KR20240080109A - Method and system for collecting learning data for artificial intelligence model based on virtual simulation environment - Google Patents

Method and system for collecting learning data for artificial intelligence model based on virtual simulation environment Download PDF

Info

Publication number
KR20240080109A
KR20240080109A KR1020230131127A KR20230131127A KR20240080109A KR 20240080109 A KR20240080109 A KR 20240080109A KR 1020230131127 A KR1020230131127 A KR 1020230131127A KR 20230131127 A KR20230131127 A KR 20230131127A KR 20240080109 A KR20240080109 A KR 20240080109A
Authority
KR
South Korea
Prior art keywords
artificial intelligence
learning data
image
intelligence model
data
Prior art date
Application number
KR1020230131127A
Other languages
Korean (ko)
Other versions
KR102686489B1 (en
Inventor
김용수
이동진
김희수
Original Assignee
주식회사 스마트엠투엠
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 스마트엠투엠 filed Critical 주식회사 스마트엠투엠
Publication of KR20240080109A publication Critical patent/KR20240080109A/en
Application granted granted Critical
Publication of KR102686489B1 publication Critical patent/KR102686489B1/en

Links

Images

Classifications

    • 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
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • 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
    • G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

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

Abstract

본 개시는 적어도 하나의 프로세서에 의해 수행되는, 가상 시뮬레이션 환경 기반의 인공지능 모델 학습 데이터 수집 방법에 관한 것이다. 인공지능 모델 학습 데이터 수집 방법은 가상 시뮬레이션 환경에 기초하여 생성된 인공지능 모델의 학습 데이터를 수신하는 단계, 학습 데이터를 라벨링하는 단계 및 라벨링된 학습 데이터를 데이터베이스에 저장하는 단계를 포함한다.The present disclosure relates to a method of collecting artificial intelligence model learning data based on a virtual simulation environment, performed by at least one processor. The artificial intelligence model learning data collection method includes receiving learning data of an artificial intelligence model created based on a virtual simulation environment, labeling the learning data, and storing the labeled learning data in a database.

Description

가상 시뮬레이션 환경 기반의 인공지능 모델 학습 데이터 수집 방법 및 시스템{METHOD AND SYSTEM FOR COLLECTING LEARNING DATA FOR ARTIFICIAL INTELLIGENCE MODEL BASED ON VIRTUAL SIMULATION ENVIRONMENT}Artificial intelligence model learning data collection method and system based on a virtual simulation environment {METHOD AND SYSTEM FOR COLLECTING LEARNING DATA FOR ARTIFICIAL INTELLIGENCE MODEL BASED ON VIRTUAL SIMULATION ENVIRONMENT}

본 개시는 가상 시뮬레이션 환경을 기반으로 인공지능 모델의 학습 데이터를 수집하는 방법 및 시스템에 관한 것으로, 구체적으로 가상 시뮬레이션 환경에 기초하여 생성된 인공지능 모델의 학습 데이터를 수신하고, 이를 라벨링하여 데이터베이스에 저장하는 방법 및 시스템에 관한 것이다.The present disclosure relates to a method and system for collecting training data of an artificial intelligence model based on a virtual simulation environment. Specifically, the training data of the artificial intelligence model created based on the virtual simulation environment is received, labeled, and stored in a database. It relates to a storage method and system.

최근, 인공지능 모델의 발전에 따라 인공지능 모델의 학습을 위한 학습 데이터의 중요성이 높아지고 있다. 학습 데이터는 인공지능 모델의 성능 향상과 직결되기 때문에 학습 데이터 수집은 기계학습과 인공지능 분야에서 핵심적인 작업으로 간주되며, 학습 데이터의 양과 품질을 효과적으로 관리하는데 많은 노력이 이루어지고 있다.Recently, with the development of artificial intelligence models, the importance of learning data for learning artificial intelligence models is increasing. Because learning data is directly related to improving the performance of artificial intelligence models, collecting learning data is considered a core task in the field of machine learning and artificial intelligence, and much effort is being made to effectively manage the quantity and quality of learning data.

한편, 인공지능 모델의 일반화 성능을 개선하고 오동작, 오류, 장애 또는 외부 공격으로부터 인공지능 모델이 강건성을 확보하기 위해서는 다양한 데이터를 학습 데이터로 이용하는 것이 필요하다. 그럼에도, 종래 학습 데이터 수집 기술은 특정 문제의 해답을 얻기 위한 실제 현실의 데이터만을 학습 데이터로 수집함으로써 일반화 성능 및 강건성 개선을 위한 다양한 데이터를 수집하기 어렵다는 문제가 있다.Meanwhile, in order to improve the generalization performance of artificial intelligence models and ensure the robustness of artificial intelligence models against malfunctions, errors, failures, or external attacks, it is necessary to use various data as learning data. Nevertheless, the conventional learning data collection technology collects only real-world data as learning data to obtain answers to specific problems, making it difficult to collect various data to improve generalization performance and robustness.

본 개시는 상기와 같은 문제를 해결하기 위한 가상 시뮬레이션 환경 기반의 인공지능 모델 학습 데이터 수집 방법, 기록 매체에 저장된 컴퓨터 프로그램 및 시스템(장치)을 제공한다.The present disclosure provides a method for collecting artificial intelligence model learning data based on a virtual simulation environment, a computer program stored in a recording medium, and a system (device) to solve the above problems.

본 개시는 방법, 시스템(장치) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.The present disclosure may be implemented in various ways, including as a method, system (device), or computer program stored in a readable storage medium.

본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 가상 시뮬레이션 환경 기반의 인공지능 모델 학습 데이터 수집 방법은 가상 시뮬레이션 환경에 기초하여 생성된 인공지능 모델의 학습 데이터를 수신하는 단계, 학습 데이터를 라벨링하는 단계 및 라벨링된 학습 데이터를 데이터베이스에 저장하는 단계를 포함한다.According to an embodiment of the present disclosure, a method of collecting artificial intelligence model learning data based on a virtual simulation environment, performed by at least one processor, includes receiving training data of an artificial intelligence model generated based on a virtual simulation environment; It includes labeling learning data and storing the labeled learning data in a database.

본 개시의 일 실시예에 따르면, 상기 인공지능 모델은 분류 모델(classification model) 또는 객체 탐지 모델(object detection model) 중 적어도 하나를 포함한다. According to an embodiment of the present disclosure, the artificial intelligence model includes at least one of a classification model or an object detection model.

본 개시의 일 실시예에 따르면, 가상 시뮬레이션 환경은 그래픽 엔진(graphic engine)에 의해 구현되고, 학습 데이터를 라벨링하는 단계는, 그래픽 엔진으로부터 제공된 레이블 데이터에 기초하여 학습 데이터를 라벨링하는 단계를 포함한다.According to one embodiment of the present disclosure, the virtual simulation environment is implemented by a graphics engine, and labeling the learning data includes labeling the learning data based on label data provided from the graphics engine. .

본 개시의 일 실시예에 따르면, 학습 데이터는 적대적 공격 데이터(adversarial attack data)를 포함한다. According to one embodiment of the present disclosure, the training data includes adversarial attack data.

본 개시의 일 실시예에 따르면, 적대적 공격 데이터는 가상 시뮬레이션 환경을 관리하는 가상 환경 시스템에 의해 생성되고, 가상 환경 시스템은, 뉴럴 렌더링 모델(neural rendering model)을 이용함으로써, 시뮬레이션 환경의 특정 객체에 대한 레퍼런스 이미지(reference image), 특정 객체에 대한 마스크 이미지(mask image) 및 적대적 텍스처(adversarial texture)에 기초하여 적대적 이미지(adversarial image)를 생성한다.According to an embodiment of the present disclosure, hostile attack data is generated by a virtual environment system that manages a virtual simulation environment, and the virtual environment system uses a neural rendering model to target specific objects in the simulation environment. An adversarial image is created based on a reference image for a specific object, a mask image for a specific object, and an adversarial texture.

본 개시의 일 실시예에 따르면, 가상 환경 시스템은, 마스크 이미지를 이용하여 레퍼런스 이미지로부터 마스킹된 레퍼런스 이미지를 추출하고, 적대적 텍스처를 3차원으로 매핑한 투사된 텍스처(projected texture)를 생성하고, 뉴럴 렌더링 모델을 이용하여 마스킹된 레퍼런스 이미지에 투사된 텍스처를 렌더링함으로써 마스킹된 적대적 이미지를 생성하고, 반전된 마스크 이미지를 이용하여 레퍼런스 이미지로부터 배경 이미지를 추출하고, 마스킹된 적대적 이미지 및 배경 이미지를 결합하여 상기 적대적 이미지를 생성한다.According to an embodiment of the present disclosure, the virtual environment system extracts a masked reference image from the reference image using a mask image, generates a projected texture that maps the adversarial texture in three dimensions, and neural Create a masked adversarial image by rendering the texture projected onto the masked reference image using a rendering model, extract a background image from the reference image using the inverted mask image, and combine the masked adversarial image and background image. Generate the hostile image.

본 개시의 일 실시예에 따르면, 투사된 텍스처는, 특정 객체에 대한 깊이 이미지(depth image)로부터 추출된 표면 좌표 및 표면 법선에 기초하여 적대적 텍스처를 3차원 매핑함으로써 생성된다.According to one embodiment of the present disclosure, the projected texture is created by three-dimensional mapping an adversarial texture based on surface coordinates and surface normals extracted from a depth image for a specific object.

본 개시의 일 실시예에 따르면, 가상 환경 시스템은, 적대적 이미지를 무작위로 변환하여 증강한다.According to an embodiment of the present disclosure, the virtual environment system randomly transforms and augments hostile images.

본 개시의 일 실시예에 따르면, 가상 환경 시스템은, 복수의 손실함수를 이용하여 적대적 텍스처를 개선한다.According to an embodiment of the present disclosure, a virtual environment system improves an adversarial texture using a plurality of loss functions.

본 개시의 일 실시예에 따르면, 복수의 손실함수는, 적대적 공격의 대상이 되는 인공지능 모델의 성능을 낮추도록 적대적 텍스처를 개선하기 위한 손실함수를 포함한다.According to an embodiment of the present disclosure, the plurality of loss functions include a loss function for improving an adversarial texture to lower the performance of an artificial intelligence model that is the target of an adversarial attack.

본 개시의 일 실시예에 따르면, 복수의 손실함수는, 적대적 텍스처의 평활도(smoothness)를 향상시키기 위한 손실함수를 포함한다.According to one embodiment of the present disclosure, the plurality of loss functions include a loss function for improving the smoothness of the adversarial texture.

본 개시의 일 실시예에 따르면, 복수의 손실함수는, 특정 객체의 인식도를 낮추도록 상기 적대적 텍스처를 개선하기 위한 손실함수를 포함한다.According to an embodiment of the present disclosure, the plurality of loss functions include a loss function for improving the adversarial texture to reduce recognition of a specific object.

본 개시의 일 실시예에 따르면, 학습 데이터는, 가상 시뮬레이션 환경의 특정 객체에 대한 이미지 데이터를 포함하고, 이미지 데이터는 상기 특정 객체에 대한 복수의 이미지 데이터 세트 각각으로부터 동일한 개수만큼 무작위로 선별된 데이터일 수 있다.According to an embodiment of the present disclosure, the learning data includes image data for a specific object in a virtual simulation environment, and the image data is data randomly selected in the same number from each of a plurality of image data sets for the specific object. It can be.

본 개시의 일 실시예에 따르면, 복수의 이미지 데이터 세트는, 가상 시뮬레이션 환경에 존재하는 복수의 가상 카메라에 의해 생성되고, 복수의 가상 카메라 각각은 상이한 카메라 파라미터가 설정된다.According to an embodiment of the present disclosure, a plurality of image data sets are generated by a plurality of virtual cameras existing in a virtual simulation environment, and each of the plurality of virtual cameras is set to different camera parameters.

본 개시의 일 실시예에 따르면, 학습 데이터는, 복수의 데이터 세트로 분할되고, 복수의 데이터 세트는, 학습 데이터 세트, 검증 데이터 세트 및 테스트 데이터 세트를 포함한다.According to an embodiment of the present disclosure, the training data is divided into a plurality of data sets, and the plurality of data sets include a learning data set, a verification data set, and a test data set.

본 개시의 일 실시예에 따른 상술한 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.In order to execute the above-described method according to an embodiment of the present disclosure on a computer, a computer program stored in a computer-readable recording medium is provided.

본 개시의 일 실시예에 따른 정보 처리 시스템은, 통신 모듈, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 가상 시뮬레이션 환경에 기초하여 생성된 인공지능 모델의 학습 데이터를 수신하고, 학습 데이터를 라벨링하고, 라벨링된 학습 데이터를 데이터베이스에 저장하기 위한 명령어들을 포함한다.An information processing system according to an embodiment of the present disclosure includes a communication module, a memory, and at least one processor connected to the memory and configured to execute at least one computer-readable program included in the memory, and at least one program Includes instructions for receiving training data of an artificial intelligence model created based on a virtual simulation environment, labeling the training data, and storing the labeled training data in a database.

본 개시의 다양한 실시예에 따르면, 가상 시뮬레이션 환경에 기초하여 생성된 인공지능 모델의 학습 데이터가 수집될 수 있다. 이에 따라, 다양한 케이스에 대한 대규모의 학습 데이터가 확보될 수 있다.According to various embodiments of the present disclosure, learning data of an artificial intelligence model created based on a virtual simulation environment may be collected. Accordingly, large-scale learning data for various cases can be secured.

본 개시의 다양한 실시예에 따르면, 학습 데이터는 가상 시뮬레이션 환경을 구현한 그래픽 엔진으로부터 제공된 레이블 데이터에 기초하여 라벨링될 수 있다. 이에 따라, 데이터 라벨링에 소요되는 비용이 절약될 수 있다.According to various embodiments of the present disclosure, learning data may be labeled based on label data provided from a graphics engine implementing a virtual simulation environment. Accordingly, the cost required for data labeling can be saved.

본 개시의 다양한 실시예에 따르면, 수집된 학습 데이터는 적대적 공격 데이터를 포함할 수 있다. 이에 따라, 인공지능 모델의 강건성을 개선할 수 있는 학습 데이터가 수집될 수 있다.According to various embodiments of the present disclosure, the collected training data may include adversarial attack data. Accordingly, learning data that can improve the robustness of the artificial intelligence model can be collected.

본 개시의 다양한 실시예에 따르면, 수집된 적대적 공격 데이터는 투사된 텍스처에 기초하여 생성될 수 있으며, 투사된 텍스처는 특정 객체에 대한 깊이 이미지로부터 추출된 표면 좌표 및 표면 법선에 기초하여 적대적 텍스처를 3차원 매핑함으로써 생성될 수 있다. 이에 따라, 텍스처가 렌더링될 객체에 독립적인 적대적 텍스처가 생성될 수 있다.According to various embodiments of the present disclosure, the collected adversarial attack data may be generated based on a projected texture, and the projected texture may generate an adversarial texture based on surface coordinates and surface normals extracted from a depth image for a specific object. It can be created by 3D mapping. Accordingly, an adversarial texture can be created that is independent of the object on which the texture is to be rendered.

본 개시의 다양한 실시예에 따르면, 적대적 공격 데이터는 무작위로 변환되어 증강될 수 있다. 이에 따라, 인공지능 모델의 강건성을 개선하기 위한 학습 데이터가 추가적으로 확보될 수 있다.According to various embodiments of the present disclosure, adversarial attack data may be randomly transformed and augmented. Accordingly, additional learning data can be secured to improve the robustness of the artificial intelligence model.

본 개시의 다양한 실시예에 따르면, 학습 데이터인 적대적 공격 데이터에 포함된 적대적 텍스처는 복수의 손실함수를 이용하여 개선될 수 있다. 이에 따라, 적대적 공격 데이터의 성능이 향상될 수 있으며, 향상된 성능의 적대적 공격 데이터에 의해 학습된 인공지능 모델의 강건성이 보다 개선될 수 있다.According to various embodiments of the present disclosure, the adversarial texture included in the adversarial attack data, which is training data, can be improved using a plurality of loss functions. Accordingly, the performance of adversarial attack data can be improved, and the robustness of the artificial intelligence model learned by adversarial attack data with improved performance can be further improved.

본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자(이하, '통상의 기술자'라 함)에게 명확하게 이해될 수 있을 것이다. The effects of the present disclosure are not limited to the effects mentioned above, and other effects not mentioned can be explained by those skilled in the art in the technical field to which this disclosure pertains from the description of the claims (hereinafter referred to as 'the person skilled in the art'). can be clearly understood.

본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따라 인공지능 모델의 학습 데이터가 라벨링되어 수집되는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 학습 데이터 수집 시스템의 내부 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 가상 환경 시스템의 내부 구성을 나타내는 도면이다.
도 4는 본 개시의 일 실시예에 따라 학습 데이터가 생성되는 예시를 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따라 학습 데이터가 생성되는 다른 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 수집된 학습 데이터가 활용되는 방법을 나타내는 흐름도이다.
도 7은 본 개시의 일 실시예에 따른 인공지능 모델의 강건성 개선 방법을 나타내는 흐름도이다.
도 8은 본 개시의 일 실시예에 따른 인공지능 모델 학습 데이터 수집 방법을 나타내는 흐름도이다.Embodiments of the present disclosure will be described with reference to the accompanying drawings described below, in which like reference numerals indicate like elements, but are not limited thereto.
Figure 1 is a diagram illustrating an example in which training data of an artificial intelligence model is labeled and collected according to an embodiment of the present disclosure.
Figure 2 is a block diagram showing the internal configuration of a learning data collection system according to an embodiment of the present disclosure.
Figure 3 is a diagram showing the internal configuration of a virtual environment system according to an embodiment of the present disclosure.
Figure 4 is a diagram illustrating an example in which learning data is generated according to an embodiment of the present disclosure.
FIG. 5 is a diagram illustrating another example in which learning data is generated according to an embodiment of the present disclosure.
Figure 6 is a flowchart showing how collected learning data is utilized according to an embodiment of the present disclosure.
Figure 7 is a flowchart showing a method for improving the robustness of an artificial intelligence model according to an embodiment of the present disclosure.
Figure 8 is a flowchart showing a method of collecting artificial intelligence model training data according to an embodiment of the present disclosure.

이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.Hereinafter, specific details for implementing the present disclosure will be described in detail with reference to the attached drawings. However, in the following description, detailed descriptions of well-known functions or configurations will be omitted if there is a risk of unnecessarily obscuring the gist of the present disclosure.

첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.In the accompanying drawings, identical or corresponding components are given the same reference numerals. Additionally, in the description of the following embodiments, overlapping descriptions of identical or corresponding components may be omitted. However, even if descriptions of components are omitted, it is not intended that such components are not included in any embodiment.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.Advantages and features of the disclosed embodiments and methods for achieving them will become clear by referring to the embodiments described below in conjunction with the accompanying drawings. However, the present disclosure is not limited to the embodiments disclosed below and may be implemented in various different forms. The present embodiments are merely provided to ensure that the present disclosure is complete and that the present disclosure does not convey the scope of the invention to those skilled in the art. It is provided only for complete information.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 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 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.Terms used in this specification will be briefly described, and the disclosed embodiments will be described in detail. The terms used in this specification are general terms that are currently widely used as much as possible while considering the functions in the present disclosure, but this may vary depending on the intention or precedent of a technician working in the related field, the emergence of new technology, etc. In addition, in certain cases, there are terms arbitrarily selected by the applicant, and in this case, the meaning will be described in detail in the description of the relevant invention. Accordingly, the terms used in this disclosure should be defined based on the meaning of the term and the overall content of the present disclosure, rather than simply the name of the term.

본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.In this specification, singular expressions include plural expressions, unless the context clearly specifies the singular. Additionally, plural expressions include singular expressions, unless the context clearly specifies plural expressions. When it is said that a certain part includes a certain element throughout the specification, this does not mean excluding other elements, but may further include other elements, unless specifically stated to the contrary.

또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.Additionally, the term 'module' or 'unit' used in the specification refers to a software or hardware component, and the 'module' or 'unit' performs certain roles. However, 'module' or 'unit' is not limited to software or hardware. A 'module' or 'unit' may be configured to reside on an addressable storage medium and may be configured to run on one or more processors. Thus, as an example, a 'module' or 'part' refers to components such as software components, object-oriented software components, class components and task components, processes, functions and properties. , procedures, subroutines, segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, or variables. Components and 'modules' or 'parts' may be combined into smaller components and 'modules' or 'parts' or further components and 'modules' or 'parts'. Could be further separated.

본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.According to an embodiment of the present disclosure, a 'module' or 'unit' may be implemented with a processor and memory. 'Processor' should be interpreted broadly to include general-purpose processors, central processing units (CPUs), microprocessors, digital signal processors (DSPs), controllers, microcontrollers, state machines, etc. In some contexts, 'processor' may refer to an application-specific integrated circuit (ASIC), programmable logic device (PLD), field programmable gate array (FPGA), etc. 'Processor' refers to a combination of processing devices, for example, a combination of a DSP and a microprocessor, a combination of a plurality of microprocessors, a combination of one or more microprocessors in combination with a DSP core, or any other such combination of configurations. You may. Additionally, 'memory' should be interpreted broadly to include any electronic component capable of storing electronic information. 'Memory' refers to random access memory (RAM), read-only memory (ROM), non-volatile random access memory (NVRAM), programmable read-only memory (PROM), erasable-programmable read-only memory (EPROM), May also refer to various types of processor-readable media, such as electrically erasable PROM (EEPROM), flash memory, magnetic or optical data storage, registers, etc. A memory is said to be in electronic communication with a processor if the processor can read information from and/or write information to the memory. The memory integrated into the processor is in electronic communication with the processor.

본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다. 예를 들어, 복수의 이미지 데이터 세트 각각은, 복수의 이미지 데이터 세트에 속한 모든 이미지 데이터 세트의 각각을 지칭하거나 복수의 이미지 데이터 세트에 포함된 일부 이미지 데이터 세트의 각각을 지칭할 수 있다. In the present disclosure, 'each of a plurality of A' or 'each of a plurality of A' may refer to each of all components included in a plurality of A, or may refer to each of some components included in a plurality of A. . For example, each of the plurality of image data sets may refer to each of all image data sets belonging to the plurality of image data sets or each of some image data sets included in the plurality of image data sets.

본 개시에서, '가상 시뮬레이션 환경'은 현실의 상황, 환경 또는 상호 작용을 컴퓨터 소프트웨어를 사용하여 시뮬레이션하는 가상 혹은 디지털 환경을 지칭할 수 있다.In this disclosure, 'virtual simulation environment' may refer to a virtual or digital environment that simulates real-life situations, environments, or interactions using computer software.

본 개시에서, '적대적 공격 데이터(adversarial attack data)'는 인공지능 모델의 오류를 유발시키기 위한 악의적인 의도로 조작된 데이터를 지칭할 수 있다. '적대적 공격 데이터'는 인공지능 모델의 안전성과 신뢰성을 향상시키기 위한 보안 관련된 연구 분야에서 주요 관심사 중 하나이며, 인공지능 모델의 강건성 개선에 활용될 수 있다. 예를 들어, '적대적 공격 데이터'는 교란(perturbation), 패치(patch) 또는 패턴(pattern)이 적용된 이미지인 적대적 이미지(adversarial image)를 포함할 수 있다.In the present disclosure, 'adversarial attack data' may refer to data manipulated with malicious intent to cause an error in an artificial intelligence model. 'Adversarial attack data' is one of the major interests in the field of security-related research to improve the safety and reliability of artificial intelligence models, and can be used to improve the robustness of artificial intelligence models. For example, 'adversarial attack data' may include an adversarial image, which is an image to which a perturbation, patch, or pattern has been applied.

도 1은 본 개시의 일 실시예에 따라 인공지능 모델의 학습 데이터(114)가 라벨링되어 수집되는 예시를 나타내는 도면이다. 도 1에 도시된 바와 같이, 인공지능 모델의 학습 데이터는 가상 환경 시스템(110), 학습 데이터 수집 시스템(120) 및 학습 데이터 데이터베이스(130) 사이의 상호작용을 통해 수집될 수 있다.Figure 1 is a diagram illustrating an example in which training data 114 of an artificial intelligence model is labeled and collected according to an embodiment of the present disclosure. As shown in FIG. 1, training data for an artificial intelligence model may be collected through interaction between the virtual environment system 110, the learning data collection system 120, and the learning data database 130.

일 실시예에 따르면, 학습 데이터 수집 시스템(120)은 가상 환경 시스템(110)으로부터 인공지능 모델의 학습 데이터(114)를 수신할 수 있다. 학습 데이터(114)는 가상 시뮬레이션 환경(112)에 기초하여 생성될 수 있다. 가상 시뮬레이션 환경(112)은 가상 환경 시스템(110)에 의해 관리될 수 있다. 또한, 인공지능 모델의 학습 데이터(114)의 일 종류로서 적대적 공격 데이터가 수집될 수 있다. 학습 데이터 수집 시스템(120)은 일반 학습 데이터와 적대적 공격 데이터를 병행하여 수신할 수 있다. According to one embodiment, the learning data collection system 120 may receive the learning data 114 of the artificial intelligence model from the virtual environment system 110. Training data 114 may be generated based on virtual simulation environment 112. Virtual simulation environment 112 may be managed by virtual environment system 110. Additionally, hostile attack data may be collected as a type of training data 114 for an artificial intelligence model. The learning data collection system 120 can receive general learning data and hostile attack data in parallel.

일 실시예에 따르면, 학습 데이터인 적대적 공격 데이터는 가상 환경 시스템(110)에 의해 생성될 수 있다. 가상 환경 시스템(110)은 뉴럴 렌더링 모델(neural rendering model)을 이용함으로써, 가상 시뮬레이션 환경(112)의 특정 객체(예: 자동차 등)에 대한 레퍼런스 이미지(reference image), 특정 객체에 대한 마스크 이미지(mask image) 및 적대적 텍스처(adversarial texture)에 기초하여 적대적 공격 데이터의 일종인 적대적 이미지를 생성할 수 있다. 가상 환경 시스템(110)의 내부 구성 및 적대적 이미지 생성에 대한 세부적인 내용은 도 3 및 도 4를 참조하여 후술된다.According to one embodiment, hostile attack data, which is training data, may be generated by the virtual environment system 110. The virtual environment system 110 uses a neural rendering model to create a reference image for a specific object (e.g., a car, etc.) of the virtual simulation environment 112 and a mask image for the specific object ( An adversarial image, a type of adversarial attack data, can be generated based on the mask image and adversarial texture. Details on the internal configuration of the virtual environment system 110 and the generation of hostile images will be described later with reference to FIGS. 3 and 4.

일 실시예에 따르면, 학습 데이터(114)는 가상 시뮬레이션 환경의 특정 객체에 대한 이미지 데이터를 포함할 수 있다. 이 경우, 이미지 데이터는 특정 객체에 대한 복수의 이미지 데이터 세트 각각으로부터 무작위로 선별된 데이터일 수 있다. 이에 대한 세부적인 내용은 도 5를 참조하여 후술된다.According to one embodiment, the training data 114 may include image data for a specific object in a virtual simulation environment. In this case, the image data may be data randomly selected from each of a plurality of image data sets for a specific object. Details about this will be described later with reference to FIG. 5 .

일 실시예에 따르면, 학습 데이터 수집 시스템(120)은 수신된 학습 데이터(114)를 라벨링할 수 있다. 이 경우, 학습 데이터를 라벨링하기 위한 레이블 데이터(116)는 가상 시뮬레이션 환경(112)을 구현하는 가상 환경 시스템(110)의 그래픽 엔진(graphic engine)에 의해 제공될 수 있다. According to one embodiment, training data collection system 120 may label received training data 114. In this case, label data 116 for labeling the learning data may be provided by a graphics engine of the virtual environment system 110 that implements the virtual simulation environment 112.

일 실시예에 따르면, 학습 데이터 수집 시스템(120)은 라벨링된 학습 데이터(122)를 학습 데이터 데이터베이스(130)에 저장할 수 있다. 학습 데이터 데이터베이스(130)에 저장된 라벨링된 학습 데이터(122)는 추후 인공지능 모델을 학습시킬 때 가져올 수 있으며, 복수의 데이터 세트로 분할되어 학습 과정에서 이용될 수 있다. 또한, 라벨링된 학습 데이터(122) 중 적대적 공격 데이터는 인공지능 모델의 강건성 개선에 이용될 수 있다. 이에 대한 세부적인 내용은 도 6 및 도 7을 참조하여 후술된다. According to one embodiment, the learning data collection system 120 may store labeled learning data 122 in the learning data database 130. The labeled learning data 122 stored in the learning data database 130 can be imported later when training an artificial intelligence model, and can be divided into a plurality of data sets and used in the learning process. Additionally, hostile attack data among the labeled learning data 122 can be used to improve the robustness of the artificial intelligence model. Details about this will be described later with reference to FIGS. 6 and 7 .

일 실시예에 따르면, 학습 데이터가 활용될 인공지능 모델은 영상 분석 인공지능 모델일 수 있으며, 분류 모델(classification model) 또는 객체 탐지 모델(object detection model) 중 적어도 하나를 포함할 수 있다. 분류 모델은 이미지가 어떤 클래스에 속하는지 분류하는 모델을 지칭할 수 있다. 객체 탐지 모델은 이미지 안의 객체가 어떤 클래스에 속하는지 분류하고, 객체의 위치를 바운딩 박스 좌표 형태로 탐지하는 모델을 지칭할 수 있다.According to one embodiment, the artificial intelligence model for which learning data will be used may be an image analysis artificial intelligence model and may include at least one of a classification model or an object detection model. A classification model may refer to a model that classifies which class an image belongs to. An object detection model may refer to a model that classifies which class an object in an image belongs to and detects the location of the object in the form of bounding box coordinates.

상술한 구성과 같이, 가상 시뮬레이션 환경(112)에 기초하여 생성된 인공지능 모델의 학습 데이터(114)가 수집될 수 있다. 이에 따라, 다양한 케이스에 대한 대규모의 학습 데이터가 확보될 수 있다. 또한, 학습 데이터(114)는 가상 시뮬레이션 환경(112)을 구현한 그래픽 엔진으로부터 제공된 레이블 데이터(116)에 기초하여 라벨링될 수 있다. 이에 따라, 데이터 라벨링에 소요되는 비용이 절약될 수 있다.As described above, learning data 114 of an artificial intelligence model created based on the virtual simulation environment 112 may be collected. Accordingly, large-scale learning data for various cases can be secured. Additionally, the training data 114 may be labeled based on label data 116 provided from a graphics engine that implements the virtual simulation environment 112. Accordingly, the cost required for data labeling can be saved.

도 2는 본 개시의 일 실시예에 따른 학습 데이터 수집 시스템(120)의 내부 구성을 나타내는 블록도이다. 학습 데이터 수집 시스템(120)은, 메모리(210), 프로세서(220), 통신 모듈(230) 및 입출력 인터페이스(240)를 포함할 수 있다. 학습 데이터 수집 시스템(120)은 통신 모듈(230)을 이용하여 네트워크를 통해 외부 시스템(예: 도 1의 가상 환경 시스템(110))과 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다.Figure 2 is a block diagram showing the internal configuration of the learning data collection system 120 according to an embodiment of the present disclosure. The learning data collection system 120 may include a memory 210, a processor 220, a communication module 230, and an input/output interface 240. The learning data collection system 120 may be configured to communicate information and/or data with an external system (eg, the virtual environment system 110 of FIG. 1) through a network using the communication module 230.

메모리(210)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(210)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 학습 데이터 수집 시스템(120)에 포함될 수 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 학습 데이터 수집 시스템(120)에 설치되어 구동되는 학습 데이터 수집을 위한 코드 등)가 저장될 수 있다.Memory 210 may include any non-transitory computer-readable recording medium. According to one embodiment, the memory 210 is a non-permanent mass storage device such as random access memory (RAM), read only memory (ROM), disk drive, solid state drive (SSD), flash memory, etc. mass storage device). As another example, non-perishable mass storage devices such as ROM, SSD, flash memory, disk drive, etc. may be included in the learning data collection system 120 as a separate persistent storage device that is distinct from memory. Additionally, the memory 210 may store an operating system and at least one program code (eg, a code for collecting learning data that is installed and driven in the learning data collection system 120, etc.).

이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 이러한 학습 데이터 수집 시스템(120)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(230)을 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 통신 모듈(230)을 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 학습 데이터 수집을 위한 프로그램 등)에 기반하여 메모리(210)에 로딩될 수 있다.These software components may be loaded from a computer-readable recording medium separate from the memory 210. These separate computer-readable recording media may include recording media directly connectable to the learning data collection system 120, for example, floppy drives, disks, tapes, DVD/CD-ROM drives, and memory cards. It may include a recording medium that can be read by a computer, such as a computer. As another example, software components may be loaded into the memory 210 through the communication module 230 rather than a computer-readable recording medium. For example, at least one program is a computer program (e.g., for collecting learning data) installed by files provided through the communication module 230 by developers or a file distribution system that distributes the installation file of the application. It may be loaded into the memory 210 based on a program, etc.).

프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 모듈(230)에 의해 사용자 단말(미도시) 또는 다른 외부 시스템으로 제공될 수 있다. 예를 들어, 프로세서(220)는, 수신된 학습 데이터 및 레이블 데이터에 기초하여 학습 데이터를 라벨링할 수 있다.The processor 220 may be configured to process instructions of a computer program by performing basic arithmetic, logic, and input/output operations. Commands may be provided to a user terminal (not shown) or another external system by the memory 210 or the communication module 230. For example, the processor 220 may label the training data based on the received training data and label data.

통신 모듈(230)은 네트워크를 통해 사용자 단말(미도시)과 학습 데이터 수집 시스템(120)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 학습 데이터 수집 시스템(120)이 외부 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 학습 데이터 수집 시스템(120)의 프로세서(220)의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신 모듈(230)과 네트워크를 거쳐 사용자 단말 및/또는 외부 시스템의 통신 모듈을 통해 사용자 단말 및/또는 외부 시스템으로 전송될 수 있다. 예를 들어, 인공지능 모델 학습이 필요한 사용자 단말 및/또는 외부 시스템은 학습 데이터 수집 시스템(120)에 의해 수집된 학습 데이터를 수신할 수 있다.The communication module 230 may provide a configuration or function for a user terminal (not shown) and the learning data collection system 120 to communicate with each other through a network, and the learning data collection system 120 may be configured to communicate with an external system (for example, Configuration or functions for communicating with a separate cloud system, etc. can be provided. For example, control signals, commands, data, etc. provided under the control of the processor 220 of the learning data collection system 120 pass through the communication module 230 and the network through the communication module of the user terminal and/or external system. It may be transmitted to a user terminal and/or an external system. For example, a user terminal and/or an external system that requires artificial intelligence model learning may receive learning data collected by the learning data collection system 120.

또한, 학습 데이터 수집 시스템(120)의 입출력 인터페이스(240)는 학습 데이터 수집 시스템(120)과 연결되거나 학습 데이터 수집 시스템(120)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 2에서는 입출력 인터페이스(240)가 프로세서(220)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(240)가 프로세서(220)에 포함되도록 구성될 수 있다. 학습 데이터 수집 시스템(120)은 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다.In addition, the input/output interface 240 of the learning data collection system 120 is connected to the learning data collection system 120 or is an interface with a device (not shown) for input or output that the learning data collection system 120 may include. It may be a means for. In FIG. 2 , the input/output interface 240 is shown as an element configured separately from the processor 220, but the present invention is not limited thereto, and the input/output interface 240 may be included in the processor 220. Learning data collection system 120 may include more components than those in FIG. 2 . However, there is no need to clearly show most prior art components.

학습 데이터 수집 시스템(120)의 프로세서(220)는 복수의 사용자 단말 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 일 실시예에 따르면, 프로세서(220)는 가상 환경 시스템으로부터 학습 데이터 및 레이블 데이터를 수신할 수 있다. 또한, 프로세서(220)는 라벨링된 학습 데이터를 학습 데이터 데이터베이스에 저장할 수 있다.The processor 220 of the learning data collection system 120 may be configured to manage, process, and/or store information and/or data received from a plurality of user terminals and/or a plurality of external systems. According to one embodiment, the processor 220 may receive training data and label data from a virtual environment system. Additionally, the processor 220 may store labeled learning data in a learning data database.

도 3은 본 개시의 일 실시예에 따른 가상 환경 시스템(110)의 내부 구성을 나타내는 도면이다. 일 실시예에 따르면, 가상 환경 시스템(110)은 가상 시뮬레이션 환경을 관리하는 시스템으로서 그래픽 엔진(310), 가상 데이터 생성 모듈(320), 적대적 공격 모듈(330), 파라미터 관리 모듈(340) 및 히스토리 데이터베이스(350)를 포함하여 구성될 수 있다. 또한, 도 3에서는 가상 환경 시스템(110)의 구성을 각각의 기능별로 구분하여 설명하였으나, 반드시 물리적으로 구분되는 것을 의미하지 않는다. 예를 들어, 가상 데이터 생성 모듈(320)과 파라미터 관리 모듈(340)은 구분되어 상술되었으나, 이는 발명의 이해를 돕기 위한 것으로서, 이에 한정되지 않는다.FIG. 3 is a diagram showing the internal configuration of the virtual environment system 110 according to an embodiment of the present disclosure. According to one embodiment, the virtual environment system 110 is a system that manages a virtual simulation environment and includes a graphics engine 310, a virtual data generation module 320, a hostile attack module 330, a parameter management module 340, and a history. It may be configured to include a database 350. In addition, in FIG. 3, the configuration of the virtual environment system 110 is described separately for each function, but this does not necessarily mean that the virtual environment system 110 is physically divided. For example, the virtual data generation module 320 and the parameter management module 340 are described separately, but this is to aid understanding of the invention and is not limited thereto.

일 실시예에 따르면, 그래픽 엔진(310)은 가상 시뮬레이션 환경을 시각적으로 구현하고 표현하기 위한 주요 역할을 하는 소프트웨어를 지칭할 수 있다. 예를 들어, 그래픽 엔진(310)은 가상의 차량이 운행되는 가상 주행 환경을 구현할 수 있다. 이 경우, 그래픽 엔진(310)은 언리얼 엔진(unreal Engine), 유니티(unity) 등을 활용할 수 있다. 또한, 그래픽 엔진(310)은 학습 데이터 라벨링에 필요한 레이블 데이터를 제공할 수 있다. 예를 들어, 그래픽 엔진(310)은 가상 주행 환경에 존재하는 객체(예: 자동차, 보행자 등)의 클래스, 좌표 등을 제공할 수 있다. According to one embodiment, the graphics engine 310 may refer to software that plays a major role in visually implementing and expressing a virtual simulation environment. For example, the graphics engine 310 may implement a virtual driving environment in which a virtual vehicle is driven. In this case, the graphics engine 310 may utilize Unreal Engine, Unity, etc. Additionally, the graphics engine 310 may provide label data necessary for labeling learning data. For example, the graphics engine 310 may provide classes, coordinates, etc. of objects (eg, cars, pedestrians, etc.) that exist in the virtual driving environment.

일 실시예에 따르면, 가상 데이터 생성 모듈(320)은 그래픽 엔진(310)에 구현된 가상 시뮬레이션 환경으로부터 학습 데이터를 생성할 수 있다. 예를 들어, 가상 데이터 생성 모듈(320)은 학습 데이터로서 가상 시뮬레이션 환경의 특정 객체(예: 자동차, 보행자 등)에 대한 이미지 데이터를 생성할 수 있다. 이 경우, 가상 데이터 생성 모듈(320)은 가상 시뮬레이션 환경에 존재하는 복수의 가상 카메라를 이용하여 복수의 이미지 데이터 세트를 생성하고, 이로부터 학습 데이터로 활용될 이미지 데이터를 무작위로 선별할 수 있다. 이에 대한 세부적인 내용은 도 5를 참조하여 후술된다.According to one embodiment, the virtual data generation module 320 may generate learning data from a virtual simulation environment implemented in the graphics engine 310. For example, the virtual data generation module 320 may generate image data for specific objects (eg, cars, pedestrians, etc.) in a virtual simulation environment as learning data. In this case, the virtual data generation module 320 may generate a plurality of image data sets using a plurality of virtual cameras existing in a virtual simulation environment and randomly select image data to be used as learning data from these. Details about this will be described later with reference to FIG. 5 .

일 실시예에 따르면, 적대적 공격 모듈(330)은 학습 데이터 중 적대적 공격 데이터를 생성할 수 있다. 예를 들어, 적대적 공격 모듈(330)은 뉴럴 렌더링 모델을 이용함으로써, 가상 시뮬레이션 환경의 특정 객체에 대한 레퍼런스 이미지, 특정 객체에 대한 마스크 이미지 및 적대적 텍스처에 기초하여 적대적 이미지를 생성할 수 있다. 이에 대한 세부적인 내용은 도 4를 참조하여 후술된다.According to one embodiment, the adversarial attack module 330 may generate adversarial attack data among the learning data. For example, the adversarial attack module 330 may use a neural rendering model to generate an adversarial image based on a reference image for a specific object in a virtual simulation environment, a mask image for a specific object, and an adversarial texture. Details about this will be described later with reference to FIG. 4 .

일 실시예에 따르면, 파라미터 관리 모듈(340)은 학습 데이터 생성과 연관된 파라미터를 관리할 수 있다. 예를 들어, 파라미터 관리 모듈(340)은 적대적 공격 모듈(330)의 뉴럴 렌더링 모델의 파라미터를 관리할 수 있다. 다른 예로서, 파라미터 관리 모듈(340)은 가상 시뮬레이션 환경에 존재하는 가상 카메라의 카메라 파라미터를 관리할 수 있다.According to one embodiment, the parameter management module 340 may manage parameters associated with generating learning data. For example, the parameter management module 340 may manage the parameters of the neural rendering model of the adversarial attack module 330. As another example, the parameter management module 340 may manage camera parameters of a virtual camera existing in a virtual simulation environment.

일 실시예에 따르면, 히스토리 데이터베이스(350)는 학습 데이터 생성 과정에 대한 기록 정보를 저장할 수 있다. 예를 들어, 히스토리 데이터베이스(350)는 가상 데이터 생성 모듈(320)이 학습 데이터를 생성하는 과정에 대한 기록 정보를 저장할 수 있다. 다른 예로서, 히스토리 데이터베이스(350)는 적대적 공격 모듈(330)이 적대적 공격 데이터를 생성하는 과정에 대한 기록 정보(예: 뉴럴 렌더링 모델의 파라미터 등)를 저장할 수 있다.According to one embodiment, the history database 350 may store record information about the learning data generation process. For example, the history database 350 may store record information about the process of the virtual data generation module 320 generating learning data. As another example, the history database 350 may store record information (e.g., parameters of a neural rendering model, etc.) about the process in which the adversarial attack module 330 generates adversarial attack data.

도 3에서 도시한 가상 환경 시스템(110)의 내부 구성은 일 예시일 뿐이며, 가상 환경 시스템(110)의 적어도 일부의 구성이 생략되거나, 다른 구성이 추가될 수 있으며, 가상 환경 시스템(110)이 수행하는 적어도 일부의 동작 또는 과정이 가상 환경 시스템(110)과 통신 가능하도록 연결된 외부 시스템의 프로세서에 의해 수행되는 등 이와 다르게 구현될 수 있다.The internal configuration of the virtual environment system 110 shown in FIG. 3 is only an example, and at least some configurations of the virtual environment system 110 may be omitted or other configurations may be added, and the virtual environment system 110 may be At least some of the operations or processes to be performed may be implemented differently, such as being performed by a processor of an external system that is communicatively connected to the virtual environment system 110.

도 4는 본 개시의 일 실시예에 따라 학습 데이터가 생성되는 예시를 나타내는 도면이다. 학습 데이터는 적대적 공격 데이터의 일종인 적대적 이미지를 포함할 수 있으며, 적대적 이미지는 도 3의 가상 환경 시스템(110)의 적대적 공격 모듈(320)에 의해 생성될 수 있으며, 뉴럴 렌더링 모델(420)을 이용함으로써, 가상 시뮬레이션 환경의 특정 객체(예: 자동차 등)에 대한 레퍼런스 이미지(411), 특정 객체에 대한 마스크 이미지(412) 및 적대적 텍스처(416)에 기초하여 생성될 수 있다. 적대적 텍스처(416)는 적대적 공격을 수행하기 위해 특정 객체의 이미지에 렌더링되는 텍스처로서 교란(perturbation) 형태, 패치(patch) 형태, 패턴(pattern) 형태 등 다양한 형태를 포함할 수 있다.Figure 4 is a diagram illustrating an example in which learning data is generated according to an embodiment of the present disclosure. The learning data may include a hostile image, which is a type of adversarial attack data, and the hostile image may be generated by the adversarial attack module 320 of the virtual environment system 110 of FIG. 3 and uses the neural rendering model 420. By using this, it can be generated based on a reference image 411 for a specific object (e.g., a car, etc.) in a virtual simulation environment, a mask image 412 for a specific object, and an adversarial texture 416. The adversarial texture 416 is a texture rendered on an image of a specific object in order to perform an adversarial attack and may include various forms such as a perturbation form, a patch form, and a pattern form.

일 실시예에 따르면, 물리 기반 렌더링 엔진(physically based rendering engine)(410)으로부터 레퍼런스 이미지(411), 마스크 이미지(412) 및 깊이 이미지(413)가 생성될 수 있다. 물리 기반 렌더링 엔진(410)은 도 3의 가상 환경 시스템(110)의 그래픽 엔진(310)에 구현된 가상 시뮬레이션 환경에 존재하는 특정 객체에 기초하여 상술한 이미지를 생성할 수 있다. 레퍼런스 이미지(411)는 특정 객체에 대한 이미지를 지칭할 수 있다. 마스크 이미지(412)는 특정 객체가 마스킹(masking)된 이미지를 지칭할 수 있다. 깊이 이미지(413)는 각 픽셀에서 카메라 또는 센서로부터 특정 객체까지의 거리 정보를 나타내는 이미지를 지칭할 수 있다.According to one embodiment, a reference image 411, a mask image 412, and a depth image 413 may be generated from a physically based rendering engine 410. The physically-based rendering engine 410 may generate the above-described image based on a specific object existing in a virtual simulation environment implemented in the graphics engine 310 of the virtual environment system 110 of FIG. 3. The reference image 411 may refer to an image for a specific object. The mask image 412 may refer to an image in which a specific object is masked. The depth image 413 may refer to an image representing distance information from a camera or sensor to a specific object at each pixel.

일 실시예에 따르면, 마스크 이미지(412)를 이용하여 레퍼런스 이미지(411)로부터 마스킹된 레퍼런스 이미지(417)가 추출될 수 있다. 마스킹된 레퍼런스 이미지(417)는 레퍼런스 이미지(411)에서 특정 객체의 형상만이 추출된 이미지를 지칭할 수 있다. 또한, 적대적 텍스처(416)를 3차원으로 매핑한 투사된 텍스처(418)가 생성될 수 있다. 투사된 텍스처(418)는 깊이 이미지(413)로부터 추출된 표면 좌표 및 표면 법선에 기초하여 적대적 텍스처를 3차원 매핑하는 삼면 매핑(triplanar mapping)에 의해 적대적 텍스처(416)를 삼면으로 투사하여 생성될 수 있다. 이러한 방식에 따라 텍스처가 렌더링될 객체에 독립적인 적대적 텍스처가 생성될 수 있다. 또한, 삼면 매핑 과정에서 카메라 파라미터(414), 증강된 카메라 파라미터(415)가 이용될 수 있다.According to one embodiment, the masked reference image 417 may be extracted from the reference image 411 using the mask image 412. The masked reference image 417 may refer to an image in which only the shape of a specific object is extracted from the reference image 411. Additionally, a projected texture 418 that maps the adversarial texture 416 in three dimensions may be generated. The projected texture 418 is created by projecting the adversarial texture 416 onto three planes by triplanar mapping, which maps the adversarial texture in three dimensions based on the surface coordinates and surface normals extracted from the depth image 413. You can. In this way, an adversarial texture can be created that is independent of the object on which the texture is to be rendered. Additionally, camera parameters 414 and augmented camera parameters 415 may be used in the three-sided mapping process.

일 실시예에 따르면, 마스킹된 레퍼런스 이미지(417) 및 투사된 텍스처(418)에 기초하여 마스킹된 적대적 이미지(421)가 생성될 수 있다. 마스킹된 적대적 이미지(421)는 뉴럴 렌더링 모델(420)에 의해 생성될 수 있다. 뉴럴 렌더링 모델(420)은 미분 가능 렌더링(differentiable rendering)에 기초하여 화이트 박스 공격을 통해 최적의 적대적 공격 데이터를 생성하는 모델일 수 있다. 뉴럴 렌더링 모델(420)은 하기의 수학식 1을 이용하여 텍스처 렌더링을 학습할 수 있다.According to one embodiment, a masked adversarial image 421 may be generated based on the masked reference image 417 and the projected texture 418. The masked adversarial image 421 may be generated by the neural rendering model 420. The neural rendering model 420 may be a model that generates optimal adversarial attack data through a white box attack based on differentiable rendering. The neural rendering model 420 can learn texture rendering using Equation 1 below.

여기서, 는 특정 객체에 대한 레퍼런스 이미지(411), 는 적대적 텍스처(416), 은 렌더링된 이미지를 나타낸다. 뉴럴 렌더링 모델(420)은 또한, 다양한 객체에 적용 가능한 공격 패턴을 생성하여 일반화 성능을 향상시키고, 모든 유효한 클래스에 대한 신뢰성 점수를 최소화하여 객체 자체로 탐지되지 않도록 하기 위한 하기의 수학식 2을 이용할 수 있다.here, is a reference image 411 for a specific object, is an adversarial texture (416), represents the rendered image. The neural rendering model 420 also uses Equation 2 below to improve generalization performance by generating attack patterns applicable to various objects and to minimize the reliability score for all valid classes to prevent the object itself from being detected. You can.

여기서, V는 사용 가능한 객체의 유형을 나타내고, Y는 탐지 모델의 이용 가능한 클래스를 나타낸다.Here, V represents the type of available object, and Y represents the available class of the detection model.

일 실시예에 따르면, 반전된 마스크 이미지를 이용하여 레퍼런스 이미지(411) 로부터 배경 이미지(422)가 생성될 수 있다. 반전된 마스크 이미지는 마스크 이미지(412)를 반전시킨 것으로 레퍼런스 이미지(411)에서 배경 외 나머지 부분을 마스킹하는 이미지를 지칭할 수 있다. 마스킹된 적대적 이미지(421) 및 배경 이미지(422)에 기초하여 적대적 이미지(423)가 생성될 수 있다.According to one embodiment, the background image 422 may be generated from the reference image 411 using an inverted mask image. The inverted mask image is an inverted version of the mask image 412 and may refer to an image that masks the remaining portion of the reference image 411 other than the background. A hostile image 423 may be generated based on the masked hostile image 421 and the background image 422.

일 실시예에 따르면, 적대적 이미지(423)는 무작위로 변환하여 증강될 수 있다. 예를 들어, 적대적 이미지(423)는 스케일링, 명암, 대비 등이 무작위로 변환될 수 있으며 이에 따라 추가적인 적대적 이미지가 생성될 수 있다. 이를 통해, 학습 대상인 인공지능 모델의 강건성을 개선하기 위한 추가적인 학습 데이터가 확보될 수 있다.According to one embodiment, the hostile image 423 may be augmented by random transformation. For example, the scaling, brightness, contrast, etc. of the hostile image 423 may be randomly converted, and additional hostile images may be generated accordingly. Through this, additional learning data can be secured to improve the robustness of the artificial intelligence model that is the subject of learning.

일 실시예에 따르면, 적대적 텍스처(416)는 복수의 손실함수를 이용하여 개선될 수 있다. 예를 들어, 적대적 텍스처(416)는 스텔스 손실(stealth loss; )(431)를 이용하여 개선될 수 있다. 스텔스 손실(431)은 적대적 공격의 대상이 되는 인공지능 모델(예: 객체 탐지 모델)의 성능을 낮추도록 적대적 텍스처(416)를 개선하기 위한 손실함수일 수 있다. 스텔스 손실(431)은 객체 탐지 모델에 사용되는 2가지 대표 점수인 클래스 신뢰도 점수(class confidence score)와 객체성 점수(objectness score)를 고려하며, 객체성 점수 및 모든 클래스에 대한 최대 신뢰도 점수를 최소화하여 모델의 오분류를 유도할 뿐만 아니라 객체가 없는 빈 부분에 모델이 박스 표시하도록 할 수 있다. 스텔스 손실(431)은 하기의 수학식 3을 이용할 수 있다.According to one embodiment, the adversarial texture 416 may be improved using multiple loss functions. For example, the adversarial texture 416 may have stealth loss; ) can be improved by using (431). Stealth loss 431 may be a loss function for improving the adversarial texture 416 to lower the performance of an artificial intelligence model (e.g., object detection model) that is the target of an adversarial attack. Stealth loss 431 considers the class confidence score and objectness score, which are two representative scores used in object detection models, and minimizes the objectness score and the maximum confidence score for all classes. This not only leads to misclassification of the model, but also causes the model to display boxes in empty areas where there are no objects. Stealth loss 431 can be calculated using Equation 3 below.

여기서 는 모델 의 입력 데이터, 는 에 대한 의 신뢰도 점수, 는 에 대한 의 객체성 점수, 는 바운딩 박스 형태의 에 대한 의 탐지 결과, 객체성 점수 는 바운딩 박스 와 실측값(ground truth; gt) 사이의 IoU(Intersection over Union), t는 임의의 IoU의 임계값을 지칭할 수 있다. 는 탐지 점수로, 이는 신뢰도 점수와 객관성 점수의 곱일 수 있다. 는 실측값이 0일 때의 로그 손실이다. 이에 따라, 스텔스 손실(431)을 최소화하면 신뢰도와 객관성 점수가 모두 최소화되는 효과가 있다. 또한, IoU가 t보다 큰 유효한 상자에 대해서만 탐지 점수에 값을 할당하고 그렇지 않으면 0으로 설정될 수 있다. 이에 따라, 객체를 근접하게 탐지하는 상자에만 손실이 적용되고, 그렇지 않은 경우에는 제외되므로 객체 탐지 모델의 유효 탐지 성능이 효과적으로 저하될 수 있다.here is a model input data of, Is for confidence score, Is for objectivity score, is in the form of a bounding box. for Detection result, objectness score is the bounding box IoU (Intersection over Union) between and ground truth (gt), t may refer to an arbitrary IoU threshold. is the detection score, which can be the product of the reliability score and the objectivity score. is the log loss when the actual value is 0. Accordingly, minimizing the stealth loss 431 has the effect of minimizing both reliability and objectivity scores. Additionally, a value may be assigned to the detection score only for valid boxes with IoU greater than t, otherwise it may be set to 0. Accordingly, the loss is applied only to boxes that closely detect an object, and other boxes are excluded, effectively degrading the effective detection performance of the object detection model.

다른 예로서, 적대적 텍스처(416)는 평활 손실(smooth loss; )(433)을 이용하여 개선될 수 있다. 평활 손실(433)은 적대적 텍스처(416)의 평활도(smoothness)를 향상시키기 위한 손실함수일 수 있으며, 하기의 수학식 4를 이용할 수 있다.As another example, the adversarial texture 416 may have a smooth loss; ) can be improved by using (433). The smoothing loss 433 may be a loss function for improving the smoothness of the hostile texture 416, and Equation 4 below may be used.

여기서 는 좌표 (i,j)에서 텍스처 의 픽셀, 텍스처 이미지 높이(H) 및 텍스처 이미지 너비(W)의 스케일 팩터(scale factor)를 지칭할 수 있다. 인접한 픽셀의 값이 가까울수록 평활 손실(433)의 낮아지며, 평활 손실(433)을 최소화하면 적대적 텍스처의 평활도가 향상될 수 있다.here is the texture at coordinates (i,j) of pixels, It may refer to the scale factor of the texture image height (H) and the texture image width (W). The closer the values of adjacent pixels are, the lower the smoothing loss 433 is. Minimizing the smoothing loss 433 can improve the smoothness of the hostile texture.

또 다른 예로서, 적대적 텍스처(416)는 위장 손실(camouflage loss; )(435)을 이용하여 개선될 수 있다. 위장 손실(435)은 적대적 텍스처(416)가 적용된 특정 객체의 인식도를 낮추도록 적대적 텍스처(416)를 개선하는데 이용될 수 있다. 이를 위해, 위장 함수(437)를 이용하여 배경 이미지의 도미넌트 배경색(dominant background color)(439)을 추출하고 적대적 텍스처(416)를 이와 유사하게 만드는 방법을 활용할 수 있으며, 하기의 수학식 5를 이용할 수 있다.As another example, adversarial texture 416 may have camouflage loss; ) can be improved by using (435). The camouflage loss 435 can be used to improve the adversarial texture 416 to reduce the recognition of a specific object to which the adversarial texture 416 is applied. For this purpose, a method can be used to extract the dominant background color 439 of the background image using the camouflage function 437 and make the hostile texture 416 similar to it, and use Equation 5 below: You can.

여기서 는 위장 손실(435)의 스케일 팩터이고, 는 도미넌트 배경색(439)이다. 위장 손실(435)을 최소화함으로써 배경과 유사한 색상을 갖는 적대적 텍스처(416)를 획득할 수 있다. 복수의 손실함수를 이용한 총 손실함수는 하기의 수학식 6과 같다.here is the scale factor of the camouflage loss (435), is the dominant background color (439). By minimizing the camouflage loss 435, an adversarial texture 416 with a color similar to the background can be obtained. The total loss function using multiple loss functions is given in Equation 6 below.

여기서 , , 는 각 손실함수의 기여도를 조절하기 위한 가중치일 수 있다. here , , May be a weight to adjust the contribution of each loss function.

상술한 구성을 통해 학습 데이터로서 적대적 공격 데이터가 생성될 수 있다. 이에 따라, 인공지능 모델의 강건성을 개선할 수 있는 학습 데이터가 수집될 수 있다.Through the above-described configuration, hostile attack data can be generated as learning data. Accordingly, learning data that can improve the robustness of the artificial intelligence model can be collected.

도 5는 본 개시의 일 실시예에 따라 학습 데이터가 생성되는 다른 예시를 나타내는 도면이다. 일 실시예에 따르면, 학습 데이터는 가상 시뮬레이션 환경의 특정 객체(510)에 대한 이미지 데이터(550)일 수 있다.FIG. 5 is a diagram illustrating another example in which learning data is generated according to an embodiment of the present disclosure. According to one embodiment, the learning data may be image data 550 for a specific object 510 in a virtual simulation environment.

일 실시예에 따르면, 가상 시뮬레이션 환경에 존재하는 복수의 가상 카메라(520, 530, 540)는 특정 객체에 대한 복수의 이미지 데이터 세트(522, 532, 542)를 생성할 수 있다. 이 경우, 복수의 가상 카메라(520, 530, 540) 각각은 상이한 카메라 파라미터가 설정될 수 있다. 예를 들어, 복수의 가상 카메라(520, 530, 540) 각각은 외부 파라미터(예: 카메라의 방향 등) 또는 내부 파라미터(예: 초점 거리, 광학 중심 등)가 상이하게 설정될 수 있다. According to one embodiment, a plurality of virtual cameras 520, 530, and 540 existing in a virtual simulation environment may generate a plurality of image data sets 522, 532, and 542 for a specific object. In this case, different camera parameters may be set for each of the plurality of virtual cameras 520, 530, and 540. For example, each of the plurality of virtual cameras 520, 530, and 540 may have different external parameters (eg, camera direction, etc.) or internal parameters (eg, focal length, optical center, etc.) set differently.

일 실시예에 따르면, 특정 객체에 대한 복수의 이미지 데이터 세트(522, 532, 542) 각각으로부터 학습 데이터인 이미지 데이터(550)가 동일한 개수만큼 무작위로 선별될 수 있다. 예를 들어, 15개의 이미지 데이터를 학습 데이터로 선별할 경우, 제1 이미지 데이터 세트(522), 제2 이미지 데이터 세트(532), 제3 이미지 데이터 세트(542) 각각 5개의 이미지를 무작위로 선별하여 학습 데이터로 할 수 있다.According to one embodiment, the same number of image data 550 as learning data may be randomly selected from each of the plurality of image data sets 522, 532, and 542 for a specific object. For example, when selecting 15 image data as training data, 5 images from each of the first image data set 522, the second image data set 532, and the third image data set 542 are randomly selected. This can be done with learning data.

상술한 구성을 통해, 상이한 카메라 파라미터가 설정된 가상 카메라로부터 다양한 학습 데이터가 생성될 수 있으며, 복수의 이미지 데이터 세트(522, 532, 542)로부터 동일한 개수만큼 무작위 선별함으로써 학습 대상인 인공지능 모델의 편향성을 낮출 수 있다.Through the above-described configuration, various learning data can be generated from virtual cameras with different camera parameters set, and the bias of the artificial intelligence model that is the learning target can be reduced by randomly selecting the same number from the plurality of image data sets (522, 532, 542). It can be lowered.

도 6은 본 개시의 일 실시예에 따른 수집된 학습 데이터가 활용되는 방법(600)을 나타내는 흐름도이다. 방법(600)은 인공지능 모델 학습 시스템의 적어도 하나의 프로세서에 의해 수행될 수 있다. 도시된 바와 같이, 방법(600)은 학습 데이터를 전처리함으로써 개시될 수 있다(S610). 일 실시예에서, 프로세서는 학습 데이터 데이터베이스로부터 학습 데이터를 전처리할 수 있다. 예를 들어, 프로세서는 데이터 정제, 데이터 통합, 데이터 변환, 데이터 축소, 데이터 이산화 등 학습 데이터를 전처리할 수 있다.Figure 6 is a flow chart illustrating a method 600 in which collected learning data is utilized according to an embodiment of the present disclosure. Method 600 may be performed by at least one processor of an artificial intelligence model learning system. As shown, the method 600 may begin by preprocessing training data (S610). In one embodiment, the processor may preprocess training data from a training data database. For example, the processor can preprocess the training data, including data cleaning, data integration, data transformation, data reduction, and data discretization.

그 후, 프로세서는 학습 데이터를 복수의 데이터 세트로 분할할 수 있다(S620). 일 실시예에서, 프로세서는 학습 데이터를 학습 데이터 세트, 검증 데이터 세트 및 테스트 데이터 세트로 분할할 수 있다.Afterwards, the processor may divide the learning data into a plurality of data sets (S620). In one embodiment, the processor may split the training data into a training data set, a validation data set, and a test data set.

그 후, 프로세서는 인공지능 모델을 학습시킬 수 있다(S630). 이 경우, 프로세서는 분할된 데이터 세트 중 학습 데이터 세트를 이용할 수 있다. 예를 들어, 학습 데이터가 이미지 데이터인 경우, 프로세서는 분류 모델(예: VGG, ResNet, MobileNet, EfficientNet) 및/또는 객체 탐지 모델(YOLO, Faster R-CNN, SSD, DETR)을 학습시킬 수 있다.Afterwards, the processor can learn the artificial intelligence model (S630). In this case, the processor may use a learning data set among the divided data sets. For example, if the training data is image data, the processor can train a classification model (e.g. VGG, ResNet, MobileNet, EfficientNet) and/or an object detection model (YOLO, Faster R-CNN, SSD, DETR) .

그 후, 프로세서는 인공지능 모델을 검증 및 업데이트할 수 있다(S640). 예를 들어, 프로세서는 인공지능 모델의 파라미터 검증, 하이퍼파라미터 튜닝, 커스텀 손실함수(custom loss function) 튜닝 등을 할 수 있으며, 모델 성능 평가 기법을 활용할 수 있다.Afterwards, the processor can verify and update the artificial intelligence model (S640). For example, the processor can verify parameters of artificial intelligence models, tune hyperparameters, tune custom loss functions, etc., and utilize model performance evaluation techniques.

마지막으로, 프로세서는 인공지능 모델을 테스트할 수 있다(S650). 예를 들어, 프로세서는 인공지능 모델의 파라미터 검증, 하이퍼파라미터 검증, 커스텀 손실함수 검증, 모델 알고리즘 튜닝 등을 할 수 있다.Finally, the processor can test the artificial intelligence model (S650). For example, the processor can perform artificial intelligence model parameter verification, hyperparameter verification, custom loss function verification, and model algorithm tuning.

도 6에서 도시한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 일부 실시예에서는 다르게 구현될 수 있다. 예를 들어, 일부 실시예에서는 각 단계의 순서가 바뀌거나, 일부 단계가 반복 수행되거나, 일부 단계가 생략되거나, 일부 단계가 추가될 수 있다.The flowchart shown in FIG. 6 and the above description are only examples and may be implemented differently in some embodiments. For example, in some embodiments, the order of each step may be changed, some steps may be performed repeatedly, some steps may be omitted, or some steps may be added.

도 7은 본 개시의 일 실시예에 따른 인공지능 모델의 강건성 개선 방법(700)을 나타내는 흐름도이다. 방법(700)은 인공지능 모델 학습 시스템의 적어도 하나의 프로세서에 의해 수행될 수 있다. 도시된 바와 같이, 방법(700)은 인공지능 모델을 구성함으로써 개시될 수 있다(S710). 일 실시예에서, 프로세서는 학습 데이터 데이터베이스로부터 학습 데이터를 전처리할 수 있다. 예를 들어, 프로세서는 인공지능 모델의 목적, 아키텍처를 설계하고 하이퍼파라미터를 설정할 수 있다.Figure 7 is a flowchart showing a method 700 for improving the robustness of an artificial intelligence model according to an embodiment of the present disclosure. Method 700 may be performed by at least one processor of an artificial intelligence model learning system. As shown, method 700 may be initiated by constructing an artificial intelligence model (S710). In one embodiment, the processor may preprocess training data from a training data database. For example, the processor can design the purpose and architecture of the artificial intelligence model and set hyperparameters.

그 후, 프로세서는 학습 데이터를 적대적 공격 데이터를 수집할 수 있다(S720). 일 실시예에서, 프로세서는 학습 데이터 수집 시스템에 의해 수집된 적대적 공격 데이터를 수신할 수 있다. Afterwards, the processor may collect the learning data as hostile attack data (S720). In one embodiment, the processor may receive adversarial attack data collected by a learning data collection system.

그 후, 프로세서는 인공지능 모델의 성능을 평가할 수 있다(S730). 일 실시예에서, 프로세서는 수집한 적대적 공격 데이터를 이용하여 정확도 등 성능 지표를 활용하여 앞선 단계에서 구성한 인공지능 모델의 성능을 평가할 수 있다.Afterwards, the processor can evaluate the performance of the artificial intelligence model (S730). In one embodiment, the processor may use the collected adversarial attack data to evaluate the performance of the artificial intelligence model constructed in the previous step using performance indicators such as accuracy.

마지막으로, 프로세서는 인공지능 모델을 업데이트할 수 있다(S740). 일 실시예에서, 프로세서는 평가 결과에 기초하여 인공지능 모델을 업데이트할 수 있으며, 수신한 적대적 공격 데이터를 이용하여 인공지능 모델을 추가적으로 학습시킬 수 있다. 프로세서는 상술한 S720 내지 S740을 반복적으로 수행함으로써 인공지능 모델의 강건성을 점진적으로 개선할 수 있다.Finally, the processor may update the artificial intelligence model (S740). In one embodiment, the processor may update the artificial intelligence model based on the evaluation results and may additionally learn the artificial intelligence model using the received hostile attack data. The processor can gradually improve the robustness of the artificial intelligence model by repeatedly performing S720 to S740 described above.

도 7에서 도시한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 일부 실시예에서는 다르게 구현될 수 있다. 예를 들어, 일부 실시예에서는 각 단계의 순서가 바뀌거나, 일부 단계가 반복 수행되거나, 일부 단계가 생략되거나, 일부 단계가 추가될 수 있다.The flowchart shown in FIG. 7 and the above description are only examples and may be implemented differently in some embodiments. For example, in some embodiments, the order of each step may be changed, some steps may be performed repeatedly, some steps may be omitted, or some steps may be added.

도 8은 본 개시의 일 실시예에 따른 인공지능 모델 학습 데이터 수집 방법(800)을 나타내는 흐름도이다. 방법(800)은 도 2의 정보 처리 시스템의 적어도 하나의 프로세서(예: 학습 데이터 수집 시스템의 프로세서(220))에 의해 수행될 수 있다. 도시된 바와 같이, 방법(800)은 가상 시뮬레이션 환경에 기초하여 생성된 인공지능 모델의 학습 데이터를 수집함으로써 개시될 수 있다(S810). 일 실시예에서, 인공지능 모델은 분류 모델 또는 객체 탐지 모델 중 적어도 하나를 포함할 수 있다.Figure 8 is a flowchart showing a method 800 of collecting artificial intelligence model learning data according to an embodiment of the present disclosure. Method 800 may be performed by at least one processor of the information processing system of FIG. 2 (e.g., processor 220 of the learning data collection system). As shown, the method 800 may be initiated by collecting training data of an artificial intelligence model created based on a virtual simulation environment (S810). In one embodiment, the artificial intelligence model may include at least one of a classification model or an object detection model.

일 실시예에서, 학습 데이터는 적대적 공격 데이터를 포함할 수 있다. 이 경우, 적대적 공격 데이터는 가상 시뮬레이션 환경을 관리하는 가상 환경 시스템에 의해 생성될 수 있다. In one embodiment, the training data may include adversarial attack data. In this case, the adversarial attack data may be generated by a virtual environment system that manages the virtual simulation environment.

일 실시예에서, 가상 환경 시스템은 뉴럴 렌더링 모델을 이용함으로써, 가상 시뮬레이션 환경의 특정 객체에 대한 레퍼런스 이미지, 특정 객체에 대한 마스크 이미지 및 적대적 텍스처에 기초하여 적대적 이미지를 생성할 수 있다. 보다 상세하게, 가상 환경 시스템은 마스크 이미지를 이용하여 레퍼런스 이미지로부터 마스킹된 레퍼런스 이미지를 추출하고, 적대적 텍스처를 3차원으로 매핑한 투사된 텍스처를 생성하고, 뉴럴 렌더링 모델을 이용하여 마스킹된 레퍼런스 이미지에 투사된 텍스처를 렌더링 함으로써 마스킹된 적대적 이미지를 생성하고, 반전된 마스크 이미지를 이용하여 레퍼런스 이미지로부터 배경 이미지를 추출하고, 마스킹된 적대적 이미지 및 배경 이미지를 결합하여 적대적 이미지를 생성할 수 있다. 이 경우, 투사된 텍스처는 특정 객체에 대한 깊이 이미지로부터 추출된 표면 좌표 및 표면 법선에 기초하여 적대적 텍스처를 3차원 매핑함으로써 생성될 수 있다.In one embodiment, the virtual environment system may use a neural rendering model to generate an adversarial image based on a reference image for a specific object in the virtual simulation environment, a mask image for the specific object, and an adversarial texture. More specifically, the virtual environment system extracts a masked reference image from a reference image using a mask image, generates a projected texture that maps the adversarial texture in three dimensions, and uses a neural rendering model to map the masked reference image to the reference image. A masked adversarial image can be generated by rendering the projected texture, a background image can be extracted from the reference image using the inverted mask image, and an adversarial image can be generated by combining the masked adversarial image and the background image. In this case, the projected texture can be created by three-dimensional mapping the adversarial texture based on surface coordinates and surface normals extracted from a depth image for a specific object.

일 실시예에서, 가상 환경 시스템은 적대적 이미지를 무작위로 변환하여 증강할 수 있다. 또한, 가상 환경 시스템은 복수의 손실함수를 이용하여 적대적 텍스처를 개선할 수 있다. 복수의 손실함수는 적대적 공격의 대상이 되는 인공지능 모델의 성능을 낮추도록 적대적 텍스처를 개선하기 위한 손실함수, 적대적 텍스처의 평활도를 향상시키기 위한 손실함수, 특정 객체의 인식도를 낮추도록 적대적 텍스처를 개선하기 위한 손실함수를 포함할 수 있다.In one embodiment, the virtual environment system can be augmented by randomly transforming adversarial images. Additionally, the virtual environment system can improve the adversarial texture using multiple loss functions. Multiple loss functions include a loss function to improve the adversarial texture to lower the performance of artificial intelligence models subject to adversarial attacks, a loss function to improve the smoothness of the adversarial texture, and a loss function to improve the adversarial texture to lower the recognition of specific objects. A loss function may be included to do this.

일 실시예에서, 학습 데이터는 가상 시뮬레이션 환경의 특정 객체에 대한 이미지 데이터를 포함할 수 있다. 이미지 데이터는 특정 객체에 대한 복수의 이미지 데이터 세트 각각으로부터 동일한 개수만큼 무작위로 선별된 데이터일 수 있다. 이 경우, 복수의 이미지 데이터 세트는 가상 시뮬레이션 환경에 존재하는 복수의 가상 카메라에 의해 생성되고, 복수의 가상 카메라 각각은 상이한 카메라 파라미터가 설정될 수 있다.In one embodiment, the training data may include image data for specific objects in the virtual simulation environment. The image data may be the same number of data randomly selected from each of a plurality of image data sets for a specific object. In this case, a plurality of image data sets are generated by a plurality of virtual cameras existing in a virtual simulation environment, and each of the plurality of virtual cameras may have different camera parameters set.

일 실시예에서, 학습 데이터는 복수의 데이터 세트로 분할될 수 있다. 예를 들어, 학습 데이터는 학습 데이터 세트, 검증 데이터 세트 및 테스트 데이터 세트로 분할될 수 있다.In one embodiment, training data may be divided into multiple data sets. For example, training data can be split into a training data set, validation data set, and test data set.

그 후, 프로세서는 학습 데이터를 라벨링할 수 있다(S820). 일 실시예에서, 가상 시뮬레이션 환경은 그래픽 엔진에 의해 구현되고, 프로세서는 그래픽 엔진으로부터 제공된 레이블 데이터에 기초하여 학습 데이터를 라벨링할 수 있다. 마지막으로, 프로세서는 라벨링된 학습 데이터를 데이터베이스에 저장할 수 있다(S830). Afterwards, the processor may label the learning data (S820). In one embodiment, the virtual simulation environment is implemented by a graphics engine, and the processor can label training data based on label data provided from the graphics engine. Finally, the processor may store the labeled learning data in a database (S830).

도 8에서 도시한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 일부 실시예에서는 다르게 구현될 수 있다. 예를 들어, 일부 실시예에서는 각 단계의 순서가 바뀌거나, 일부 단계가 반복 수행되거나, 일부 단계가 생략되거나, 일부 단계가 추가될 수 있다.The flowchart shown in FIG. 8 and the above description are only examples and may be implemented differently in some embodiments. For example, in some embodiments, the order of each step may be changed, some steps may be performed repeatedly, some steps may be omitted, or some steps may be added.

상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.The above-described method may be provided as a computer program stored in a computer-readable recording medium for execution on a computer. The medium may continuously store a computer-executable program, or may temporarily store it for execution or download. In addition, the medium may be a variety of recording or storage means in the form of a single or several pieces of hardware combined. It is not limited to a medium directly connected to a computer system and may be distributed over a network. Examples of media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, magneto-optical media such as floptical disks, And there may be something configured to store program instructions, including ROM, RAM, flash memory, etc. Additionally, examples of other media include recording or storage media managed by app stores that distribute applications, sites or servers that supply or distribute various other software, etc.

본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는지 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안 된다.The methods, operations, or techniques of this disclosure may be implemented by various means. For example, these techniques may be implemented in hardware, firmware, software, or a combination thereof. Those skilled in the art will understand that the various illustrative logical blocks, modules, circuits, and algorithm steps described in connection with the disclosure herein may be implemented in electronic hardware, computer software, or combinations of both. To clearly illustrate this interchange of hardware and software, various illustrative components, blocks, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends on the specific application and design requirements imposed on the overall system. Skilled artisans may implement the described functionality in varying ways for each particular application, but such implementations should not be interpreted as causing a departure from the scope of the present disclosure.

하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.In a hardware implementation, the processing units used to perform the techniques may include one or more ASICs, DSPs, digital signal processing devices (DSPDs), programmable logic devices (PLDs). ), field programmable gate arrays (FPGAs), processors, controllers, microcontrollers, microprocessors, electronic devices, and other electronic units designed to perform the functions described in this disclosure. , a computer, or a combination thereof.

따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로 구현될 수도 있다.Accordingly, the various illustrative logical blocks, modules, and circuits described in connection with this disclosure may be general-purpose processors, DSPs, ASICs, FPGAs or other programmable logic devices, discrete gate or transistor logic, discrete hardware components, or It may be implemented or performed as any combination of those designed to perform the functions described in. A general-purpose processor may be a microprocessor, but in the alternative, the processor may be any conventional processor, controller, microcontroller, or state machine. A processor may also be implemented as a combination of computing devices, such as a DSP and a microprocessor, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, or any other configuration.

펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령어들로 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.For firmware and/or software implementations, techniques include random access memory (RAM), read-only memory (ROM), non-volatile random access memory (NVRAM), and PROM ( on computer-readable media such as programmable read-only memory (EPROM), electrically erasable PROM (EEPROM), flash memory, compact disc (CD), magnetic or optical data storage devices, etc. It can also be implemented with stored instructions. Instructions may be executable by one or more processors and may cause the processor(s) to perform certain aspects of the functionality described in this disclosure.

이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.Although the above-described embodiments have been described as utilizing aspects of the presently disclosed subject matter in one or more standalone computer systems, the disclosure is not limited thereto and may also be implemented in conjunction with any computing environment, such as a network or distributed computing environment. . Furthermore, aspects of the subject matter of this disclosure may be implemented in multiple processing chips or devices, and storage may be similarly effected across the multiple devices. These devices may include PCs, network servers, and portable devices.

본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.Although the present disclosure has been described in relation to some embodiments in this specification, various modifications and changes may be made without departing from the scope of the present disclosure as can be understood by a person skilled in the art to which the invention pertains. Additionally, such modifications and changes should be considered to fall within the scope of the claims appended hereto.

110: 가상 환경 시스템
112: 가상 시뮬레이션 환경
114: 학습 데이터
116: 레이블 데이터
120: 학습 데이터 수집 시스템
122: 라벨링된 학습 데이터
130: 학습 데이터 데이터베이스110: Virtual environment system
112: Virtual simulation environment
114: Training data
116: Label data
120: Learning data collection system
122: Labeled training data
130: Learning data database

Claims (20)

적어도 하나의 프로세서에 의해 수행되는, 가상 시뮬레이션 환경 기반의 인공지능 모델 학습 데이터 수집 방법에 있어서,
가상 시뮬레이션 환경에 기초하여 생성된 인공지능 모델의 학습 데이터를 수신하는 단계;
상기 학습 데이터를 라벨링하는 단계; 및
상기 라벨링된 학습 데이터를 데이터베이스에 저장하는 단계
를 포함하는, 인공지능 모델 학습 데이터 수집 방법.
In a method of collecting artificial intelligence model learning data based on a virtual simulation environment, performed by at least one processor,
Receiving training data of an artificial intelligence model created based on a virtual simulation environment;
labeling the learning data; and
Storing the labeled learning data in a database
Including, artificial intelligence model training data collection method.
 제1항에 있어서,
상기 인공지능 모델은 분류 모델(classification model) 또는 객체 탐지 모델(object detection model) 중 적어도 하나를 포함하는, 인공지능 모델 학습 데이터 수집 방법.
According to paragraph 1,
An artificial intelligence model learning data collection method, wherein the artificial intelligence model includes at least one of a classification model or an object detection model.
 제1항에 있어서,
상기 가상 시뮬레이션 환경은 그래픽 엔진(graphic engine)에 의해 구현되고,
상기 학습 데이터를 라벨링하는 단계는,
상기 그래픽 엔진으로부터 제공된 레이블 데이터에 기초하여 상기 학습 데이터를 라벨링하는 단계
를 포함하는, 인공지능 모델 학습 데이터 수집 방법.
According to paragraph 1,
The virtual simulation environment is implemented by a graphic engine,
The step of labeling the learning data is,
Labeling the learning data based on label data provided from the graphics engine.
Including, artificial intelligence model training data collection method.
 제1항에 있어서,
상기 학습 데이터는 적대적 공격 데이터(adversarial attack data)를 포함하는, 인공지능 모델 학습 데이터 수집 방법.
According to paragraph 1,
A method of collecting artificial intelligence model learning data, wherein the learning data includes adversarial attack data.
 제4항에 있어서,
상기 적대적 공격 데이터는 가상 시뮬레이션 환경을 관리하는 가상 환경 시스템에 의해 생성되고,
상기 가상 환경 시스템은,
뉴럴 렌더링 모델(neural rendering model)을 이용함으로써, 가상 시뮬레이션 환경의 특정 객체에 대한 레퍼런스 이미지(reference image), 상기 특정 객체에 대한 마스크 이미지(mask image) 및 적대적 텍스처(adversarial texture)에 기초하여 적대적 이미지(adversarial image)를 생성하는, 인공지능 모델 학습 데이터 수집 방법.
According to paragraph 4,
The hostile attack data is generated by a virtual environment system that manages the virtual simulation environment,
The virtual environment system is,
By using a neural rendering model, an adversarial image is created based on a reference image for a specific object in a virtual simulation environment, a mask image for that specific object, and an adversarial texture. An artificial intelligence model training data collection method that generates an (adversarial image).
 제5항에 있어서,
상기 가상 환경 시스템은,
상기 마스크 이미지를 이용하여 상기 레퍼런스 이미지로부터 마스킹된 레퍼런스 이미지를 추출하고,
상기 적대적 텍스처를 3차원으로 매핑한 투사된 텍스처(projected texture)를 생성하고,
상기 뉴럴 렌더링 모델을 이용하여 상기 마스킹된 레퍼런스 이미지에 상기 투사된 텍스처를 렌더링함으로써 마스킹된 적대적 이미지를 생성하고,
반전된 마스크 이미지를 이용하여 상기 레퍼런스 이미지로부터 배경 이미지를 추출하고,
상기 마스킹된 적대적 이미지 및 상기 배경 이미지를 결합하여 상기 적대적 이미지를 생성하는, 인공지능 모델 학습 데이터 수집 방법.
According to clause 5,
The virtual environment system is,
Extracting a masked reference image from the reference image using the mask image,
Generate a projected texture that maps the adversarial texture in three dimensions,
Generate a masked adversarial image by rendering the projected texture to the masked reference image using the neural rendering model,
Extracting a background image from the reference image using an inverted mask image,
An artificial intelligence model training data collection method that generates the hostile image by combining the masked hostile image and the background image.
 제6항에 있어서,
상기 투사된 텍스처는,
상기 특정 객체에 대한 깊이 이미지(depth image)로부터 추출된 표면 좌표 및 표면 법선에 기초하여 상기 적대적 텍스처를 3차원 매핑함으로써 생성되는, 인공지능 모델 학습 데이터 수집 방법.
According to clause 6,
The projected texture is,
An artificial intelligence model learning data collection method generated by three-dimensional mapping the adversarial texture based on surface coordinates and surface normals extracted from a depth image for the specific object.
 제5항에 있어서,
상기 가상 환경 시스템은,
상기 적대적 이미지를 무작위로 변환하여 증강하는, 인공지능 모델 학습 데이터 수집 방법.
According to clause 5,
The virtual environment system is,
An artificial intelligence model learning data collection method that randomly transforms and augments the hostile image.
 제5항에 있어서,
상기 가상 환경 시스템은,
복수의 손실함수를 이용하여 상기 적대적 텍스처를 개선하는, 인공지능 모델 학습 데이터 수집 방법.
According to clause 5,
The virtual environment system is,
An artificial intelligence model training data collection method that improves the adversarial texture using multiple loss functions.
 제9항에 있어서,
상기 복수의 손실함수는,
적대적 공격의 대상이 되는 인공지능 모델의 성능을 낮추도록 상기 적대적 텍스처를 개선하기 위한 손실함수를 포함하는, 인공지능 모델 학습 데이터 수집 방법.
According to clause 9,
The plurality of loss functions are,
An artificial intelligence model learning data collection method including a loss function for improving the adversarial texture to lower the performance of the artificial intelligence model that is the target of an adversarial attack.
 제9항에 있어서,
상기 복수의 손실함수는,
상기 적대적 텍스처의 평활도(smoothness)를 향상시키기 위한 손실함수를 포함하는, 인공지능 모델 학습 데이터 수집 방법.
According to clause 9,
The plurality of loss functions are,
An artificial intelligence model training data collection method, including a loss function for improving the smoothness of the adversarial texture.
 제9항에 있어서,
상기 복수의 손실함수는,
상기 특정 객체의 인식도를 낮추도록 상기 적대적 텍스처를 개선하기 위한 손실함수를 포함하는, 인공지능 모델 학습 데이터 수집 방법.
According to clause 9,
The plurality of loss functions are,
An artificial intelligence model learning data collection method including a loss function for improving the hostile texture to lower the recognition of the specific object.
 제9항에 있어서,
상기 복수의 손실함수는,
상기 특정 객체의 인식도를 낮추도록 상기 적대적 텍스처를 개선하기 위한 손실함수를 포함하는, 인공지능 모델 학습 데이터 수집 방법.
According to clause 9,
The plurality of loss functions are,
An artificial intelligence model learning data collection method including a loss function for improving the hostile texture to lower the recognition of the specific object.
 제13항에 있어서,
상기 복수의 이미지 데이터 세트는,
상기 가상 시뮬레이션 환경에 존재하는 복수의 가상 카메라에 의해 생성되고,
상기 복수의 가상 카메라 각각은 상이한 카메라 파라미터가 설정되는, 인공지능 모델 학습 데이터 수집 방법.
According to clause 13,
The plurality of image data sets are,
Generated by a plurality of virtual cameras existing in the virtual simulation environment,
An artificial intelligence model learning data collection method in which different camera parameters are set for each of the plurality of virtual cameras.
 제1항에 있어서,
상기 학습 데이터는,
복수의 데이터 세트로 분할되고,
상기 복수의 데이터 세트는,
학습 데이터 세트, 검증 데이터 세트 및 테스트 데이터 세트를 포함하는, 인공지능 모델 학습 데이터 수집 방법.
According to paragraph 1,
The learning data is,
Divided into multiple data sets,
The plurality of data sets are,
A method of collecting artificial intelligence model training data, including a training data set, a validation data set, and a test data set.
 제1항 내지 제15항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
A computer program stored in a computer-readable recording medium for executing the method according to any one of claims 1 to 15 on a computer.
 정보 처리 시스템으로서,
통신 모듈;
메모리; 및
상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로그램은,
가상 시뮬레이션 환경에 기초하여 생성된 인공지능 모델의 학습 데이터를 수신하고,
상기 학습 데이터를 라벨링하고,
상기 라벨링된 학습 데이터를 데이터베이스에 저장하기 위한 명령어들을 포함하는, 정보 처리 시스템.
As an information processing system,
communication module;
Memory; and
At least one processor connected to the memory and configured to execute at least one computer-readable program included in the memory,
The at least one program is,
Receive learning data of an artificial intelligence model created based on a virtual simulation environment,
Label the training data,
An information processing system comprising instructions for storing the labeled learning data in a database.
 제17항에 있어서,
상기 가상 시뮬레이션 환경은 그래픽 엔진에 의해 구현되고,
상기 학습 데이터를 라벨링하는 것은,
상기 그래픽 엔진으로부터 제공된 레이블 데이터에 기초하여 상기 학습 데이터를 라벨링하는 것을 포함하는, 정보 처리 시스템.
According to clause 17,
The virtual simulation environment is implemented by a graphics engine,
Labeling the learning data involves:
An information processing system comprising labeling the learning data based on label data provided from the graphics engine.
 제17항에 있어서,
상기 학습 데이터는 적대적 공격 데이터를 포함하는, 정보 처리 시스템.
According to clause 17,
An information processing system, wherein the learning data includes adversarial attack data.
 제19항에 있어서,
상기 적대적 공격 데이터는 상기 가상 시뮬레이션 환경을 관리하는 가상 환경 시스템에 의해 생성되고,
상기 가상 환경 시스템은 뉴럴 렌더링 모델에 의해, 상기 가상 시뮬레이션 환경의 특정 객체에 대한 레퍼런스 이미지, 상기 특정 객체에 대한 마스크 이미지 및 적대적 텍스처에 기초하여 적대적 이미지를 생성하는, 정보 처리 시스템.

According to clause 19,
The hostile attack data is generated by a virtual environment system that manages the virtual simulation environment,
The virtual environment system generates an adversarial image based on a reference image for a specific object in the virtual simulation environment, a mask image for the specific object, and an adversarial texture by a neural rendering model.
KR1020230131127A 2022-11-28 2023-09-27 Method and system for collecting learning data for artificial intelligence model based on virtual simulation environment KR102686489B1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20220161840 2022-11-28
KR1020220161840 2022-11-28

Publications (2)

Publication Number Publication Date
KR20240080109A true KR20240080109A (en) 2024-06-05
KR102686489B1 KR102686489B1 (en) 2024-07-19

Family

ID=

Similar Documents

Publication Publication Date Title
US20200250363A1 (en) Simulation and validation of autonomous vehicle system and components
Johnson-Roberson et al. Driving in the matrix: Can virtual worlds replace human-generated annotations for real world tasks?
US10832478B2 (en) Method and system for virtual sensor data generation with depth ground truth annotation
US11403851B2 (en) Systems and methods for utilizing machine learning and other models to reconstruct a vehicle accident scene from video
JP2017151973A (en) Generation of a virtual world to assess real-world video analysis performance
US20230419113A1 (en) Attention-based deep reinforcement learning for autonomous agents
CN114514524A (en) Multi-agent simulation
CN114429528A (en) Image processing method, image processing apparatus, image processing device, computer program, and storage medium
US11587314B2 (en) Intelligent correction of vision deficiency
CN112883991A (en) Object classification method, object classification circuit and motor vehicle
US20200380085A1 (en) Simulations with Realistic Sensor-Fusion Detection Estimates of Objects
CN115151913A (en) Deep reinforcement learning method for generating environmental features for vulnerability analysis and performance improvement of computer vision system
US20220266854A1 (en) Method for Operating a Driver Assistance System of a Vehicle and Driver Assistance System for a Vehicle
Fernández et al. Robust Real‐Time Traffic Surveillance with Deep Learning
CN111882199A (en) Automatic driving laser radar data amplification method based on rule variation
Stocco et al. Model vs system level testing of autonomous driving systems: a replication and extension study
CN114627073A (en) Terrain recognition method, terrain recognition device, computer equipment and storage medium
CN114998669A (en) Computer-implemented method for testing consistency of reality and synthetic images of machine learning
KR102686489B1 (en) Method and system for collecting learning data for artificial intelligence model based on virtual simulation environment
KR102441490B1 (en) Method and system for generating adversarial pattern on image
KR20240080109A (en) Method and system for collecting learning data for artificial intelligence model based on virtual simulation environment
Veeravasarapu et al. Model-driven simulations for computer vision
Pfeffer et al. Trade-off analysis using synthetic training data for neural networks in the automotive development process
CN116071557A (en) Long tail target detection method, computer readable storage medium and driving device
CN112529116B (en) Scene element fusion processing method, device and equipment and computer storage medium

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant