결정된다. As described above, each node of the neural network obtains a weighted sum of the input signals and outputs a value obtained by inputting a weighted sum to the active function to the outside of the node. Meanwhile, the shape of the neural network is determined according to how the nodes of the neural network are connected.

일 실시예에 따르면, 모델을 생성한다고 함은 상술한 내용에서 각 노드들에서 입력되는 입력신호에 대한 가중치들을 결정하는 것을 의미하고, 모델을 비교한다고 함은 가중치들을 비교하는 것을 의미한다.According to one embodiment, creating a model means determining weights for input signals input from each node in the above description, and comparing a model means comparing weights.

즉, 각 노드에서 전달함수와 활성함수는 결정된 상태이고, 가중치들을 결정하는 과정이 모델을 생성하는 과정이다. 신경망 프로그램에서, 모델을 생성하는 과정을 예시적으로 설명하면 다음과 같다. That is, in each node, the transfer function and the active function are in a determined state, and the process of determining weights is a process of generating a model. The process of generating the model in the neural network program is described as follows.

첫째, 신경망을 구성하는 각 노드들로 입력되는 신호에 대하여 연산되는 가중치를 적당한 값으로 초기화한다. First, the weight calculated for the signals input to each node constituting the neural network is initialized to an appropriate value.

둘째, 지도학습의 학습 데이터 형태인 {입력, 정답}에서 ‘입력’을 신경망에 입력해 출력값을 얻는다. 이 출력 값과 해당 입력의 ‘정답’을 비교해 오차를 계산한다. Second,'input' is input to the neural network in {input, correct answer}, which is a learning data type of supervised learning, to obtain an output value. The error is calculated by comparing this output value with the'correct answer' of the corresponding input.

셋째, 상기 오차가 줄어들도록 신경망의 가중치들을 조절한다.Third, the weights of the neural network are adjusted to reduce the error.

상술한 설명에 따라서, 식별정보 생성장치(200)에서 모델을 생성하는 동작을 구체적으로 설명하면, 1개의 이미지가 신경망으로 입력되고 상기 오차가 줄어들도록 신경망의 가중치들(즉, 모델)이 생성된다. 이렇게 생성된 모델은 기억장치에 저장된다. 이렇게 이미지 마다 모델이 생성되어 기억장치에 저장된다. According to the above description, when the operation of generating the model in the identification information generating apparatus 200 is specifically described, one image is input to the neural network and weights (ie, models) of the neural network are generated to reduce the error. . The model thus created is stored in storage. In this way, a model is created for each image and stored in storage.

도 6을 참조하면, 식별정보 생성장치(200)는 식별정보 생성 프로그램, 머신 러닝 프로그램, 운영체제, 통신부, 컴퓨터 프로세서, 기억장치(휘발성 및/또는 비휘발성 기억장치를 포함함), 및 기타 리소스(소프트웨어 및 하드웨어)를 포함할 수 있다. 여기서, 컴퓨터 프로세서와 기억장치, 운영체제, 식별정보 생성 프로그램, 통신부, 및 기타 리소스는 서로 동작적으로(operatively) 연결되어 있고 이들에 대한 상세한 설명은 도 3과 도 4를 참조하여 설명한 실시예를 참조하기 바란다.Referring to FIG. 6, the identification information generation device 200 includes an identification information generation program, a machine learning program, an operating system, a communication unit, a computer processor, a storage device (including volatile and/or nonvolatile storage devices), and other resources ( Software and hardware). Here, the computer processor and the storage device, the operating system, the identification information generation program, the communication unit, and other resources are operatively connected to each other (operatively) and for a detailed description of these, refer to the embodiments described with reference to FIGS. 3 and 4. Please do.

식별정보 생성 프로그램은 컴퓨터 프로세서의 제어하에 메모리와 같은 기억장치에 로딩되어 식별정보를 생성하는 동작을 수행한다. The identification information generation program is loaded into a storage device such as a memory under the control of a computer processor and performs an operation of generating identification information.

도 6 및 도 7을 참조하여 설명할 실시예(이하, '제2실시예'라고 함)와, 도 3 및 도 4를 참조하여 설명할 실시예(이하, '제1실시예'라고 함)의 차이점을 비교하면, 제2실시예는 머신 러닝 프로그램을 더 포함하고 있고, 이러한 머신 러닝 프로그램을 학습시켜 입력 이미지 마다 모델을 생성한다는 점에서 차이가 있다. 이하에서는, 이러한 차이점을 위주로 제2실시예를 설명하기로 한다.Embodiments to be described with reference to FIGS. 6 and 7 (hereinafter referred to as'second embodiment') and embodiments to be described with reference to FIGS. 3 and 4 (hereinafter referred to as'first embodiment') When comparing the differences, the second embodiment further includes a machine learning program, and there is a difference in that a model is generated for each input image by learning such a machine learning program. Hereinafter, the second embodiment will be described based on these differences.

제2실시예에서, 기억장치(메모리 포함)에 로딩된 머신 러닝 프로그램은 입력 이미지 파일을 구성하는 이미지 데이터에 의해 학습되고, 그러한 학습에 의해 입력 이미지 파일에 대한 모델을 생성한다.In the second embodiment, the machine learning program loaded in the storage device (including memory) is trained by image data constituting the input image file, and by such training, a model for the input image file is generated.

제2실시예에 따르면, 머신 러닝 프로그램은 입력 이미지마다 모델을 생성하는 동작을 수행한다. 즉, 머신 러닝 프로그램은 이미지 파일을 수신할 때마다 그러한 이미지 파일에 의해 학습되고, 그러한 학습 결과로서 모델을 생성한다. 따라서, 식별정보를 생성하고자 하는 이미지 파일의 갯수 만큼 모델이 만들어지게 된다.According to the second embodiment, the machine learning program performs an operation of generating a model for each input image. That is, a machine learning program is trained by such an image file whenever it receives an image file, and generates a model as a result of such training. Therefore, the model is created as many as the number of image files for generating identification information.

제2실시예에 따르면, 머신 러닝 프로그램이 학습되고 모델을 생성하는 과정은 도 9를 참조하여 설명한 방법에 의해 구현될 수 있다. 도 9를 참조하여 설명한 모델을 생성하는 방법은 예시적인 것으로서 본원 발명의 권리범위가 그러한 방법에만 한정되는 것이 아님을 당업자는 쉽게 이해할 수 있을 것이다.According to the second embodiment, the process of learning the machine learning program and generating the model may be implemented by the method described with reference to FIG. 9. The method of generating the model described with reference to FIG. 9 is exemplary and those skilled in the art will readily understand that the scope of the present invention is not limited to such a method.

이상과 같이 도 6과 도 7을 참조하여 설명한 실시예에서 설명되지 않은 구성요소들에 대한 설명은, 도 3과 도 4를 참조하여 설명한 실시예에서 동일한 명칭이 부여된 구성요소들에 대한 설명을 참조하기 바란다.As described above, descriptions of components not described in the embodiment described with reference to FIGS. 6 and 7 will be described with reference to components having the same name in the embodiment described with reference to FIGS. 3 and 4. Please refer.

도 8은 본 발명의 다른 실시예에 따른 이미지 식별정보 생성 방법을 설명하기 위한 도면이다. 8 is a view for explaining a method of generating image identification information according to another embodiment of the present invention.

본 발명의 다른 실시예에 따른 이미지 식별정보 생성 방법은 예를 들면 도 6, 도 7, 및 도 9를 참조하여 설명한 딥 러닝 기반 권리 이미지 관리 시스템에 의해 구현될 수 있다. The method for generating image identification information according to another embodiment of the present invention may be implemented by a deep learning-based rights image management system described with reference to FIGS. 6, 7, and 9, for example.

도 8을 다시 참조하면, 본 이미지 식별정보 생성 방법은Referring back to FIG. 8, the method for generating the image identification information

식별정보를 생성할 이미지 파일을 수신하는 단계(S201), 제1해쉬함수가 식별정보를 생성할 입력 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서, 제1해쉬값을 생성하는 단계(S203), 입력 이미지 파일을 다른 이미지 파일 - 변환 이미지 파일-로 변환하는 단계(S207), 제2해쉬함수가 변환 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서 제2해쉬값을 생성하는 단계(S209), 제3해쉬함수가 식별정보를 생성할 입력 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서, 제3해쉬값을 생성하는 단계(S205), 제4해쉬함수가 변환 이미지 파일을 구성하는 이미지 데이터의 적어도 일부를 입력으로 받아서 제4해쉬값을 생성하는 단계(S211), 및 제1해쉬값, 제2해쉬값, 제3해쉬값, 및 제4해쉬값을 이용하여 입력 이미지 파일의 식별정보 - 이미지 식별 정보 - 를 생성하는 단계(S213), 식별정보를 생성할 이미지 파일과 식별정보를 매핑하는 저장하는 단계(S215), 입력 이미지 파일을 입력받아 머신 러닝 프로그램이 기계학습을 수행하여 입력 이미지 파일마다 모델을 생성하는 단계(S202), S202 단계의 수행결과 입력 이미지 파일마다 생성된 모델을 저장하는 단계(S204);를 포함할 수 있다. A step (S201) of receiving an image file to generate identification information, a step of generating a first hash value by receiving at least a part of image data constituting an input image file for generating identification information as input (S201) S203), converting the input image file to another image file-a converted image file (S207), and generating a second hash value by receiving at least a portion of the image data constituting the converted image file as input. Step (S209), the third hash function receives at least a portion of the image data constituting the input image file for generating the identification information, and generates a third hash value (S205), the fourth hash function is a converted image A step of generating a fourth hash value by receiving at least a part of the image data constituting the file (S211), and inputting the first hash value, the second hash value, the third hash value, and the fourth hash value Image file identification information-image identification information-generating step (S213), mapping the image file to generate identification information and storing the identification information (S215), receiving the input image file, machine learning program machine learning It may include a step of generating a model for each input image file by performing (S202), and storing the generated model for each input image file as a result of step S202 (S204).

여기서, S215 단계는 S213 단계 이후에 수행되고, S213 단계는 S203 단계, S205 단계, S209 단계, 및 S211 단계 이후에 수행되고, S203 단계와 S205 단계는 S201 단계 이후에 수행되며, S209 단계와 S211 단계는 S207 단계 이후에 수행되며, S207 단계는 S201 단계 이후에 수행되며, S204 단계는 S202 단계 이후에 수행된다.Here, step S215 is performed after step S213, step S213 is performed after step S203, step S205, step S209, and step S211, steps S203 and step S205 are performed after step S201, and steps S209 and S211 Is performed after step S207, step S207 is performed after step S201, and step S204 is performed after step S202.

한편, 여기서, S203 단계와 S205 단계는 선후가 없고, S209 단계와 S211 단계는 선후가 없고, S203 단계와 S207 단계는 선후가 없고, S205 단계와 S207 단계는 선후가 없다. 또한, S202 단계 및 S204 단계는 S203 단계, S205 단계, S207 단계, S209 단계, S211 단계, S213 단계, 및 S215 단계와는 선후가 없다.On the other hand, here, steps S203 and S205 have no leading, steps S209 and S211 have no leading, steps S203 and S207 have no leading, and steps S205 and S207 have no leading. In addition, steps S202 and S204 have no precedence from steps S203, S205, S207, S209, S211, S213, and S215.

도 8을 참조하여 설명한 이미지 식별정보 생성 방법은 컴퓨터 프로세서와 메모리를 포함한 컴퓨터에 의해 구현될 수 있다. The method of generating image identification information described with reference to FIG. 8 may be implemented by a computer including a computer processor and memory.

이와 같이 본 발명은 기재된 실시예에 한정되는 것이 아니고, 본 발명의 사상 및 범위를 벗어나지 않고 다양하게 수정 및 변형할 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명하다. 따라서 그러한 수정예 또는 변형예들은 본 발명의 특허청구범위에 속한다 하여야 할 것이다.As described above, the present invention is not limited to the described embodiments, and it is obvious to those skilled in the art that various modifications and modifications can be made without departing from the spirit and scope of the present invention. Therefore, such modifications or variations will have to belong to the claims of the present invention.

1000: 딥 러닝 기반 권리 이미지 관리 시스템
2000: 웹 사이트 이미지 추출부
3000: 이미지 식별정보 생성장치
4000: 비교부
5000: 권리 확인부1000: deep learning based rights image management system
2000: Web site image extractor
3000: image identification information generating device
4000: comparison section
5000: right confirmation unit

Claims (7)

웹 사이트에 포함된 이미지들을 추출하는 웹 사이트 이미지 추출부;
상기 웹 사이트 이미지 추출부에 의해 추출된 이미지에 대한 이미지 식별 정보를 생성하는 이미지 식별정보 생성장치;
상기 이미지 식별정보 생성장치에 의해 생성된 이미지 식별정보와 기 저장된 이미지 식별정보를 비교하는 비교부; 및
상기 비교부의 비교 결과에 기초하여, 웹 사이트에 포함된 이미지가 권리가 있는지 여부를 판단하는 권리 확인부;를 포함하며,
상기 기 저장된 이미지 식별정보는 상기 이미지 식별정보 생성장치와 동일한 방식으로 생성되어 저장된 것인, 웹 사이트에 대한 이미지 권리 확인 감사 시스템.A website image extraction unit for extracting images included in the website;
An image identification information generating device for generating image identification information for the image extracted by the website image extraction unit;
A comparison unit comparing the image identification information generated by the image identification information generation device with pre-stored image identification information; And
Includes; on the basis of the comparison result of the comparison unit, the right confirmation unit to determine whether the image included in the website has the right;
The pre-stored image identification information is generated and stored in the same way as the image identification information generating device, the image rights verification audit system for a website. 제1항에 있어서,
권리 이미지에 대하여 이미지 식별정보를 생성하고, 권리 이미지와 이미지 식별정보를 매핑시켜 저장하는 딥 러닝 권리 이미지 관리 시스템;을 더 포함하며,
상기 비교부는 상기 딥 러닝 권리 이미지 관리 시스템에 의해 생성되어 저장된 이미지 식별정보와 상기 이미지 식별정보 생성장치에 의해 생성된 이미지 식별정보를 비교하는 것인, 웹 사이트에 대한 이미지 권리 확인 감사 시스템.According to claim 1,
Further comprising: a deep learning right image management system that generates image identification information for the right image and maps and stores the right image and the image identification information;
The comparison unit compares the image identification information generated and stored by the deep learning right image management system with the image identification information generated by the image identification information generating apparatus, an image right verification audit system for a website. 제2항에 있어서,
상기 딥 러닝 권리 이미지 관리 시스템은
권리 이미지를 구성하는 이미지 데이터의 적어도 일부를 제1해쉬함수에 입력하여 제1해쉬값을 생성하는 동작, 상기 권리 이미지를 다른 이미지 - 변환 이미지-로 변환하는 동작, 상기 변환 이미지를 구성하는 이미지 데이터의 적어도 일부를 제2해쉬함수에 입력하여 제2해쉬값을 생성하는 동작, 및 상기 제1해쉬값과 제2해쉬값을 이용하여 상기 권리 이미지의 식별정보 - 이미지 식별 정보 - 를 생성하는 동작을 수행하는 것인, 웹 사이트에 대한 이미지 권리 확인 감사 시스템.According to claim 2,
The deep learning rights image management system
Generating a first hash value by inputting at least a part of the image data constituting the right image into a first hash function, converting the right image into another image-a converted image-and image data constituting the converted image Generating a second hash value by inputting at least a portion of a second hash function, and generating an identification information-image identification information-of the right image using the first hash value and the second hash value An image rights verification audit system for a website, which is to be done. 제3항에 있어서,
상기 딥 러닝 권리 이미지 관리 시스템은, 또한, 상기 권리 이미지를 구성하는 이미지 데이터의 적어도 일부를 제3해쉬함수에 입력하여, 제3해쉬값을 생성하는 동작을 수행하며,
상기 딥 러닝 권리 이미지 관리 시스템이 상기 이미지 식별 정보를 생성하는 동작은, 제1해쉬값, 제2해쉬값, 및 제3해쉬값을 이용하여 이미지 식별 정보를 생성하는 것인, 웹 사이트에 대한 이미지 권리 확인 감사 시스템.According to claim 3,
The deep learning right image management system also performs an operation of inputting at least a part of image data constituting the right image into a third hash function and generating a third hash value,
The operation of the deep learning rights image management system to generate the image identification information is to generate image identification information using a first hash value, a second hash value, and a third hash value. Rights verification audit system. 제4항에 있어서,
상기 딥 러닝 권리 이미지 관리 시스템은, 또한, 상기 변환 이미지를 구성하는 이미지 데이터의 적어도 일부를 제4해쉬함수에 입력하여 제4해쉬값을 생성하는 동작을 수행하며,
상기 딥 러닝 권리 이미지 관리 시스템이 상기 이미지 식별 정보를 생성하는 동작은, 제1해쉬값, 제2해쉬값, 제3해쉬값, 및 제4해쉬값을 이용하여 이미지 식별 정보를 생성하는 것인, 웹 사이트에 대한 이미지 권리 확인 감사 시스템.According to claim 4,
The deep learning rights image management system also performs an operation of generating a fourth hash value by inputting at least a part of image data constituting the converted image into a fourth hash function,
The operation of the deep learning rights image management system to generate the image identification information is to generate image identification information using a first hash value, a second hash value, a third hash value, and a fourth hash value, Image rights verification audit system for websites. 제2항 내지 제5항 중 어느 하나의 항에 있어서,
상기 딥 러닝 권리 이미지 관리 시스템은
상기 권리 이미지를 구성하는 이미지 데이터를 입력받아서, 상기 권리 이미지에 대한 모델을 생성하는 동작을 수행하며, 상기 모델을 생성하는 동작은 권리 이미지마다 모델을 생성하는 것인, 웹 사이트에 대한 이미지 권리 확인 감사 시스템.The method according to any one of claims 2 to 5,
The deep learning rights image management system
Receive image data constituting the right image, perform an operation for generating a model for the right image, and the operation for generating the model is to generate a model for each right image, checking image rights for a website Audit system. 제6항에 있어서,
상기 딥 러닝 권리 이미지 관리 시스템은
상기 권리 이미지와 상기 권리 이미지의 식별정보를 서로 매핑시켜서 저장하는 동작을 수행하는 것인, 웹 사이트에 대한 이미지 권리 확인 감사 시스템.The method of claim 6,
The deep learning rights image management system
An image rights verification audit system for a web site that performs an operation of mapping and storing the right image and the identification information of the right image.
KR1020180173398A 2018-12-31 2018-12-31 Inspection system and method for right identification of images in website KR102270607B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180173398A KR102270607B1 (en) 2018-12-31 2018-12-31 Inspection system and method for right identification of images in website

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180173398A KR102270607B1 (en) 2018-12-31 2018-12-31 Inspection system and method for right identification of images in website

Publications (2)

Publication Number Publication Date
KR20200087333A true KR20200087333A (en) 2020-07-21
KR102270607B1 KR102270607B1 (en) 2021-06-30

Family

ID=71832595

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180173398A KR102270607B1 (en) 2018-12-31 2018-12-31 Inspection system and method for right identification of images in website

Country Status (1)

Country Link
KR (1) KR102270607B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230075950A (en) * 2021-11-23 2023-05-31 (주)닥터소프트 Cloud service usage detection method based on image analysis and server performing the same

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100889026B1 (en) * 2008-07-22 2009-03-17 김정태 Searching system using image
KR101690264B1 (en) 2010-10-15 2017-01-09 에스케이플래닛 주식회사 Method for multi code cognition and system
KR101710050B1 (en) 2014-10-30 2017-02-24 밍 추이 Image identification systems and method
KR20180122438A (en) * 2016-03-21 2018-11-12 페이스북, 인크. System and method for identifying matching content

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100889026B1 (en) * 2008-07-22 2009-03-17 김정태 Searching system using image
KR101690264B1 (en) 2010-10-15 2017-01-09 에스케이플래닛 주식회사 Method for multi code cognition and system
KR101710050B1 (en) 2014-10-30 2017-02-24 밍 추이 Image identification systems and method
KR20180122438A (en) * 2016-03-21 2018-11-12 페이스북, 인크. System and method for identifying matching content

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230075950A (en) * 2021-11-23 2023-05-31 (주)닥터소프트 Cloud service usage detection method based on image analysis and server performing the same

Also Published As

Publication number Publication date
KR102270607B1 (en) 2021-06-30

Similar Documents

Publication Publication Date Title
WO2022105122A1 (en) Answer generation method and apparatus based on artificial intelligence, and computer device and medium
WO2021093643A1 (en) Copyright authentication method, device, apparatus and system and computer readable storage medium
CN111886842B (en) Remote user authentication using threshold-based matching
CN112613501A (en) Information auditing classification model construction method and information auditing method
RU2708356C1 (en) System and method for two-stage classification of files
CN107291775B (en) Method and device for generating repairing linguistic data of error sample
CN112464117A (en) Request processing method and device, computer equipment and storage medium
CN109389098B (en) Verification method and system based on lip language identification
CN113268768B (en) Desensitization method, device, equipment and medium for sensitive data
CN105956469A (en) Method and device for identifying file security
CN110598070A (en) Application type identification method and device, server and storage medium
CN101641721A (en) Biometric matching method and apparatus
CN112417887B (en) Sensitive word and sentence recognition model processing method and related equipment thereof
CN110858353B (en) Method and system for obtaining case judge result
KR102270607B1 (en) Inspection system and method for right identification of images in website
US20230289735A1 (en) Apparatus and methods for screening users
US20230289734A1 (en) Apparatus and methods for creating a video record
KR102424943B1 (en) Image identification system using multi point hash values
CN113705559B (en) Character recognition method and device based on artificial intelligence and electronic equipment
CN111597453B (en) User image drawing method, device, computer equipment and computer readable storage medium
KR101998200B1 (en) Same images identification information generation system
US20210319184A1 (en) Recognition of sensitive terms in textual content using a relationship graph of the entire code and artificial intelligence on a subset of the code
KR102221711B1 (en) X-ray INSPECTION SYSTEM BY X-ray IMAGE OPTIMIZATION
CN113297488A (en) Data processing method and system based on big data and artificial intelligence
KR102443200B1 (en) New image generation system and method based on compositeness of legally identified images

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant