WO2021080175A1 - 컨텐츠 처리 방법 - Google Patents
컨텐츠 처리 방법 Download PDFInfo
- Publication number
- WO2021080175A1 WO2021080175A1 PCT/KR2020/012275 KR2020012275W WO2021080175A1 WO 2021080175 A1 WO2021080175 A1 WO 2021080175A1 KR 2020012275 W KR2020012275 W KR 2020012275W WO 2021080175 A1 WO2021080175 A1 WO 2021080175A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- content
- project
- processing
- learning
- selection
- Prior art date
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 116
- 238000012545 processing Methods 0.000 claims abstract description 140
- 238000004590 computer program Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims description 258
- 238000000034 method Methods 0.000 claims description 73
- 230000011218 segmentation Effects 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 13
- 238000012986 modification Methods 0.000 claims description 10
- 230000004048 modification Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 description 63
- 238000012549 training Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 24
- 230000006870 function Effects 0.000 description 21
- 238000004891 communication Methods 0.000 description 19
- 241000282330 Procyon lotor Species 0.000 description 13
- 230000008921 facial expression Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000006855 networking Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013498 data listing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/85—Assembly of content; Generation of multimedia applications
- H04N21/854—Content authoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04842—Selection of displayed objects or displayed text elements
-
- 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
- G06N3/105—Shells for specifying net layout
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/0482—Interaction with lists of selectable items, e.g. menus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/431—Generation of visual interfaces for content selection or interaction; Content or additional data rendering
- H04N21/4312—Generation of visual interfaces for content selection or interaction; Content or additional data rendering involving specific graphical features, e.g. screen layout, special fonts or colors, blinking icons, highlights or animations
- H04N21/4316—Generation of visual interfaces for content selection or interaction; Content or additional data rendering involving specific graphical features, e.g. screen layout, special fonts or colors, blinking icons, highlights or animations for displaying supplemental content in a region of the screen, e.g. an advertisement in a separate window
Definitions
- the present invention relates to a method for processing contents, and more particularly, to a method for providing a user interface for processing contents.
- Deep learning is a set of machine learning algorithms that attempt a high level of abstraction through a combination of several nonlinear transformation techniques.
- Korean Patent Publication No. 2016-0012537 discloses a neural network learning method and apparatus, and a data processing apparatus.
- the present disclosure was conceived in response to the above-described background technology, and an object of the present disclosure is to provide a content processing method.
- a computer program stored in a computer-readable storage medium for realizing the above-described problems, wherein the computer program receives a selection input for a project when it is executed on one or more processors of a computing device.
- the project selection layer of the first screen is a project selection object for receiving an execution selection input for an existing project And a project creation object for receiving a selection input for creating a new project.
- the project creation layer of the first screen is a project in response to a selection input for a project creation object included in the project selection layer. It includes two or more project-related objects for generating the project, and the project-related object may be an object for receiving selection input for setting items for a project.
- the two or more project-related objects are a domain selection object for setting a domain of content, and a domain selection object for setting a content processing method. It may include a processing method selection object and a model selection object for setting a processing algorithm of the content.
- the step selection object is a learning step selection object for receiving a selection input for a learning step and a selection for the content processing step It may include a content processing step selection object for receiving an input.
- the project execution area includes a pre-processing layer for displaying a pre-processing step for project learning
- the pre-processing layer is It may include at least one of a pre-processing setting area for displaying a pre-processing setting-related object, a pre-processing content area for displaying a list of pre-processing target contents, or a pre-processing operation area for performing a pre-processing operation.
- the pre-processing content area includes two or more pre-processing target content objects corresponding to each of the pre-processing target content, and one pre-processing
- the preprocessing target content corresponding to the one preprocessing target content object may be loaded into the preprocessing operation area in response to a selection input for the target content object.
- the pre-processing operation region is a pre-processing operation for the pre-processing target content based on at least one of a pre-learned model or a user input. It may be an area for controlling performance.
- the pre-processing operation area is a pre-processing operation for a preview of the content to be modified when the content processing method is a content modification.
- a preprocessing operation interface for assigning a classification label when the content processing method is a content classification a preprocessing operation interface for assigning an object identification label when the content processing method is object detection of the content, or the
- the content processing method is a content segmentation
- at least one of a preprocessing operation interface for assigning a segmentation label may be included.
- the project execution area includes a learning layer for displaying a project learning step, and the learning layer is It may include at least one of a learning setting area for receiving a selection input for setting or a learning operation area for displaying a learning operation.
- the learning setting area is for displaying a learning setting object for receiving a user input related to the learning setting or learning progress information. It may include at least one of the objects.
- the learning operation area may be an area for displaying learning completion level information.
- the project execution area includes a processing target determination layer for receiving processing target content for processing using a learned project.
- the project execution area includes a content processing layer for displaying a processing result for the content to be processed, and the content
- the processing method of the content is the transformation of the content
- an interface for displaying the transformed content and when the processing method of the content is the classification of the content or object detection, the label for the user selection input among a plurality of labels.
- the interface may include at least one of an interface for displaying a corresponding content, or an interface for displaying only a segmented object when the content processing method is a content segmentation.
- a method for processing content according to an embodiment of the present disclosure for realizing the above-described problem comprising: displaying a first screen including a project-related object for receiving a selection input for a project; And displaying a second screen for displaying a project execution step corresponding to the selected project, and the second screen includes a navigation area including a step selection object for receiving a selection input for the project execution step, and It may include a project execution area for content processing corresponding to the project execution step.
- a server for providing a content processing method comprising: a processor including one or more cores; And a memory, wherein the processor displays a first screen including a project-related object for receiving a selection input for a project, and displays a second screen for displaying a project execution step corresponding to the selected project, and And, the second screen may include a navigation area including a step selection object for receiving a selection input for a project execution step, and a project execution area for content processing corresponding to the project execution step.
- the present disclosure may provide a content processing method.
- FIG. 1 is a diagram illustrating a block diagram of a computing device that performs an operation for providing a content processing method according to an embodiment of the present disclosure.
- FIG. 2 is a diagram illustrating a project selection layer of a first screen according to an exemplary embodiment of the present disclosure.
- FIG 3 is a diagram illustrating a project generation layer of a first screen according to an exemplary embodiment of the present disclosure.
- FIG. 4 is a diagram illustrating an object related to a project according to an embodiment of the present disclosure.
- FIG. 5 is a diagram illustrating a second screen according to an exemplary embodiment of the present disclosure.
- FIG. 6 is a diagram illustrating a navigation area according to an exemplary embodiment of the present disclosure.
- FIG. 7 is a diagram illustrating a preprocessing layer of a project execution area according to an exemplary embodiment of the present disclosure.
- FIG. 8 is a diagram illustrating a preprocessing layer of a project execution area according to an embodiment of the present disclosure.
- FIG. 9 is a diagram illustrating a learning layer of a project execution area according to an embodiment of the present disclosure.
- FIG. 10 is a diagram illustrating a process target determination layer in a project execution area according to an embodiment of the present disclosure.
- FIG. 11 is a diagram illustrating a content processing layer according to an embodiment of the present disclosure.
- FIG. 12 is a diagram illustrating a result of processing content according to an embodiment of the present disclosure.
- FIG. 13 is a flowchart of a content processing method according to an embodiment of the present disclosure.
- FIG. 14 is a block diagram of a computing device according to an embodiment of the present disclosure.
- a component may be, but is not limited to, a process executed on a processor, a processor, an object, a thread of execution, a program, and/or a computer.
- an application running on a computing device and a computing device may be components.
- One or more components may reside within a processor and/or thread of execution.
- a component can be localized within a single computer.
- a component can be distributed between two or more computers.
- these components can execute from a variety of computer readable media having various data structures stored therein.
- Components can be, for example, through a signal with one or more data packets (e.g., data from one component interacting with another component in a local system, a distributed system, and/or a signal through another system and a network such as the Internet. Depending on the data being transmitted), it may communicate via local and/or remote processes.
- data packets e.g., data from one component interacting with another component in a local system, a distributed system, and/or a signal through another system and a network such as the Internet.
- it may communicate via local and/or remote processes.
- the server may include other components for executing the server environment of the server.
- the server may include any type of device.
- the server is a digital device, and may be a digital device equipped with a processor, such as a laptop computer, a notebook computer, a desktop computer, a web pad, and a mobile phone, and equipped with a computing power having a memory.
- the server may be a web server that processes services.
- the types of servers described above are only examples, and the present disclosure is not limited thereto.
- neural networks artificial neural networks, and network functions can often be used interchangeably.
- FIG. 1 is a diagram illustrating a block diagram of a computing device that performs an operation for providing a content processing method according to an embodiment of the present disclosure.
- the content may be digitally generated information.
- the content may include any form of digitally generated information.
- the content may include information in the form of an image or text, for example.
- the content may be, for example, a set of images or a set of text.
- the set of text may be, for example, an online document, a word file, an excel file, or the like.
- the detailed description of the above-described content is only an example, and the present disclosure is not limited thereto.
- FIG. 2 is a diagram illustrating a project selection layer of a first screen according to an exemplary embodiment of the present disclosure.
- the processor 120 may display the first screen 200 including a project-related object for receiving a selection input for a project for processing content.
- a project may be a set of a series of tasks performed for processing content. Projects can be matched with settings related to content processing. Two or more projects may be stored in the memory 130. Each of the two or more projects may be matched with settings related to content processing and stored in the memory 130.
- the memory 130 may store a set of contents to be processed for processing using each of two or more projects or a set of processed contents processed using each of two or more projects.
- the project selection layer 210 of the first screen 200 includes a project selection object 214 for receiving an execution selection input for an existing project and a project creation object for receiving selection input for creating a new project ( 212).
- a project selection object 214 is shown in FIG. 2, this is only an example, and the present disclosure is not limited thereto.
- two or more project selection objects 214 may be displayed on the project selection layer 210.
- the two or more project selection objects 214 stored in the memory 130 may correspond to at least one of a project selection object corresponding to a previously created project or a project selection object shared from another user or a computing device.
- the processor 120 may receive a user input for the project selection object 214 or the project creation object 212 included in the project selection layer 210 using the user interface or the network unit 110.
- the processor 120 may execute a project corresponding to the project selection object 214.
- the processor 120 may display a series of processes matched with the project selection object 214 and stored in the memory 130 to be executed for processing content on the user interface.
- the processor 120 may display a processing target determination layer 800 for inputting processing target content on the user interface.
- a project selection object is displayed on a user interface
- a user may use a project previously used as it is.
- users can download and use projects used by other users. Even for users who lack expertise in deep learning algorithms, if users with expertise download and use projects created by users with expertise, content can be processed more easily by using deep learning algorithms.
- FIGS. 3 and 4 are diagrams illustrating a project generation layer of a first screen according to an exemplary embodiment of the present disclosure.
- the first screen 200 may include a project selection layer 210 and a project creation layer 220.
- the project creation layer 220 may be a layer displayed according to a user's selection input for the project creation object 212 included in the project selection layer 210.
- the project selection layer 210 and the project creation layer 220 may be layers of different sizes.
- the project creation layer 220 may be a layer higher than the project selection layer 210.
- at least a portion of the project creation layer 220 is displayed semi-transparently, so that at least a portion of the project selection layer 210, which is a lower layer (ie, a base layer), is semi-transparent in the user interface. Can also be displayed.
- the detailed description of the above-described project selection layer and project generation layer is only an example, and the present disclosure is not limited thereto.
- the project creation layer 220 of the first screen 200 may include two or more project-related objects for generating a project in response to a selection input for the project creation object 212 included in the project selection layer 210. have.
- the project-related object may be an object for receiving selection input for setting items for a project.
- Each of two or more project-related objects can be matched with project-related settings.
- Settings related to the processing of the contents of the project may be determined based on the selection input for the project-related object.
- the settings related to the project may include settings related to the content to be processed in the project, and may include, for example, settings related to the type of content and a processing method.
- Two or more project-related objects include a domain selection object 222 for setting a domain of content, a processing method selection object 224 for setting a processing method of content, and a model selection object 226 for setting a processing algorithm of contents.
- the processor 120 may display project-related objects for each step on a user interface, so that users can conveniently determine settings for a project.
- the processor 120 may cause one or more domain selection objects 222 to be displayed on a user interface to create a project.
- the domain may be a set of contents having the same format.
- the domain may include an image domain, a text domain, a voice domain, and the like.
- Each of the one or more domain selection objects 222 may match a domain.
- the domain selection object 222 may be, for example, an image domain selection object, a text domain selection object, a voice domain selection object, or the like.
- Each of the one or more domains may match one or more processing methods. That is, each of the one or more domain selection objects 222 may be matched with one or more processing method selection objects 224.
- the detailed description of the above-described domain selection object is only an example, and the present disclosure is not limited thereto.
- the processor 120 may display one or more processing method selection objects 224 on the user interface to create a project.
- the processor 120 may display one or more processing method selection objects 224 matched with the selected domain selection object 222 on the user interface in response to a user input to the domain selection object 222.
- the processing method may be a method for processing content.
- the processing method may be matched with a result to be obtained by processing the content.
- Each of the one or more processing method selection objects 224 may be matched with a processing method and stored in the memory 130. For example, when receiving a user input for an image domain selection object, the processor 120 performs each of image classification, image segmentation, and object detection, which are processing methods matched to the image domain.
- the corresponding processing method selection object 224 may be displayed on the user interface.
- the processor 120 is a processing method corresponding to each of text mining, which is a processing method matched to the text domain, and extracting semantic information of the text.
- the selection object 224 may be displayed on the user interface.
- One or more processing methods may match one or more models.
- each of the one or more processing method selection objects 224 may be matched with one or more model selection objects 226.
- the detailed description of the above-described processing method selection object is only an example, and the present disclosure is not limited thereto.
- the processor 120 may receive a new processing method through the network unit 110 or a user interface. When receiving a new processing method, the processor 120 may receive additional inputs regarding one or more models on which the processing method may be performed. The processor 120 may store a new processing method and model in the memory 130.
- the processor 120 may display one or more model selection objects 226 on the user interface to create a project.
- the processor 120 may display one or more model selection objects 226 matched to the selected processing method selection object 224 on the user interface in response to a user input to the processing method selection object 224.
- the model may be an artificial neural network model for processing content.
- the model may include one or more network functions for processing the content. For example, when receiving a user input for the processing method selection object 224 for image segmentation, the processor 120 is the FCN matched with the processing method selection object 224 for image segmentation.
- One or more model selection objects 226 corresponding to each of the (Fully Convolutional Network) model, SegNet (Semantic Segmentation Network) model, UNet (U Network) model, and MaskRCNN model may be displayed on the user interface.
- the processor 120 when receiving a user input for the processing method selection object 224 for image classification, the processor 120 is DenseNet matched with the processing method selection object 224 for image classification.
- One or more model selection objects 226 corresponding to each model such as a model, an InceptionV4 model, a NASNET model, and a MobileNet model, may be displayed on the user interface.
- the processor 120 when receiving a user input for a processing method selection object for object detection, the processor 120 is a YOLO (You Only Look Once) model matched to the processing method selection object for object detection, R-CNN ( One or more model selection objects 226 corresponding to each model, such as a Region-based Convolutional Neural Network) model, may be displayed on the user interface.
- R-CNN One or more model selection objects 226 corresponding to each model, such as a Region-based Convolutional Neural Network
- the processor 120 may determine a model most frequently used for each content processing method as a default model. When there is no user input, the processor 120 may perform a content processing method using a default model.
- the detailed description of the above-described model selection object is only an example, and the present disclosure is not limited thereto.
- the processor 120 may receive a new model through the network unit 110 or a user interface.
- the new model may be matched with the processing method and stored in the memory 130.
- a content processing method according to an embodiment of the present disclosure may be performed by inputting a new model.
- FIG. 5 is a diagram illustrating a second screen according to an exemplary embodiment of the present disclosure.
- the processor 120 may display a second screen 300 for displaying a project execution step corresponding to the project selected on the first screen 200.
- the processor 120 trains a model included in the project in response to a selection input for the project creation object 212 included in the project creation layer 220 of the first screen 200, and uses the model to generate content.
- the second screen 300 for processing may be displayed.
- the second screen 300 may include a navigation area 400 including a step selection object for receiving a selection input for a project execution step, and a project execution area 500 for processing content corresponding to the project execution step.
- the project execution area 500 may be an area in which a layer matching the project execution step is displayed.
- the preprocessing layer 600 of the project execution area 500 may be a layer for displaying a preprocessing step for project learning.
- the learning layer 700 of the project execution area 500 may be a layer for displaying a project learning step.
- the processing target content determination layer 800 of the project execution area 500 may be a layer for receiving an input of processing target content for processing using a learned project.
- the content processing layer 900 of the project execution area 500 may be a layer for displaying a processing result of the content to be processed.
- the preprocessing layer 600, the learning layer 700, the processing target content determination layer 800, and the content processing layer 900 may each have the same size. When one layer is displayed, the other three layers may not be displayed in the user interface.
- the specific description of the above-described layer is only an example, and the present disclosure is not limited thereto.
- FIG. 6 is a diagram illustrating a navigation area according to an exemplary embodiment of the present disclosure.
- the navigation area 400 may include a step selection object for receiving a selection input for a project execution step.
- the step selection object may include a learning step selection object 410 for receiving a selection input for the learning step and a content processing step selection object 420 for receiving a selection input for the content processing step.
- a project execution step included in the navigation area 400 and a layer displayed in the project execution area 500 may be matched.
- the learning step selection object 410 may correspond to a step for training a model included in the project.
- the learning step selection object 410 may include a learning preprocessing object 412 and a learning object 414.
- the learning preprocessing object 412 may correspond to a step of generating training data for model learning.
- the learning object 414 may correspond to the learning stage of the model.
- the learning pre-processing object 412 may be matched with the pre-processing layer 600 displayed in the project execution area 500, and the learning object 414 may be matched with the learning layer 700 displayed in the project execution area 500. have.
- the content processing step selection object 420 may correspond to a step for processing content using a learned model included in the project.
- the content processing step selection object 420 may include a content preprocessing object 422 and a content processing object 424.
- the content pre-processing object 422 may correspond to a step of determining a processing target content to be processed using the learned model.
- the content processing object 424 may correspond to a step for processing content using a model.
- the content preprocessing object 422 is matched with the processing target content determination layer 800 displayed in the project execution area 500, and the content processing object 424 is a content processing layer 900 displayed in the project execution area 500. ) Can be matched.
- the navigation area 400 may be displayed in an upper area of the project execution area 500. Accordingly, even if the layer displayed in the project execution area 500 is changed, the user can check the navigation area 400 and can quickly move to another step to be used by using the navigation area 400. The user can see the object corresponding to the current stage displayed in the navigation area 400 and conveniently check which stage of the entire process the stage currently being executed in the project execution area 500 corresponds to.
- FIGS. 7 and 8 are diagrams illustrating a preprocessing layer of a project execution area according to an exemplary embodiment of the present disclosure.
- the project execution area 500 may include a preprocessing layer 600 for displaying a preprocessing step for learning a project.
- the preprocessing layer 600 may be a layer for displaying an operation for generating learning data for learning a project.
- the pre-processing layer 600 includes at least one of a pre-processing setting area 610 for displaying a pre-processing setting-related object, a pre-processing content area 620 for displaying a pre-processing target content list, or a pre-processing operation area 630 for performing a pre-processing operation. It can contain one.
- the pre-processing setting area 610 may display setting information related to pre-processing of the content to be pre-processed.
- the preprocessing setting area 610 may display setting information for generating learning data by using preprocessing target content.
- the preprocessing setting related object may be an object displayed on a user interface to receive setting information related to preprocessing.
- the preprocessing setting related object may be matched with a setting regarding a label of the learning data and a setting regarding a preprocessing operation of the training data.
- the setting regarding the preprocessing operation of the training data may be a setting regarding a method of preprocessing the content to be preprocessed, which is input data included in the training data.
- the setting for the pre-processing operation may be related to at least one of a domain of the content or a method of processing the content. For example, based on the setting of the preprocessing operation, when the domain of the content is an image, the processor 120 changes the size of the preprocessing target contents that are input to the model (e.g., preprocessing target contents input to the model are It can be modified to be the same size).
- the processor 120 vectorizes the text to be input to the model, corrects typos or spaces included in the text, or utters the text when the domain of the content is text. Star text classification, etc. can be performed.
- the processor 120 may perform Speech to Text (STT) conversion on the content.
- STT Speech to Text
- the processor 120 if the content processing method is to check the subject of text, and the purpose of confirming the subject of the text of a specific user among a plurality of text input subjects, the processor 120 excludes a specific user. It is also possible to perform an operation of excluding the input text of other users.
- the detailed description of the setting for the above-described pre-processing operation is only an example, and the present disclosure is not limited thereto.
- the setting regarding the label of the learning data may be a setting regarding a label matching the content to be preprocessed, which is input data.
- the label of the learning data may be associated with a content processing method.
- the setting regarding a label of the learning data may be a setting regarding a class for classifying an image.
- the processor 120 may receive a class 612 related to a raccoon, a person, a balloon, etc. through the network unit 110 or a user interface.
- the classification of the image may be a classification related to facial expressions included in the image.
- the processor 120 may receive a class 612 related to gladness, sadness, anger, etc. through the network unit 110 or a user interface.
- the detailed description of the above-described label setting is for illustrative purposes only, and the present disclosure is not limited thereto.
- the setting regarding the label of the learning data may be setting regarding the type of the label and the information 614 for classifying the label for each class.
- the shape of the label may be a shape, such as a square or circle, of a label for displaying an object, and a color.
- the label 634 may be displayed in a square shape in the preprocessing operation area 630 based on the setting regarding the label.
- the shape of the label may be, for example, in the case of image segmentation, the shape of a label for indicating the location of the object to be searched.
- the processor 120 generates a first point that is the boundary between the object and the background based on the user's first input, and generates a second point that is the boundary between the object and the background based on the user's second input, and the first The label can be set to include a straight or curved connection of the point and the second point.
- the information 614 for classifying labels for each class may be information for differently displaying labels corresponding to different classes.
- the information 614 for classifying a label for each class may be information for distinguishing a label corresponding to one class from a label corresponding to another class when there are two or more classes.
- the information 614 for classifying a label for each class may include a color of a label, a shape of a line, and the like.
- the label may be set to be displayed in blue for the raccoon, and the label may be set to be displayed in yellow for the balloon.
- the detailed description of the above-described label setting is for illustrative purposes only, and the present disclosure is not limited thereto.
- the user can conveniently set the preprocessing method by using the preprocessing setting area 610.
- the user may easily set the preprocessing method through selection input for objects included in the preprocessing setting area 610.
- Learning of a model may be performed by at least one of the processor 120 of the computing device 100 or the processor 2200 of the server 2000.
- the processor 120 of the computing device 100 may receive data for model training and a user input regarding a training setting through the network unit 110.
- the processor 120 of the computing device 100 may train a model based on a user input regarding data and a learning setting.
- the processor 120 of the computing device 100 transmits data and user input related to the learning setting to the server 2000 through the network unit 110, so that the model is trained in the server 2000. You can do it.
- the server 2000 may be a cloud computing device.
- the processor 120 of the computing device 100 may receive a model that has been trained from the server 2000 through the network unit 110.
- the processor 120 may receive weight information of a model that has been trained from the server 2000 and store it in the memory 130.
- the processor 120 may perform an operation on the content to be processed, which is input data, using the model on which the training has been completed.
- the processor 120 of the computing device 100 transmits the content to be processed to the server 2000 through the network unit 110 and performs calculation using the model learned by the server 2000. Can be done.
- the processor 120 of the computing device 100 may receive only the operation result for the content to be processed from the server 2000 through the network unit 110.
- learning about the model and inference calculations using the learned model are performed by the server 2000, which is a cloud computing device, 100) can increase the computing power and memory efficiency.
- the cloud server to learn and reason about the model, it is possible to learn a large model by overcoming the limitation of the computing power of the user computing device, and the service provider of the cloud server can improve the computing power of the cloud server.
- the computing device 100 is a mobile device, it may be difficult to perform a complex operation, and thus data may be transmitted to the server 2000 to be processed.
- the pre-processing content area 620 may include two or more pre-processing target content objects 622 corresponding to each of the pre-processing target content.
- the content object 622 to be preprocessed may correspond to input of training data for model learning.
- the processor 120 allows the preprocessing target content corresponding to the preprocessing target content object 622 to be loaded in the preprocessing operation area 630 in response to a selection input for one preprocessing target content object 622. I can.
- the user can perform a pre-processing operation on the content by clicking on the pre-processing target content included in the pre-processing content area 620 and can easily manage the pre-processing target content.
- the pre-processing operation area 630 may be an area for controlling execution of a pre-processing operation on the pre-processing target content 632 based on at least one of a pre-trained model or a user input.
- the pre-processing operation area 630 may be an area for controlling execution of a pre-processing operation on the pre-processing target content based on setting information related to pre-processing.
- the processor 120 may receive an operation related to pre-processing from a user and perform pre-processing on the content 632 to be pre-processed.
- the processor 120 performs pre-processing on the pre-processing target content 632 based on setting information related to pre-processing to generate a pseudo pre-processing result (ie, a pseudo label),
- a result of the pseudo pre-processing may be displayed to the user, and a pre-processing result (ie, a label based on a pseudo label) may be generated by receiving a user input for the pseudo pre-processing result from the user.
- the user may input a label according to a preset method, and since the processor 120 generates training data according to the user's label input, convenience of generating training data may be improved.
- the processor 120 provides the pseudo label to the user, and the user only needs to input an evaluation for the correct or incorrect answer for the pseudo label, it may be efficient in terms of time and cost when generating a large amount of training data.
- the processor 120 may display the pre-processing target content 632 in which at least some of the pre-processing has been performed on the pre-processing operation area 630 based on a setting regarding a pre-processing operation associated with the domain of the content.
- the processor 120 may cause the pre-processing target content 632 to be loaded in the pre-processing operation region 630 in response to a selection input for the pre-processing target content object 622. For example, when the domain of the content is an image, the processor 120 may change the size of the image so that the pre-processing target content 632 is displayed in the pre-processing operation area 630.
- the processor 120 may correct typos or spaces in the text, or classify the text by speaker or upper category so that the pre-processing target content is displayed in the pre-processing operation area 630.
- a detailed description of displaying the above-described preprocessing target content on the preprocessing operation area 630 is only an example, and the present disclosure is not limited thereto. Since the processor 120 displays the content to be pre-processed on which basic pre-processing has been performed in the pre-processing operation area, it can be efficient in terms of time and cost required for the user to pre-process.
- the preprocessing operation area 630 may include a preprocessing operation interface for inputting the modified content when the content processing method is content modification.
- the pre-processing operation area 630 may be an area for receiving a user input for content modified according to a modification criterion.
- the processor 120 may use the modified content uploaded by the user to the preprocessing operation area 630 as a label of the learning data.
- the pre-processing target content 632 is an input of learning data that is the target of transformation into a Gogh-like image
- the related setting may be a transformation setting to a Gogh-like image (eg, a Gogh image, a description of a Gogh image style, etc.), and an image that has been transformed into a Gogh-like image uploaded from a user may be a label of the learning data.
- the preprocessing operation area 630 may include a preprocessing operation interface for a preview of the content to be modified when the content processing method is content modification.
- the preview of the content to be transformed may be a result of pseudo preprocessing.
- the processor 120 may generate a preview of the content to be transformed by transforming the content to be processed 632 using the transforming criterion.
- the transformation criterion is a style transformation of an image
- the processor 120 may generate a preview of the preprocessing target content 632 in consideration of lines and colors included in the image serving as the transformation criterion.
- the processor 120 may transform the line of the pre-processing target content 632 image to have a curvature and thickness similar to the deformation criterion in consideration of the curvature and thickness of the line of the image that is the deformation criterion, and consider the color of the image. Accordingly, the image color of the pre-processing target content 632 may be transformed to have a color similar to the transformation standard (including saturation, brightness, etc.).
- the processor 120 may display a preview of one or more content to be modified in the preprocessing operation area 630 to receive a user's input of a correct answer or an incorrect answer for the preview.
- the processor 120 may determine the preview of the content as a pre-processing result (ie, a label) of the content based on the user's input of the correct answer.
- the processor 120 may change the preview of the content using the correction information based on an incorrect answer input including correction information (ie, correct answer) or determine the correction information itself as a preprocessing result.
- the processor 120 may generate training data based on, for example, a preview image recognized by the user as the correct answer. That is, when the style change is the purpose of the project, the processor 120 may generate a preview of the pseudo-style change content, determine whether the preview is appropriate or inappropriate, and allow the user to select an appropriate preview. You can create learning results that better reflect your intentions.
- the detailed description of the above-described pre-processing operation region is only an example, and the present disclosure is not limited thereto.
- the pre-processing operation area 630 may include a pre-processing operation interface for assigning a classification label when a content processing method is a content classification.
- the preprocessing operation area 630 may be an area for receiving a user input for a classification label of content.
- the processor 120 may perform a preprocessing operation in the preprocessing operation region 630 using a class determined using the preprocessing setting region 610.
- the processor 120 may receive a selection input for one class to which the content target content 632 belongs among two or more classes for classifying an image through the user interface or the network unit 110.
- the processor 120 may cause the preprocessing target content 632 and one or more classification labels to be displayed on the preprocessing operation area 630.
- the processor 120 may match and store one classification label (ie, correct answer) determined based on a user's input among one or more classification labels displayed on the preprocessing operation area 630 with the preprocessing target content 632.
- the user uses the user interface displayed in the preprocessing operation area 630 to determine whether the preprocessing target content includes an object corresponding to the classification label (for example, when there is one classification class, etc.), and the preprocessing target A classification label of an object included in the content may be input (for example, when there are a plurality of classification classes, a selection input for the type of an object included in the corresponding content among the plurality of classes, etc.) may be input.
- a plurality of classes may correspond to each of the facial expressions.
- the plurality of classes may be classes such as joy, sadness, anger, and the like, and content to be preprocessed may be classified into joy, sadness, and anger, respectively.
- the processor 120 may receive a classification label related to the expression.
- the processor 120 may receive additional labels regarding components for the human face.
- the component may be eyes, mouth, etc. that are the basis for classifying a human facial expression, but the present disclosure is not limited thereto.
- the processor 120 may classify a human facial expression using additional labels for components.
- the processor 120 may display pre-processing target content in the pre-processing operation area 630, and display a component designation object in the pre-processing operation area 630 so that the user designates a component included in the face image.
- the processor 120 may display the component designation object on the preprocessing operation area 630 so that the user can select and input the component (eye) designation object and the eye region to the face image.
- the user can attach a label for the face component through the selection input of the component designation object, and can designate the area of the face component through the selection input of the region including the component in the face image.
- the user can create an additional label for the component of the face image through two selection inputs.
- the processor 120 may generate labeled data including an image, a classification label for an expression received from a user, and an additional label for a component of the face image.
- the processor 120 may classify facial expressions using an additional label that is an input for a user's component.
- the processor 120 may classify facial expressions using labeled data including a classification label and an additional label.
- an additional label which is an input for a user's component
- the efficiency of classifying a user's facial expression may be further increased.
- convenience can be increased because only a few clicks are required.
- the detailed description of the above-described preprocessing operation region 630 is only an example, and the present disclosure is not limited thereto.
- the user does not need to input each class of the classification label in order to assign the classification label to the content, and one of a plurality of displayed classes Since it is only necessary to perform a selection input for the user, it is possible to improve the convenience of the user's generation of learning data.
- the preprocessing operation area 630 may be an area for receiving a user input for a doctor classification label of content.
- the processor 120 uses the preprocessing target content to model And, using the learned model, a pseudo classification label for the remaining pre-processing target contents 632 may be generated.
- the processor 120 may display the remaining pre-processing target content 632 and a doctor classification label corresponding thereto in the pre-processing operation area 630.
- the processor 120 may receive a user's input of a correct answer or an incorrect answer for the doctor classification label.
- the processor 120 may determine the doctor classification label as a classification label matching the preprocessing target content 632 based on the user's correct answer input, and to an error input including correction information (ie, a classification label that is the correct answer) of the user. Based on the preprocessing target content 632, a classification label matching the content 632 may be determined.
- correction information ie, a classification label that is the correct answer
- the preprocessing operation area 630 may include a preprocessing operation interface for assigning an object identification label when the content processing method is object detection.
- the preprocessing operation area 630 may be an area for receiving a user input for an object identification label.
- the processor 120 may receive an object identification label for the preprocessing target content 632 through the user interface or the network unit 110 based on the setting regarding the label of the learning data determined using the preprocessing setting area 610. have.
- the processor 120 may receive an object identification label input in a click-and-drag method.
- the processor 120 may display the label by overlapping the pre-processing target content 632 based on the input of the object identification label and the setting of the label of the learning data.
- the processor 120 may apply a square blue label 634 to the raccoon portion based on the user's object identification label input for the raccoon object included in the preprocessing target content 632 and the setting for the label of the learning data. Can be displayed.
- the processor 120 may match the preprocessing target content 632 with an input to the object identification label of the user and store it as learning data.
- the processor 120 receives a user input and generates training data, thereby improving convenience of the user's generation of training data.
- the preprocessing operation area 630 may be an area for receiving a user input for a pseudo-object identification label of content.
- the processor 120 selects some of the pre-processing target contents 632.
- the model may be trained using the model, and pseudo-object identification labels for the remaining pre-processing target contents 632 may be output using the learned model.
- the processor 120 may display the remaining pre-processing target content 632 and a pseudo-object identification label corresponding thereto on the pre-processing operation area 630.
- the processor 120 may receive a user's input of a correct answer or an incorrect answer for the pseudo-object identification label.
- the processor 120 may determine the pseudo-object identification label as an object identification label matching the preprocessing target content 632 based on the user's correct answer input, and includes correction information of the user (that is, an object identification label that is the correct answer). An object identification label matching the preprocessing target content 632 may be determined based on the error input. In addition, the user may create a modified label by modifying the size or shape of the displayed pseudo label.
- the detailed description of the above-described pre-processing operation region is only an example, and the present disclosure is not limited thereto.
- the pre-processing operation area 630 may include a pre-processing operation interface for assigning a segmentation label when a content processing method is a content segmentation.
- the preprocessing operation area 630 may be an area for receiving a user input for the segmentation label 634.
- the processor 120 receives a segmentation label 634 for the pre-processing target content 632 through the user interface or the network unit 110 based on the setting regarding the label of the learning data determined using the pre-processing setting area 610 can do.
- the processor 120 may generate a segmentation label 634 by connecting two or more user inputs.
- the processor 120 may generate a segmentation label 634 by connecting an object included in the preprocessing target content 632 with two or more user inputs corresponding to a boundary portion of a background.
- the processor 120 generates a first point based on a user's first input for displaying the boundary between the object and the background, generates a second point based on the user's second input, and A segmentation label 634 may be generated by creating a line connecting the two points. That is, the user can create a segmentation label by clicking and dragging along the boundary of the object or by clicking the outline along the boundary.
- the detailed description of the above-described pre-processing operation region is only an example, and the present disclosure is not limited thereto. Since the user only needs to transmit a few inputs to the processor 120 for displaying the boundary between the object and the background in order to generate the segmentation label, the user's convenience for generating the learning data may be increased.
- the preprocessing operation area 630 may be an area for receiving a user input for a pseudo segmentation label of content.
- the processor 120 may generate a pseudo segmentation label using an image processing algorithm.
- the image processing algorithm may include canny edge detection, harris corner detection, and the like, but the present disclosure is not limited thereto.
- canny edge detection the processor 120 removes noise by blurring the preprocessed content 632, detects the edge using the mask edge, removes the Non-Maximum Value, and uses the double threshold. By dividing the size and connecting the edges, you can extract the edges. An edge of a certain pixel thickness may be extracted from the pre-processing target content 632 using an image processing algorithm technique.
- the processor 120 may determine an edge of a predetermined pixel thickness extracted from the preprocessing target content 632 as a pseudo segmentation label.
- a user can create a segmentation label simply by designating an object and a non-object part in the content.
- the detailed description of the above-described pseudo segmentation label is only an example, and the present disclosure is not limited thereto.
- the processor 120 when the processor 120 receives a user input that is a segmentation label for some of the preprocessed content 632 among two or more preprocessed content displayed in the preprocessed content area 620, the partial preprocessed content 632
- the model may be trained by using, and pseudo-segmentation labels for the remaining pre-processing target contents 632 may be output by using the learned model.
- the detailed description of the above-described pseudo segmentation label is only an example, and the present disclosure is not limited thereto.
- the processor 120 may display the preprocessing target content 632 and a pseudo segmentation label corresponding thereto on the preprocessing operation area 630.
- the processor 120 may receive a user's input of a correct answer or an incorrect answer for the pseudo segmentation label.
- the processor 120 may determine the pseudo segmentation label as a segmentation label matching the preprocessed content 632 based on the user's correct answer input, and to an error input including correction information (ie, the segmentation label that is the correct answer) of the user.
- a segmentation label matching the preprocessing target content 632 may be determined based on the preprocessing target content 632.
- the preprocessing operation area 630 may be an area for receiving a user input for a semantic label of content.
- the semantic label may be a subject of pre-processing target content, a category of pre-processing target content, or the like.
- the processor 120 may display text included in the pre-processing target content 632 on the pre-processing operation area 630 and may receive a semantic label, which is semantic information about the text, from a user.
- the processor 120 may display text included in the preprocessing target content 632 and two or more semantic labels on the preprocessing operation area 630, and may receive a selection input for one semantic label from a user. For example, the content to be pre-processed is "I received a shipment with damaged clothes.
- the processor 120 inputs a selection for the “exchange, return inquiry” semantic label from the user among the “delivery inquiry” semantic label and the “exchange, return inquiry” semantic label displayed in the preprocessing operation area 630 Can be received.
- the detailed description of the above-described pre-processing operation region is only an example, and the present disclosure is not limited thereto.
- FIG. 9 is a diagram illustrating a learning layer of a project execution area according to an embodiment of the present disclosure.
- the project execution area 500 may include a learning layer 700 for displaying project learning steps.
- the learning layer 700 may include at least one of a learning setting region 710 for receiving a selection input for a learning setting or a learning operation region 720 for displaying a learning operation.
- the learning setting area 710 may include at least one of learning setting objects 712 and 714 for receiving a user input regarding learning setting or an object 716 for displaying learning progress information.
- the learning setting objects 712 and 714 may be graphic objects for receiving a user input related to the learning setting.
- the learning setting objects 712 and 714 are graphic objects for receiving user inputs on hyperparameters related to learning, such as a learning epoch, a resource utilization rate (eg, GPU), and a learning rate.
- the processor 120 may perform learning based on the user input. If the user input regarding the learning setting is not received, the processor 120 may perform learning based on a learning setting determined using an amount of learning data, a content domain, a content processing method, a content processing algorithm, and the like.
- the processor 120 may receive a user input regarding a learning setting including 1 GPU, 50 epochs, an initial learning rate of 70, and a late learning rate of 30.
- a learning setting including 1 GPU, 50 epochs, an initial learning rate of 70, and a late learning rate of 30.
- the detailed description of the above-described learning setting is only an example, and the present disclosure is not limited thereto.
- the user may be helpful in research on the content processing method. Users can also help users study deep learning by checking the output and learning completeness that changes according to changes in learning settings.
- the object 716 for displaying the learning progress information may include a degree of completion compared to the entire learning setting.
- the learning progress information may include a learning completion rate according to the performed learning epoch among the set total learning epochs.
- the learning progress information may be information on whether initial and/or late learning is performed.
- the learning progress information may be displayed as a numerical value in the learning setting area 710 or may be displayed as a schematic. The detailed description of the above-described learning progress information is only an example, and the present disclosure is not limited thereto.
- the learning operation area 720 may be an area for displaying learning completeness information.
- the learning completion level information may be displayed in numerical form, or may be displayed in a schematic form, or may be displayed through an arbitrary visualization method that is easy for the user to recognize.
- the processor 120 may display, on the learning operation area 720, information on the learning completeness that is changed as learning is performed using the learning data.
- the processor 120 inputs the content to be processed included in the training data into one or more input nodes included in the input layer of the model in order to train the model corresponding to the content processing algorithm, and the result of the calculation in the output layer of the model ( That is, the error can be calculated by comparing the output) with the label (that is, the correct answer) included in the training data.
- the processor 120 may adjust the weight of the model based on the error.
- the processor 120 may update a weight set for each link by propagating from an output layer included in one or more network functions of the model to an input layer through one or more hidden layers based on the error.
- the processor 120 may display, on the learning operation area 720, learning completion level information including, for example, the number of times the learning is performed and an error (loss) according to the learning.
- the processor 120 may display learning completeness information that changes according to the learning performance on the learning operation area 720.
- the processor 120 may display learning completeness information including an error according to a learning iteration and/or a learning epoch on the learning operation area 720.
- the processor 120 may display information on the number of times the learning is performed on the x-axis of the graph, and display the error on the y-axis of the graph on the learning operation area 720.
- the processor 120 may update the graph each time a learning iteration and/or a learning epoch is performed and display it on the learning operation area 720.
- the processor 120 may display the number of times of learning to be performed corresponding to the point and an error value according to the learning in a pop-up form.
- the detailed description of the above-described learning operation area 720 is only an example, and the present disclosure is not limited thereto.
- FIG. 10 is a diagram illustrating a process target determination layer in a project execution area according to an embodiment of the present disclosure.
- the project execution area 500 may include a processing target determination layer 800 for receiving an input of processing target content 810 for processing using the learned project.
- the processor 120 may display the processing target determination layer 800 to receive the processing target content 810 that is input data of the learned model.
- the processor 120 may receive the content to be processed 810 in the form of drag-and-drop from a folder in which the contents are stored. By allowing the user to input the content to be processed in the form of drag and drop, it is possible to increase the user's convenience of using the interface.
- the processor 120 may receive the content to be processed 810 in a format that can be directly input to the learned model. For example, in the case of image segmentation, the processor 120 may receive an input of each of one or more images, and the received image may be input to a trained model for calculation.
- the detailed description of the above-described processing target content is only an example, and the present disclosure is not limited thereto.
- the processor 120 may receive the processing target content 810 in a format that cannot be directly input to the learned model.
- the processor 120 may adjust the size, for example, when the size of the received image is large or small to be input as a model input.
- the processor 120 receives, for example, a document of a word file including a plurality of images to be processed by the processor 120 using a model, the processor 120 By extracting, the extracted image can be input as an input of the model.
- the detailed description of the above-described processing target content is only an example, and the present disclosure is not limited thereto.
- FIGS. 11 and 12 are diagram illustrating a content processing layer according to an embodiment of the present disclosure.
- 12 is a diagram illustrating a result of processing content according to an embodiment of the present disclosure.
- the project execution area 500 may include a content processing layer 900 for displaying a processing result 910 for processing target content.
- the content processing layer 900 may include an interface for displaying the modified content when the content processing method is content modification.
- the processor 120 may display the modified contents on the content processing layer 900 and download at least some of the modified contents determined based on the user's selection input and store them in another storage space.
- the detailed description of the above-described content processing layer is only an example, and the present disclosure is not limited thereto.
- the content processing layer 900 may include an interface for displaying content corresponding to a label for a user selection input among a plurality of labels.
- the processor 120 may display a content classification result corresponding to each of the plurality of classes on the content processing layer 900.
- the processor 120 may download contents corresponding to at least some of the classes corresponding to the user's selection input among the plurality of classes and store them in another storage space.
- the processor 120 may distinguish the contents classified into each class of a raccoon, balloon, and umbrella and display them on the content processing layer 900. have.
- the processor 120 may separately display or download only contents classified as balloons and store them in another storage space.
- the detailed description of the above-described content processing layer is only an example, and the present disclosure is not limited thereto.
- the processor 120 may display an object detection result corresponding to each of a plurality of classes on the content processing layer 900.
- the processor 120 may, for example, display an object detection result corresponding to the existence or nonexistence class of the object on the content processing layer 900.
- the processor 120 transmits, to the content processing layer 900, an object detection result corresponding to the existence of the first object, the absence of the first object, the presence of the second object, or the nonexistence class of the second object, for example. Can be displayed.
- the processor 120 may download contents corresponding to at least some of the classes corresponding to the user's selection input among the plurality of classes and store them in another storage space.
- the processor 120 separates the contents according to the existence of objects corresponding to a plurality of classes and processes the contents. It can be displayed on the layer 900. For example, when receiving a user's selection input for the raccoon existence class, the processor 120 separately displays or downloads the content including only the raccoon and the content including the raccoon and the balloon to be stored in a different storage space. I can. According to an exemplary embodiment of the present disclosure, when there are contents including a plurality of objects, the processor 120 may distinguish and provide contents including only desired objects to a user.
- the detailed description of the above-described content processing layer is only an example, and the present disclosure is not limited thereto.
- the content processing layer 900 may include an interface for displaying only segmented objects when the content processing method is content segmentation.
- the processor 120 may separate a balloon, which is a segmented object included in the processing result 920 of the content, from the background, and display only the balloon on the content processing layer 900.
- the processor 120 may display the segmentation object separated from the background on the content processing layer 900 separately from the content, or download and store the segmentation object in another storage space. By providing the segmentation object separated from the background to the user, it can be utilized in a method such as compositing the object with another background.
- the detailed description of the above-described content processing layer is only an example, and the present disclosure is not limited thereto.
- a content processing method is selected, content is input to perform learning, and a trained model Content can be processed using.
- the content processing method according to an exemplary embodiment of the present disclosure may increase the convenience of content processing using machine learning by a user.
- the configurations of the computing device 100 and the server 2000 shown in FIG. 1 are only simplified examples.
- the computing device 100 and the server 2000 may include other components for performing the computing environment of the computing device 100 and the server 2000, and only some of the disclosed components It is also possible to configure 100 and the server 2000.
- the computing device 100 may include a network unit 110, a processor 120, and a memory 130.
- the server 2000 may include a network unit 2100, a processor 2200, and a memory 2300.
- the network unit 110 and the network unit 2100 may transmit/receive data, etc. for providing a content processing method according to an embodiment of the present disclosure, with other computing devices, servers, and the like.
- the network unit 110 and the network unit 2100 may transmit/receive data necessary for an embodiment of the present disclosure, such as content and content processing results, with other computing devices, servers, and the like.
- the network unit 110 and the network unit 2100 may receive a project, settings for a project, content to be processed, information on a content processing result, and the like from a database.
- the network unit 110 and the network unit 2100 may enable communication between a plurality of computing devices so that learning of a network function is distributed in each of the plurality of computing devices.
- the network unit 110 and the network unit 2100 may enable communication between a plurality of computing devices to perform distributed processing of an operation for outputting a result of content using a network function.
- the network unit 110 and the network unit 2100 include a public switched telephone network (PSTN), x Digital Subscriber Line (xDSL), Rate Adaptive DSL (RADSL), Multi Various wired communication systems such as Rate DSL), VDSL (Very High Speed DSL), UADSL (Universal Asymmetric DSL), HDSL (High Bit Rate DSL), and local area network (LAN) can be used.
- PSTN public switched telephone network
- xDSL Digital Subscriber Line
- RADSL Rate Adaptive DSL
- Multi Various wired communication systems such as Rate DSL), VDSL (Very High Speed DSL), UADSL (Universal Asymmetric DSL), HDSL (High Bit Rate DSL), and local area network (LAN) can be used.
- PSTN public switched telephone network
- xDSL Digital Subscriber Line
- RADSL Rate Adaptive DSL
- Multi Various wired communication systems such as Rate DSL), VDSL (Very High Speed DSL), UADSL (Universal Asymmetric DSL), HDSL (High Bit
- the network unit 110 and the network unit 2100 presented in the present specification are CDMA (Code Division Multi Access), TDMA (Time Division Multi Access), FDMA (Frequency Division Multi Access), OFDMA (Orthogonal Frequency Division Multi Access). ), SC-FDMA (Single Carrier-FDMA), and various wireless communication systems such as other systems can be used.
- CDMA Code Division Multi Access
- TDMA Time Division Multi Access
- FDMA Frequency Division Multi Access
- OFDMA Orthogonal Frequency Division Multi Access
- SC-FDMA Single Carrier-FDMA
- various wireless communication systems such as other systems can be used.
- the network unit 110 and the network unit 2100 may be configured regardless of their communication modes such as wired and wireless, and may be configured as a short-range communication network (PAN) or a local area network (WAN). It can be composed of various communication networks such as.
- the network may be a known World Wide Web (WWW), and a wireless transmission technology used for short-range communication such as infrared (IrDA) or Bluetooth may be used.
- WWW World Wide Web
- IrDA infrared
- Bluetooth Bluetooth
- the processor 120 and the processor 2200 may be composed of one or more cores, a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), and a tensor processing unit of a computing device.
- a processor for processing content such as (TPU: tensor processing unit) and deep learning may be included.
- the processor 120 and the processor 2200 may read a computer program stored in the memory 130 and the memory 2300 and provide a result of processing content according to an exemplary embodiment of the present disclosure.
- the processor 120 may perform an operation for learning a neural network.
- the processor 120 and the processor 2200 process input data for learning in deep learning (DN), extract features from the input data, calculate errors, and update weights of a neural network using backpropagation.
- DN deep learning
- At least one of the CPU, GPGPU, and TPU of the processor 120 and the processor 2200 may process learning of a network function.
- the CPU and GPGPU together can provide an operation for learning network functions and outputting content processing results using network functions.
- an operation for learning a network function and outputting a processing result of a content using a network function may be provided by using a processor of a plurality of computing devices together.
- the computer program executed in the computing device according to an embodiment of the present disclosure may be a CPU, a GPGPU, or a TPU executable program.
- the processor 120 may transmit or receive data through the network unit 110.
- the processor 120 may transmit data to another computing device or server through the network unit 110 or may receive data from another computing device or server.
- the processor 120 may include a plurality of threads or a plurality of cores included in the computing device 100.
- the processor 120 may perform an operation by distributing it across a plurality of threads or a plurality of cores.
- the processor 120 may perform data transmission/reception between a plurality of threads or a plurality of cores. For example, an operation related to training of a model is performed in a first thread included in the processor 120, and data related to training is transmitted from the first thread to a second thread included in the processor 120,
- the second thread may perform an operation related to inference. Specific descriptions of the above-described operations are only examples, and the present disclosure is not limited thereto, and operations required in the present disclosure may be distributed and performed in each of a core, a thread, a processor, a computing device, or a server.
- the memory 130 and the memory 2300 include information in any form generated or determined by the processor 120 and the processor 2200, and the network unit 110 and the network unit 2100 Any type of information received can be stored.
- the memory 130 and the memory 2300 are a flash memory type, a hard disk type, a multimedia card micro type, and a card type.
- Memory for example, SD or XD memory
- RAM Random Access Memory, RAM
- SRAM Static Random Access Memory
- ROM Read-Only Memory
- EEPROM Electrically Erasable Programmable Read-Only Memory
- PROM Programmable Read-Only Memory
- the computing device 100 may operate in connection with a web storage that performs a storage function of the memory 130 on the Internet.
- the description of the above-described memory is only an example, and the present disclosure is not limited thereto.
- the data structure may store data corresponding to a content processing algorithm according to an embodiment of the present disclosure.
- a computer-readable medium storing a data structure according to an embodiment of the present disclosure is disclosed.
- Data structure can refer to the organization, management, and storage of data that enables efficient access and modification of data.
- the data structure may refer to an organization of data for solving a specific problem (eg, data search, data storage, data modification in the shortest time).
- Data structures may be defined as physical or logical relationships between data elements, designed to support specific data processing functions.
- the logical relationship between data elements may include a connection relationship between data elements that a user thinks.
- the physical relationship between the data elements may include an actual relationship between the data elements physically stored in a computer-readable storage medium (eg, hard disk).
- the data structure may specifically include a set of data, a relationship between data, and a function or instruction applicable to the data.
- the computing device can perform calculations while using the resources of the computing device to a minimum. Specifically, computing devices can increase the efficiency of computation, reading, insertion, deletion, comparison, exchange, and search through an effectively designed data structure.
- the data structure can be classified into a linear data structure and a non-linear data structure according to the shape of the data structure.
- the linear data structure may be a structure in which only one data is connected after one data.
- the linear data structure may include a list, a stack, a queue, and a deck.
- the list may mean a series of data sets in which order exists internally.
- the list may include a linked list.
- the linked list may be a data structure in which data is linked in a way that each data has a pointer and is linked in a single line. In the linked list, the pointer may include connection information with the next or previous data.
- the linked list can be expressed as a single linked list, a double linked list, or a circular linked list.
- the stack can be a data listing structure that allows limited access to data.
- the stack may be a linear data structure that can process (eg, insert or delete) data only at one end of the data structure.
- the data stored in the stack may be a data structure (LIFO-Last in First Out) that comes out sooner as it enters the stack.
- a queue is a data arrangement structure that allows limited access to data, and unlike a stack, a queue may be a data structure (FIFO-First in First Out) that comes out later as data stored later.
- a deck can be a data structure that can process data at both ends of the data structure.
- the nonlinear data structure may be a structure in which a plurality of data is connected behind one data.
- the nonlinear data structure may include a graph data structure.
- the graph data structure may be defined as a vertex and an edge, and the edge may include a line connecting two different vertices.
- the graph data structure may include a tree data structure.
- the tree data structure may be a data structure in which a path connecting two different vertices among a plurality of vertices included in the tree is one. That is, it may be a data structure that does not form a loop in the graph data structure.
- the data structure may include a neural network.
- the data structure including the neural network may be stored in a computer-readable medium.
- the data structure including the neural network may also include data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, an active function associated with each node or layer of the neural network, and a loss function for learning the neural network. have.
- the data structure including the neural network may include any of the components disclosed above.
- the data structure including the neural network is all or all of the data input to the neural network, the weight of the neural network, the hyper parameter of the neural network, the data obtained from the neural network, the active function associated with each node or layer of the neural network, and the loss function for training the neural network. It may be configured to include any combination of. In addition to the above-described configurations, the data structure including the neural network may include any other information that determines the characteristics of the neural network. In addition, the data structure may include all types of data that are used or generated in a neural network operation process, and is not limited to the above-described matters.
- Computer-readable media may include computer-readable recording media and/or computer-readable transmission media.
- a neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons. The neural network is composed of at least one or more nodes.
- the data structure may include data input to the neural network.
- a data structure including data input to the neural network may be stored in a computer-readable medium.
- the data input to the neural network may include training data input during the neural network training process and/or input data input to the neural network on which the training has been completed.
- Data input to the neural network may include data that has undergone pre-processing and/or data to be pre-processed.
- Pre-processing may include a data processing process for inputting data into a neural network.
- the data structure may include data to be pre-processed and data generated by pre-processing.
- the above-described data structure is only an example, and the present disclosure is not limited thereto.
- the data structure may include data input to or output from the neural network.
- a data structure including data input to or output from the neural network may be stored in a computer-readable medium.
- the data structure stored in the computer-readable medium may include data input during an inference process of a neural network or output data output as a result of inference of a neural network.
- the data structure since the data structure may include data processed by a specific data processing method, it may include data before and after processing. Accordingly, the data structure may include data to be processed and data processed through a data processing method.
- the data structure may include weights of the neural network.
- weights and parameters may have the same meaning.
- a data structure including a weight of a neural network may be stored in a computer-readable medium.
- the neural network may include a plurality of weights.
- the weight may be variable and may be changed by a user or an algorithm in order for a neural network to perform a desired function. For example, when one or more input nodes are interconnected to one output node by respective links, the output node includes values input to input nodes connected to the output node and a link corresponding to each input node. The output node value may be determined based on the parameter.
- the above-described data structure is only an example, and the present disclosure is not limited thereto.
- the weight may include a weight variable in a neural network training process and/or a weight on which neural network training has been completed.
- the variable weight in the neural network learning process may include a weight at a time point at which the learning cycle starts and/or a weight variable during the learning cycle.
- the weight at which the neural network training is completed may include the weight at which the learning cycle is completed.
- the data structure including the weight of the neural network may include a data structure including a weight variable during the neural network training process and/or a weight on which the neural network training has been completed. Therefore, it is assumed that the above-described weights and/or combinations of weights are included in the data structure including the weights of the neural network.
- the data structure described above is only an example, and the present disclosure is not limited thereto.
- the data structure including the weights of the neural network may be serialized and then stored in a computer-readable storage medium (eg, memory, hard disk). Serialization may be a process of storing data structures on the same or different computing devices and converting them into a form that can be reconstructed and used later.
- the computing device serializes the data structure to transmit and receive data through a network.
- the data structure including the weights of the serialized neural network can be reconstructed in the same or different computing devices through deserialization.
- the data structure including the weights of the neural network is not limited to serialization.
- the data structure including the weight of the neural network is a data structure to increase the efficiency of operation while using the resources of the computing device to a minimum (e.g., B-Tree, Trie, m-way search tree, AVL tree, in nonlinear data structure, Red-Black Tree).
- a minimum e.g., B-Tree, Trie, m-way search tree, AVL tree, in nonlinear data structure, Red-Black Tree.
- the data structure may include a hyper-parameter of a neural network.
- the data structure including the hyper parameter of the neural network may be stored in a computer-readable medium.
- the hyper parameter may be a variable that is variable by a user.
- Hyper parameters include, for example, learning rate, cost function, number of iterations of learning cycles, weight initialization (e.g., setting the range of weight values to be weighted to be initialized), Hidden Unit It may include the number (eg, the number of hidden layers, the number of nodes of the hidden layer).
- FIG. 13 is a flowchart of a content processing method according to an embodiment of the present disclosure.
- the computing device 100 may display 1010 a first screen including a project-related object for receiving a selection input for a project.
- the project selection layer of the first screen may include a project selection object for receiving an execution selection input for an existing project and a project creation object for receiving a selection input for creating a new project.
- the project creation layer of the first screen may include two or more project-related objects for generating a project in response to a selection input for a project creation object included in the project selection layer.
- the project-related object may be an object for receiving selection input for setting items for a project.
- the two or more project-related objects may include a domain selection object for setting a domain of content, a processing method selection object for setting a content processing method, and a model selection object for setting a content processing algorithm.
- the computing device 100 may display a second screen 1020 for displaying a project execution step corresponding to the selected project.
- the second screen may include a navigation area including a step selection object for receiving a selection input for a project execution step and a project execution area for processing content corresponding to the project execution step.
- the step selection object of the navigation performing region may include a learning step selection object for receiving a selection input for the learning step and a content processing step selection object for receiving a selection input for the content processing step.
- the project execution area may include a pre-processing layer for displaying pre-processing steps for project learning.
- the pre-processing layer may include at least one of a pre-processing setting area for displaying a pre-processing setting-related object, a pre-processing content area for displaying a pre-processing target content list, or a pre-processing operation area for performing a pre-processing operation.
- the pre-processing content area may include two or more pre-processing target content objects corresponding to each of the pre-processing target content.
- the computing device 100 may load preprocessing target content corresponding to the one preprocessing target content object in a preprocessing operation area in response to a selection input for one preprocessing target content object.
- the pre-processing operation area may be an area for controlling execution of a pre-processing operation on the pre-processing target content based on at least one of a pre-learned model or a user input.
- a pre-processing operation interface for previewing the content to be transformed
- the content processing method is a content classification
- a pre-processing operation interface for assigning a classification label
- the content is object detection of the content
- a preprocessing operation interface for assigning an object identification label, or when the processing method of the content is segmentation of the content at least one of a preprocessing operation interface for assigning a segmentation label may be included.
- the project execution area may include a learning layer for displaying project learning steps.
- the learning layer may include at least one of a learning setting area for receiving a selection input for a learning setting or a learning operation area for displaying a learning operation.
- the learning setting area may include at least one of a learning setting object for receiving a user input regarding a learning setting or an object for displaying learning progress information.
- the learning operation area may be an area for displaying learning completeness information.
- the project execution area may include a processing target determination layer for receiving processing target content for processing using the learned project.
- the project execution area may include a content processing layer for displaying a processing result of the content to be processed.
- the content processing method is a content transformation
- an interface for displaying the transformed content and when the content processing method is content classification or object detection, a label for a user-selected input among a plurality of labels is applied to the content processing layer.
- An interface for displaying a corresponding content, or when a content processing method is a content segmentation may include at least one of an interface for displaying only the segmented object.
- FIG. 14 is a block diagram of a computing device according to an embodiment of the present disclosure.
- program modules include routines, programs, components, data structures, etc. that perform particular tasks or implement particular abstract data types.
- the method of the present disclosure is not limited to single-processor or multiprocessor computer systems, minicomputers, mainframe computers, as well as personal computers, handheld computing devices, microprocessor-based or programmable household appliances, etc. (each of which is It will be appreciated that other computer system configurations may be implemented, including one that may operate in connection with one or more associated devices.
- the described embodiments of the present disclosure may also be practiced in a distributed computing environment where certain tasks are performed by remote processing devices that are connected through a communication network.
- program modules may be located in both local and remote memory storage devices.
- Computers typically include a variety of computer-readable media. Any medium accessible by the computer may be a computer-readable medium.
- Computer-readable media includes volatile and nonvolatile media, transitory and non-transitory media, and removable and non-removable media.
- Computer-readable media may include computer-readable storage media and computer-readable transmission media.
- Computer-readable storage media include volatile and nonvolatile media, temporary and non-transitory media, removable and non-removable media implemented in any method or technology for storing information such as computer readable instructions, data structures, program modules or other data. Includes the medium.
- Computer storage media include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage device, magnetic cassette, magnetic tape, magnetic disk storage device, or other magnetic storage device, Or any other medium that can be accessed by a computer and used to store the desired information.
- Computer-readable transmission media typically embodies computer-readable instructions, data structures, program modules or other data in a modulated data signal, such as other transport mechanisms, and includes all information delivery media. do.
- modulated data signal refers to a signal in which one or more of the characteristics of the signal is set or changed to encode information in the signal.
- computer-readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above-described media are also intended to be included within the scope of computer-readable transmission media.
- System bus 1108 couples system components, including but not limited to, system memory 1106 to processing device 1104.
- the processing unit 1104 may be any of a variety of commercially available processors. Dual processors and other multiprocessor architectures may also be used as processing unit 1104.
- the system bus 1108 may be any of several types of bus structures that may be additionally interconnected to a memory bus, a peripheral bus, and a local bus using any of a variety of commercial bus architectures.
- System memory 1106 includes read-only memory (ROM) 1110 and random access memory (RAM) 1112.
- the basic input/output system (BIOS) is stored in non-volatile memory 1110 such as ROM, EPROM, EEPROM, etc. This BIOS is a basic input/output system that helps transfer information between components in the computer 1102, such as during startup. Includes routines.
- RAM 1112 may also include high speed RAM such as static RAM for caching data.
- the computer 1102 also includes an internal hard disk drive (HDD) 1114 (e.g., EIDE, SATA)-this internal hard disk drive 1114 can also be configured for external use within a suitable chassis (not shown).
- HDD hard disk drive
- FDD magnetic floppy disk drive
- optical disk drive 1120 e.g., CD-ROM For reading the disk 1122 or for reading from or writing to other high-capacity optical media such as DVD.
- the hard disk drive 1114, magnetic disk drive 1116, and optical disk drive 1120 are each connected to the system bus 1108 by a hard disk drive interface 1124, a magnetic disk drive interface 1126, and an optical drive interface 1128. ) Can be connected.
- the interface 1124 for implementing an external drive includes at least one or both of Universal Serial Bus (USB) and IEEE 1394 interface technologies.
- drives and their associated computer readable media provide non-volatile storage of data, data structures, computer executable instructions, and the like.
- drives and media correspond to storing any data in a suitable digital format.
- the description of the computer-readable medium above refers to a removable optical medium such as a HDD, a removable magnetic disk, and a CD or DVD, those skilled in the art may use a zip drive, a magnetic cassette, a flash memory card, a cartridge, etc. It will be appreciated that other types of media readable by a computer, such as the like, may also be used in the exemplary operating environment and that any such media may contain computer executable instructions for performing the methods of the present disclosure.
- a number of program modules including the operating system 1130, one or more application programs 1132, other program modules 1134, and program data 1136, may be stored in the drive and RAM 1112. All or part of the operating system, applications, modules and/or data may also be cached in RAM 1112. It will be appreciated that the present disclosure may be implemented on several commercially available operating systems or combinations of operating systems.
- a user may input commands and information to the computer 1102 through one or more wired/wireless input devices, for example, a pointing device such as a keyboard 1138 and a mouse 1140.
- Other input devices may include a microphone, IR remote control, joystick, game pad, stylus pen, touch screen, and the like.
- These and other input devices are often connected to the processing unit 1104 through the input device interface 1142, which is connected to the system bus 1108, but the parallel port, IEEE 1394 serial port, game port, USB port, IR interface, It can be connected by other interfaces such as etc.
- a monitor 1144 or other type of display device is also connected to the system bus 1108 through an interface such as a video adapter 1146.
- the computer generally includes other peripheral output devices (not shown) such as speakers, printers, and the like.
- Computer 1102 may operate in a networked environment using logical connections to one or more remote computers, such as remote computer(s) 1148, via wired and/or wireless communication.
- the remote computer(s) 1148 may be a workstation, a computing device computer, a router, a personal computer, a portable computer, a microprocessor-based entertainment device, a peer device, or other common network node, and is generally connected to the computer 1102. Although it includes many or all of the components described for simplicity, only memory storage device 1150 is shown.
- the logical connections shown include wired/wireless connections to a local area network (LAN) 1152 and/or to a larger network, eg, a wide area network (WAN) 1154.
- LAN and WAN networking environments are common in offices and companies, and facilitate enterprise-wide computer networks such as intranets, all of which can be connected to worldwide computer networks, for example the Internet.
- the computer 1102 When used in a LAN networking environment, the computer 1102 is connected to the local network 1152 via a wired and/or wireless communication network interface or adapter 1156. Adapter 1156 may facilitate wired or wireless communication to LAN 1152, which also includes a wireless access point installed therein to communicate with wireless adapter 1156.
- the computer 1102 When used in a WAN networking environment, the computer 1102 may include a modem 1158, connected to a communication computing device on the WAN 1154, or through the Internet, to establish communication over the WAN 1154. Have other means.
- the modem 1158 which may be an internal or external and a wired or wireless device, is connected to the system bus 1108 through a serial port interface 1142.
- program modules described for the computer 1102 or portions thereof may be stored in the remote memory/storage device 1150. It will be appreciated that the network connections shown are exemplary and other means of establishing communication links between computers may be used.
- Computer 1102 is associated with any wireless device or entity deployed and operated in wireless communication, e.g., a printer, scanner, desktop and/or portable computer, portable data assistant (PDA), communication satellite, wireless detectable tag. It operates to communicate with any device or place, and a phone. This includes at least Wi-Fi and Bluetooth wireless technologies. Accordingly, the communication may be a predefined structure as in a conventional network or may simply be ad hoc communication between at least two devices.
- wireless communication e.g., a printer, scanner, desktop and/or portable computer, portable data assistant (PDA), communication satellite, wireless detectable tag. It operates to communicate with any device or place, and a phone. This includes at least Wi-Fi and Bluetooth wireless technologies. Accordingly, the communication may be a predefined structure as in a conventional network or may simply be ad hoc communication between at least two devices.
- Wi-Fi Wireless Fidelity
- Wi-Fi is a wireless technology such as a cell phone that allows such devices, for example computers, to transmit and receive data indoors and outdoors, that is, anywhere within the coverage area of a base station.
- Wi-Fi networks use a wireless technology called IEEE 802.11 (a, b, g, etc.) to provide a secure, reliable and high-speed wireless connection.
- Wi-Fi can be used to connect computers to each other, to the Internet, and to a wired network (using IEEE 802.3 or Ethernet).
- a Wi-Fi network can operate in an unlicensed 2.4 and 5 GHz radio band, for example, at a data rate of 11 Mbps (802.11a) or 54 Mbps (802.11b), or in a product that includes both bands (dual band). .
- a person of ordinary skill in the art of the present disclosure includes various exemplary logical blocks, modules, processors, means, circuits and algorithm steps described in connection with the embodiments disclosed herein, electronic hardware, (convenience). For the sake of clarity, it will be appreciated that it may be implemented by various forms of program or design code or a combination of both (referred to herein as "software"). To clearly illustrate this interchangeability 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 particular application and design constraints imposed on the overall system. A person of ordinary skill in the art of the present disclosure may implement the described functions in various ways for each specific application, but such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.
- the various embodiments presented herein may be implemented as a method, apparatus, or article of manufacture using standard programming and/or engineering techniques.
- article of manufacture includes a computer program or media accessible from any computer-readable device.
- computer-readable media include magnetic storage devices (e.g., hard disks, floppy disks, magnetic strips, etc.), optical disks (e.g., CD, DVD, etc.), smart cards, and flash memory. Devices (eg, EEPROM, card, stick, key drive, etc.).
- the various storage media presented herein include one or more devices and/or other machine-readable media for storing information.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 컨텐츠 처리 방법을 제공하기 위한 동작들을 수행하도록 하며 상기 동작들은, 프로젝트에대한 선택 입력을 수신하기 위한 프로젝트 관련 객체를 포함하는 제 1 화면을 디스플레이 하는 동작 및 선택된 프로젝트와 대응되는 프로젝트 수행 단계를 디스플레이 하기 위한 제 2 화면을 디스플레이 하는 동작을 포함하고, 그리고 상기 제 2 화면은 프로젝트 수행 단계에 대한 선택 입력을 수신하기 위한 단계 선택 객체를 포함하는 네비게이션 영역 및 상기 프로젝트 수행 단계에 대응되는 컨텐츠 처리를 위한 프로젝트 수행 영역을 포함할 수 있다.
Description
본 발명은 컨텐츠 처리 방법에 관한 것으로, 보다 구체적으로 컨텐츠 처리를 위한 사용자 인터페이스 제공 방법에 관한 것이다.
딥러닝은 여러 가지의 비선형 변화기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계 학습 알고리즘의 집합이다.
기계 학습 알고리즘에 대한 다양한 형태의 연구가 진행되고 있으며, 이에 따라 심층 신경망(deep neural network), 합성곱 신경망(convolutional neural network), 순환 신경망(recurrent neural network)와 같은 다양한 딥러닝 기법들이 컴퓨터 비전, 음성 인식, 자연어 처리 등의 분야에 적용되고 있다.
이러한 기계 학습 알고리즘은 복잡한 구조를 가지며 복잡한 연산을 통해 결과를 출력할 수 있다. 기계 학습 알고리즘을 이용하여 데이터를 처리하기 위해서는 기계 학습 알고리즘에 대한 상당한 이해가 선행되어야 하며, 이에 따라 기계 학습 알고리즘을 사용할 수 있는 사용자들은 한정된다.
이에 기계 학습 알고리즘을 사용자들이 쉽게 접근할 수 있도록 하는 당업계의 요구가 존재한다.
대한민국 공개 특허 제2016-0012537호는 신경망 학습 방법 및 장치, 데이터 처리 장치를 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 컨텐츠 처리 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 프로젝트에 대한 선택 입력을 수신하기 위한 프로젝트 관련 객체를 포함하는 제 1 화면을 디스플레이 하는 동작; 및 선택된 프로젝트와 대응되는 프로젝트 수행 단계를 디스플레이하기 위한 제 2 화면을 디스플레이 하는 동작을 포함하고, 그리고 상기 제 2 화면은 프로젝트 수행 단계에 대한 선택 입력을 수신하기 위한 단계 선택 객체를 포함하는 네비게이션 영역 및 상기 프로젝트 수행 단계에 대응되는 컨텐츠 처리를 위한 프로젝트 수행 영역을 포함할 수 있다.
컨텐츠 처리 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 제 1 화면의 프로젝트 선택 레이어는 기존에 생성된 프로젝트에 대한 실행 선택 입력을 수신하기 위한 프로젝트 선택 객체 및 새로운 프로젝트 생성을 위한 선택 입력을 수신하기 위한 프로젝트 생성 객체를 포함할 수 있다.
컨텐츠 처리 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 제 1 화면의 프로젝트 생성 레이어는 프로젝트 선택 레이어에 포함된 프로젝트 생성 객체에 대한 선택 입력에 대응하여 프로젝트를 생성하기 위한 둘 이상의 프로젝트 관련 객체들을 포함하고, 그리고 상기 프로젝트 관련 객체는 프로젝트에 대한 설정 항목들에 대한 선택입력을 수신하기 위한 객체일 수 있다.
컨텐츠 처리 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 둘 이상의 프로젝트 관련 객체는 컨텐츠의 도메인 설정을 위한 도메인 선택 객체, 컨텐츠의 처리 방법에 대한 설정을 위한 처리 방법 선택 객체, 컨텐츠의 처리 알고리즘 설정을 위한 모델 선택 객체를 포함할 수 있다.
컨텐츠 처리 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 단계 선택 객체는 학습 단계에 대한 선택 입력을 수신하기 위한 학습 단계 선택 객체 및 컨텐츠 처리 단계에 대한 선택 입력을 수신하기 위한 컨텐츠 처리 단계 선택 객체를 포함할 수 있다.
컨텐츠 처리 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 프로젝트 수행 영역은 프로젝트 학습을 위한 전처리 단계를 디스플레이 하기 위한 전처리 레이어를 포함하고, 그리고 상기 전처리 레이어는 전처리 설정 관련 객체를 디스플레이 하기 위한전처리 설정 영역, 전처리 대상 컨텐츠 목록을 디스플레이 하기 위한 전처리 컨텐츠 영역 또는 전처리 동작을 수행하기 위한 전처리 동작 영역 중 적어도 하나를 포함할 수 있다.
컨텐츠 처리 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 전처리 컨텐츠 영역은 전처리 대상 컨텐츠 각각에 대응되는 둘 이상의 전처리 대상 컨텐츠 객체를 포함하고, 그리고 하나의 전처리 대상 컨텐츠 객체에 대한 선택 입력에 대응하여 상기 전처리 동작 영역에 상기 하나의 전처리 대상 컨텐츠 객체에 대응되는 전처리 대상 컨텐츠가 로드 되는 동작을 더 포함할 수 있다.
컨텐츠 처리 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 전처리 동작 영역은 사전 학습된 모델 또는 사용자 입력 중 적어도 하나에 기초하여 전처리 대상 컨텐츠에 대한 전처리 동작의 수행을 제어하기 위한 영역일 수 있다.
컨텐츠 처리 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 전처리 동작 영역은, 컨텐츠의 처리 방법이 컨텐츠의 변형인 경우, 변형 대상 컨텐츠의 프리뷰에 대한 전처리 동작 인터페이스, 상기 컨텐츠의 처리 방법이 컨텐츠의 분류인 경우, 분류 라벨을 부여하기 위한 전처리 동작 인터페이스, 상기 컨텐츠의 처리 방법이 컨텐츠의 오브젝트 디텍션인 경우, 오브젝트 식별 라벨을 부여하기 위한 전처리 동작 인터페이스, 또는 상기 컨텐츠의 처리 방법이 컨텐츠의 세그먼테이션인 경우, 세그먼테이션 라벨을 부여하기 위한 전처리 동작 인터페이스 중 적어도 하나를 포함할 수 있다.
컨텐츠 처리 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 프로젝트 수행 영역은 프로젝트 학습 단계를 디스플레이 하기 위한 학습 레이어를 포함하고, 그리고 상기 학습 레이어는 학습에 관한 설정에 대한 선택 입력을 수신하기 위한 학습 설정 영역 또는 학습 동작을 디스플레이 하기 위한 학습 동작 영역 중 적어도 하나를 포함할 수 있다.
컨텐츠 처리 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 학습 설정 영역은 학습 설정에 관한 사용자 입력을 수신하기 위한 학습 설정 객체 또는 학습 진행 정보를 디스플레이 하기 위한 객체 중 적어도 하나를 포함할 수 있다.
컨텐츠 처리 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 학습 동작 영역은 학습 완성도 정보를 디스플레이 하기 위한 영역일 수 있다.
컨텐츠 처리 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 프로젝트 수행 영역은 학습된 프로젝트를 이용하여 처리하기 위한 처리 대상 컨텐츠를 입력 받기 위한 처리 대상 결정 레이어를 포함할 수 있다.
컨텐츠 처리 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 프로젝트 수행 영역은 처리 대상 컨텐츠에 대한 처리 결과를 디스플레이 하기 위한 컨텐츠 처리 레이어를 포함하고, 그리고 상기 컨텐츠 처리 레이어는, 컨텐츠의 처리 방법이 컨텐츠의 변형인 경우, 변형된 컨텐츠를 디스플레이 하기 위한 인터페이스, 상기 컨텐츠의 처리 방법이 컨텐츠의 분류 또는 오브젝트 디텍션인 경우, 복수의 라벨 중 사용자 선택 입력에 대한 라벨에 대응되는 컨텐츠를 디스플레이 하기 위한 인터페이스, 또는 상기 컨텐츠의 처리 방법이 컨텐츠의 세그먼테이션인 경우, 세그먼테이션된 오브젝트만을 디스플레이 하기 위한 인터페이스 중 적어도 하나를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컨텐츠 처리를 위한 방법으로서, 프로젝트에 대한 선택 입력을 수신하기 위한 프로젝트 관련 객체를 포함하는 제 1 화면을 디스플레이 하는 단계; 및 선택된 프로젝트와 대응되는 프로젝트 수행 단계를 디스플레이 하기 위한 제 2 화면을 디스플레이 하는 단계를 포함하고, 그리고 상기 제 2 화면은 프로젝트 수행 단계에 대한 선택 입력을 수신하기 위한 단계 선택 객체를 포함하는 네비게이션 영역 및 상기 프로젝트 수행 단계에 대응되는 컨텐츠 처리를 위한 프로젝트 수행 영역을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컨텐츠 처리 방법을 제공하기 위한 서버로서, 하나 이상의 코어를 포함하는 프로세서; 및 메모리를 포함하고, 상기 프로세서는, 프로젝트에 대한 선택 입력을 수신하기 위한 프로젝트 관련 객체를 포함하는 제 1 화면을 디스플레이 하고, 선택된 프로젝트와 대응되는 프로젝트 수행 단계를 디스플레이 하기 위한 제 2 화면을 디스플레이 하고, 그리고 상기 제 2 화면은 프로젝트 수행 단계에 대한 선택 입력을 수신하기 위한 단계 선택 객체를 포함하는 네비게이션 영역 및 상기 프로젝트 수행 단계에 대응되는 컨텐츠 처리를 위한 프로젝트 수행 영역을 포함할 수 있다.
본 개시는 컨텐츠 처리 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따라 컨텐츠 처리 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따른 제 1 화면의 프로젝트 선택 레이어를 예시적으로 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따른 제 1 화면의 프로젝트 생성 레이어를 예시적으로 도시한 도면이다.
도 4는 본 개시의 일 실시예에 따른 프로젝트 관련 객체를 예시적으로 도시한 도면이다.
도 5는 본 개시의 일 실시예에 따른 제 2 화면을 예시적으로 도시한 도면이다.
도 6은 본 개시의 일 실시예에 따른 네비게이션 영역을 예시적으로 도시한 도면이다.
도 7은 본 개시의 일 실시예에 따른 프로젝트 수행 영역의 전처리 레이어를 예시적으로 도시한 도면이다.
도 8은 본 개시의 일 실시예에 따른 프로젝트 수행 영역의 전처리 레이어를 예시적으로 도시한 도면이다.
도 9는 본 개시의 일 실시예에 따른 프로젝트 수행 영역의 학습 레이어를 예시적으로 도시한 도면이다.
도 10은 본 개시의 일 실시예에 따른 프로젝트 수행 영역의 처리 대상 결정 레이어를 예시적으로 도시한 도면이다.
도 11은 본 개시의 일 실시예에 따른 컨텐츠 처리 레이어를 예시적으로 도시한 도면이다.
도 12는 본 개시의 일 실시예에 따른 컨텐츠 처리 결과를 예시적으로 도시한 도면이다.
도 13은 본 개시의 일 실시예에 따른 컨텐츠 처리 방법의 순서도이다.
도 14는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 명세서에서 신경망, 인공 신경망, 네트워크 함수는 종종 상호 교환 가능하게 사용될 수 있다.
도 1은 본 개시의 일 실시예에 따라 컨텐츠 처리 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 컨텐츠를 처리하는 방법에 관하여 설명한다.
컨텐츠는 디지털 방식으로 생성된 정보일 수 있다. 컨텐츠는 디지털 방식으로 생성된 임의의 형태의 정보를 포함할 수 있다. 컨텐츠는 예를 들어, 이미지 또는 텍스트 형식의 정보를 포함할 수 있다. 컨텐츠는 예를 들어, 이미지의 집합 또는 텍스트의 집합일 수 있다. 텍스트의 집합은 예를 들어, 온라인 문서, 워드(word) 파일, 엑셀(excel) 파일 등일 수 있다. 전술한 컨텐츠에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 프로젝트를 선택하는 방법에 관하여 도 2를 참조하여 설명한다. 도 2는 본 개시의 일 실시예에 따른 제 1 화면의 프로젝트 선택 레이어를 예시적으로 도시한 도면이다.
프로세서(120)는 컨텐츠의 처리를 위하여, 프로젝트에 대한 선택 입력을 수신하기 위한 프로젝트 관련 객체를 포함하는 제 1 화면(200)이 디스플레이되도록 할 수 있다.
프로젝트는 컨텐츠의 처리를 위하여 수행되는 일련의 작업들의 집합일 수 있다. 프로젝트는 컨텐츠의 처리와 관련한 설정과 매칭될 수 있다. 메모리(130)에는 둘 이상의 프로젝트가 저장되어 있을 수 있다. 둘 이상의 프로젝트 각각은 컨텐츠의 처리와 관련한 설정과 매칭되어 메모리(130)에 저장되어 있을 수 있다. 메모리(130)에는 둘 이상의 프로젝트 각각을 이용하여 처리하기 위한 처리 대상 컨텐츠들의 집합 또는 둘 이상의 프로젝트 각각을 이용하여 처리한 처리 완료 컨텐츠들의 집합이 저장되어 있을 수 있다.
제 1 화면(200)의 프로젝트 선택 레이어(210)는 기존에 생성된 프로젝트에 대한 실행 선택 입력을 수신하기 위한 프로젝트 선택 객체(214) 및 새로운 프로젝트 생성을 위한 선택 입력을 수신하기 위한 프로젝트 생성 객체(212)를 포함할 수 있다. 도 2에는 하나의 프로젝트 선택 객체(214)가 도시되어 있으나 이는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 메모리(130)에 둘 이상의 프로젝트가 저장되어 있을 경우, 프로젝트 선택 레이어(210)에는 둘 이상의 프로젝트 선택 객체(214)가 디스플레이 될 수 있다. 메모리(130)에 저장된 둘 이상의 프로젝트 선택 객체(214)는 기 생성된 프로젝트에 대응되는 프로젝트 선택 객체 또는 다른 사용자 또는 컴퓨팅 장치로부터 공유 받은 프로젝트 선택 객체 중 적어도 하나에 대응될 수 있다.
프로세서(120)는 사용자 인터페이스 또는 네트워크부(110)를 이용하여 프로젝트 선택 레이어(210)에 포함된 프로젝트 선택 객체(214) 또는 프로젝트 생성 객체(212)에 대한 사용자 입력을 수신할 수 있다.
프로세서(120)는 프로젝트 선택 객체(214)에 대한 사용자 입력을 수신하는 경우, 프로젝트 선택 객체(214)에 대응되는 프로젝트를 실행할 수 있다. 프로세서(120)는 프로젝트 선택 객체(214)에 매칭되어 메모리(130)에 저장된, 컨텐츠의 처리를 위하여 실행되는 일련의 과정을 사용자 인터페이스에 디스플레이 할 수 있다. 프로세서(120)는 학습이 완료된 프로젝트의 경우, 처리 대상 컨텐츠를 입력하기 위한 처리 대상 결정 레이어(800)를 사용자 인터페이스에 디스플레이 할 수 있다. 본 개시의 일 실시예에 따라 프로젝트 선택 객체를 사용자 인터페이스에 디스플레이 하는 경우, 사용자는 기존에 자신이 사용했던 프로젝트를 그대로 이용할 수 있다. 또한, 사용자는 다른 사용자들이 사용했던 프로젝트를 다운로드하여 이용할 수도 있다. 딥러닝 알고리즘에 대한 전문 지식이 부족한 사용자들의 경우에도, 전문 지식이 있는 사용자들이 생성해 놓은 프로젝트를 다운로드 하여 사용하는 경우, 딥러닝 알고리즘을 이용하여 컨텐츠를 더 쉽게 처리할 수 있다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 프로젝트를 생성하는 방법에 관하여 도 3 및 도 4를 참조하여 설명한다. 도 3 및 도 4는 본 개시의 일 실시예에 따른 제 1 화면의 프로젝트 생성 레이어를 예시적으로 도시한 도면이다.
제 1 화면(200)은 프로젝트 선택 레이어(210) 및 프로젝트 생성 레이어(220)를 포함할 수 있다. 프로젝트 생성 레이어(220)는 프로젝트 선택 레이어(210)에 포함된 프로젝트 생성 객체(212)에 대한 사용자의 선택 입력에 따라 디스플레이 되는 레이어일 수 있다. 예를 들어, 프로젝트 선택 레이어(210)와 프로젝트 생성 레이어(220)는 상이한 크기의 레이어일 수 있다. 또한, 예를 들어, 프로젝트 생성 레이어(220)는 프로젝트 선택 레이어(210)보다 상위의 레이어일 수 있다. 또한, 예를 들어 프로젝트 생성 레이어(220)의 적어도 일부 영역은 반 투명하게 디스플레이 되어, 하위의 레이어(즉, 베이스(base) 레이어)인 프로젝트 선택 레이어(210)의 적어도 일부가 사용자 인터페이스에 반 투명하게 디스플레이 될 수도 있다. 전술한 프로젝트 선택 레이어 및 프로젝트 생성 레이어에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
제 1 화면(200)의 프로젝트 생성 레이어(220)는 프로젝트 선택 레이어(210)에 포함된 프로젝트 생성 객체(212)에 대한 선택 입력에 대응하여 프로젝트를 생성하기 위한 둘 이상의 프로젝트 관련 객체들을 포함할 수 있다.
프로젝트 관련 객체는 프로젝트에 대한 설정 항목들에 대한 선택 입력을 수신하기 위한 객체일 수 있다. 둘 이상의 프로젝트 관련 객체 각각은 프로젝트에 관련한 설정과 매칭될 수 있다. 프로젝트 관련 객체에 대한 선택 입력에 기초하여 프로젝트의 컨텐츠의 처리와 관련한 설정이 결정될 수 있다. 프로젝트에 관련한 설정은 프로젝트에서 처리될 컨텐츠에 관련한 설정을 포함할 수 있으며, 예를 들어, 컨텐츠의 종류, 처리 방법 등과 관련한 설정을 포함할 수 있다.
둘 이상의 프로젝트 관련 객체는 컨텐츠의 도메인 설정을 위한 도메인 선택 객체(222), 컨텐츠의 처리 방법에 대한 설정을 위한 처리 방법 선택 객체(224), 컨텐츠의 처리 알고리즘 설정을 위한 모델 선택 객체(226)를 포함할 수 있다. 프로세서(120)는 사용자 인터페이스에 단계 별로 프로젝트 관련 객체를 디스플레이 하여, 사용자들이 프로젝트에 대한 설정을 편리하게 결정하도록 할 수 있다.
프로세서(120)는 프로젝트를 생성하기 위하여 하나 이상의 도메인 선택 객체(222)가 사용자 인터페이스에 디스플레이 되도록 할 수 있다. 도메인은 동일한 형식을 가지는 컨텐츠들의 집합일 수 있다. 예를 들어, 도메인은 이미지 도메인, 텍스트 도메인, 음성 도메인 등을 포함할 수 있다. 하나 이상의 도메인 선택 객체(222) 각각은 도메인과 매칭될 수 있다. 도메인 선택 객체(222)는 예를 들어, 이미지 도메인 선택 객체, 텍스트 도메인 선택 객체, 음성 도메인 선택 객체 등일 수 있다. 하나 이상의 도메인 각각은 하나 이상의 처리 방법과 매칭될 수 있다. 즉, 하나 이상의 도메인 선택 객체(222) 각각은 하나 이상의 처리 방법 선택 객체(224)와 매칭될 수 있다. 전술한 도메인 선택 객체에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 프로젝트를 생성하기 위하여 하나 이상의 처리 방법 선택 객체(224)를 사용자 인터페이스에 디스플레이 할 수 있다. 프로세서(120)는 도메인 선택 객체(222)에 대한 사용자 입력에 대응하여, 선택된 도메인 선택 객체(222)에 매칭된 하나 이상의 처리 방법 선택 객체(224)를 사용자 인터페이스에 디스플레이 할 수 있다. 처리 방법은 컨텐츠를 처리하기 위한 방법일 수 있다. 처리 방법은 컨텐츠를 처리함으로써 획득하고자 하는 결과물과 매칭될 수 있다. 하나 이상의 처리 방법 선택 객체(224) 각각은 처리 방법과 매칭되어 메모리(130)에 저장되어 있을 수 있다. 예를 들어, 이미지 도메인 선택 객체에 대한 사용자 입력을 수신하는 경우, 프로세서(120)는 이미지 도메인에 매칭된 처리 방법인 이미지 분류(classification), 이미지 세그먼테이션(segmentation), 오브젝트 디텍션(object detection) 각각에 대응되는 처리 방법 선택 객체(224)를 사용자 인터페이스에 디스플레이 할 수 있다. 예를 들어, 텍스트 도메인 선택 객체에 대한 사용자 입력을 수신하는 경우, 프로세서(120)는 텍스트 도메인에 매칭된 처리 방법인 텍스트 마이닝(mining), 텍스트의 시멘틱(semantic) 정보 추출 각각에 대응되는 처리 방법 선택 객체(224)를 사용자 인터페이스에 디스플레이 할 수 있다. 하나 이상의 처리 방법은 하나 이상의 모델과 매칭될 수 있다. 또한, 하나 이상의 처리 방법 선택 객체(224) 각각은 하나 이상의 모델 선택 객체(226)와 매칭될 수 있다. 전술한 처리 방법 선택 객체에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 네트워크부(110) 또는 사용자 인터페이스를 통해 새로운 처리 방법을 수신할 수도 있다. 프로세서(120)는 새로운 처리 방법을 수신하는 경우, 처리 방법이 수행될 수 있는 하나 이상의 모델에 관하여 추가적인 입력을 수신할 수 있다. 프로세서(120)는 새로운 처리 방법 및 모델에 관하여 메모리(130)에 저장할 수 있다.
프로세서(120)는 프로젝트를 생성하기 위하여 하나 이상의 모델 선택 객체(226)를 사용자 인터페이스에 디스플레이 할 수 있다. 프로세서(120)는 처리 방법 선택 객체(224)에 대한 사용자 입력에 대응하여, 선택된 처리 방법 선택 객체(224)에 매칭된 하나 이상의 모델 선택 객체(226)를 사용자 인터페이스에 디스플레이 할 수 있다. 모델은 컨텐츠를 처리하기 위한 인공 신경망 모델일 수 있다. 모델은 컨텐츠를 처리하기 위한 하나 이상의 네트워크 함수를 포함할 수 있다. 예를 들어, 이미지 세그먼테이션(segmentation)에 대한 처리 방법 선택 객체(224)에 대한 사용자 입력을 수신하는 경우, 프로세서(120)는 이미지 세그먼테이션(segmentation)에 대한 처리 방법 선택 객체(224)에 매칭된 FCN(Fully Convolutional Network) 모델, SegNet(Semantic Segmentation Network) 모델, UNet(U Network) 모델, MaskRCNN 모델 각각에 대응되는 하나 이상의 모델 선택 객체(226)를 사용자 인터페이스에 디스플레이 할 수 있다. 예를 들어, 이미지 분류(classification)에 대한 처리 방법 선택 객체(224)에 대한 사용자 입력을 수신하는 경우, 프로세서(120)는 이미지 분류(classification)에 대한 처리 방법 선택 객체(224)에 매칭된 DenseNet 모델, InceptionV4 모델, NASNET 모델, MobileNet 모델 등 모델 각각에 대응되는 하나 이상의 모델 선택 객체(226)를 사용자 인터페이스에 디스플레이 할 수 있다. 예를 들어, 오브젝트 디텍션에 대한 처리 방법 선택 객체에 대한 사용자 입력을 수신하는 경우, 프로세서(120)는 오브젝트 디텍션에 대한 처리 방법 선택 객체에 매칭된 YOLO(You Only Look Once) 모델, R-CNN(Regionbased Convolutional Neural Network) 모델 등 모델 각각에 대응되는 하나 이상의 모델 선택 객체(226)를 사용자 인터페이스에 디스플레이 할 수 있다. 본 발명의 일 실시예에 따른 컨텐츠 처리 방법의 경우, 모델에 대한 구체적인 이해가 없는 경우에도, 모델에 대한 이름을 사용자 인터페이스에 디스플레이 해 주고, 사용자는 이미 구체적인 구조가 결정된 모델을 선택하기만 하면 되므로, 사용자 편의성이 증진될 수 있다. 프로세서(120)는 각각의 컨텐츠 처리 방법에 대하여 가장 많이 쓰이는 모델을 디폴트 모델로 결정할 수 있다. 프로세서(120)는 사용자 입력이 없는 경우에 디폴트 모델을 이용하여 컨텐츠 처리 방법을 수행할 수 있다. 전술한 모델 선택 객체에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 네트워크부(110) 또는 사용자 인터페이스를 통해 새로운 모델을 수신할 수도 있다. 새로운 모델은 처리 방법과 매칭되어 메모리(130)에 저장될 수 있다. 모델을 새로 개발했거나 또는 새로운 모델을 이용하여 컨텐츠 처리를 수행하고자 하는 사용자의 경우, 새로운 모델을 입력하여 본 개시의 일 실시예에 따른 컨텐츠 처리 방법을 수행할 수도 있다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 프로젝트 수행 단계를 디스플레이 하는 방법에 관하여 도 5를 참조하여 설명한다. 도 5는 본 개시의 일 실시예에 따른 제 2 화면을 예시적으로 도시한 도면이다.
프로세서(120)는 제 1 화면(200)에서 선택된 프로젝트와 대응되는 프로젝트 수행 단계를 디스플레이 하기 위한 제 2 화면(300)이 디스플레이 되도록 할 수 있다. 프로세서(120)는 제 1 화면(200)의 프로젝트 생성 레이어(220)에 포함된 프로젝트 생성 객체(212)에 대한 선택 입력에 대응하여 프로젝트에 포함된 모델을 학습시키고, 그리고 모델을 이용하여 컨텐츠를 처리하기 위한 제 2 화면(300)이 디스플레이 되도록 할 수 있다.
제 2 화면(300)은 프로젝트 수행 단계에 대한 선택 입력을 수신하기 위한 단계 선택 객체를 포함하는 네비게이션 영역(400) 및 프로젝트 수행 단계에 대응되는 컨텐츠 처리를 위한 프로젝트 수행 영역(500)을 포함할 수 있다. 프로젝트 수행 영역(500)은 프로젝트 수행 단계와 매칭되는 레이어가 디스플레이 되는 영역일 수 있다.
프로젝트 수행 영역(500)의 전처리 레이어(600)는 프로젝트 학습을 위한 전처리 단계를 디스플레이하기 위한 레이어일 수 있다. 프로젝트 수행 영역(500)의 학습 레이어(700)는 프로젝트 학습 단계를 디스플레이 하기 위한 레이어일 수 있다. 프로젝트 수행 영역(500)의 처리 대상 컨텐츠 결정 레이어(800)는 학습된 프로젝트를 이용하여 처리하기 위한 처리 대상 컨텐츠를 입력 받기 위한 레이어일 수 있다. 프로젝트 수행 영역(500)의 컨텐츠 처리 레이어(900)는 처리 대상 컨텐츠에 대한 처리 결과를 디스플레이 하기 위한 레이어일 수 있다. 전처리 레이어(600), 학습 레이어(700), 처리 대상 컨텐츠 결정 레이어(800) 및 컨텐츠 처리 레이어(900)는 각각 동일한 크기의 레이어일 수 있다. 하나의 레이어가 디스플레이되면 다른 나머지 3개의 레이어는 사용자 인터페이스에 디스플레이 되지 않을 수 있다. 전술한 레이어에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다
이하에서는 본 개시의 일 실시예에 따른 네비게이션 영역에 관하여 도 6을 참조하여 설명한다. 도 6은 본 개시의 일 실시예에 따른 네비게이션 영역을 예시적으로 도시한 도면이다.
네비게이션 영역(400)은 프로젝트 수행 단계에 대한 선택 입력을 수신하기 위한 단계 선택 객체를 포함할 수 있다. 단계 선택 객체는 학습 단계에 대한 선택 입력을 수신하기 위한 학습 단계 선택 객체(410) 및 컨텐츠 처리 단계에 대한 선택 입력을 수신하기 위한 컨텐츠 처리 단계 선택 객체(420)를 포함할 수 있다.
네비게이션 영역(400)에 포함된 프로젝트 수행 단계와 프로젝트 수행 영역(500)에 디스플레이 되는 레이어가 매칭될 수 있다.
학습 단계 선택 객체(410)는 프로젝트에 포함된 모델을 학습시키기 위한 단계에 대응될 수 있다. 학습 단계 선택 객체(410)는 학습 전처리 객체(412) 및 학습 객체(414)를 포함할 수 있다. 학습 전처리 객체(412)는 모델의 학습을 위하여 학습 데이터를 생성하기 위한 단계에 대응될 수 있다. 학습 객체(414)는 모델의 학습 단계에 대응될 수 있다. 학습 전처리 객체(412)는 프로젝트 수행 영역(500)에 디스플레이 되는 전처리 레이어(600)와 매칭되고, 그리고 학습 객체(414)는 프로젝트 수행 영역(500)에 디스플레이 되는 학습 레이어(700)와 매칭될 수 있다.
컨텐츠 처리 단계 선택 객체(420)는 프로젝트에 포함된 학습된 모델을 이용하여 컨텐츠를 처리하기 위한 단계에 대응될 수 있다. 컨텐츠 처리 단계 선택 객체(420)는 컨텐츠 전처리 객체(422) 및 컨텐츠 처리 객체(424)를 포함할 수 있다. 컨텐츠 전처리 객체(422)는 학습된 모델을 이용하여 처리하기 위한 처리 대상 컨텐츠를 결정하기 위한 단계에 대응될 수 있다. 컨텐츠 처리 객체(424)는 모델을 이용하여 컨텐츠를 처리하기 위한 단계에 대응될 수 있다. 컨텐츠 전처리 객체(422)는 프로젝트 수행 영역(500)에 디스플레이 되는 처리 대상 컨텐츠 결정 레이어(800)와 매칭되고, 그리고 컨텐츠 처리 객체(424)는 프로젝트 수행 영역(500)에 디스플레이 되는 컨텐츠 처리 레이어(900)와 매칭될 수 있다.
네비게이션 영역(400)은 프로젝트 수행 영역(500)의 상위 영역에 디스플레이 될 수 있다. 따라서, 사용자는 프로젝트 수행 영역(500)에 디스플레이 되는 레이어가 변경되더라도, 네비게이션 영역(400)은 확인이 가능하며, 네비게이션 영역(400)을 이용하여 이용하고자 하는 다른 단계로 빠르게 넘어갈 수 있다. 사용자는 네비게이션 영역(400)에 표시된 현재 단계에 대응되는 객체를 보고, 프로젝트 수행 영역(500)에서 현재 수행 중인 단계가 전체 프로세스 중 어느 단계에 해당하는 것인지 편리하게 확인할 수 있다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 전처리를 수행하는 방법에 관하여 도 7 및 도 8을 참조하여 설명한다. 도 7 및 도 8은 본 개시의 일 실시예에 따른 프로젝트 수행 영역의 전처리 레이어를 예시적으로 도시한 도면이다.
프로젝트 수행 영역(500)은 프로젝트의 학습을 위한 전처리 단계를 디스플레이 하기 위한 전처리 레이어(600)를 포함할 수 있다. 전처리 레이어(600)는 프로젝트의 학습을 위한 학습 데이터 생성을 위한 동작을 디스플레이 하기 위한 레이어일 수 있다.
전처리 레이어(600)는 전처리 설정 관련 객체를 디스플레이 하기 위한 전처리 설정 영역(610), 전처리 대상 컨텐츠 목록을 디스플레이 하기 위한 전처리 컨텐츠 영역(620) 또는 전처리 동작을 수행하기 위한 전처리 동작 영역(630) 중 적어도 하나를 포함할 수 있다.
전처리 설정 영역(610)은 전처리 대상 컨텐츠에 대한 전처리와 관련한 설정 정보를 디스플레이 할 수 있다. 전처리 설정 영역(610)은 전처리 대상 컨텐츠를 이용하여 학습 데이터를 생성하기 위한 설정 정보를 디스플레이 할 수 있다. 전처리 설정 관련 객체는 전처리와 관련한 설정 정보를 입력 받기 위하여 사용자 인터페이스에 디스플레이 되는 객체일 수 있다. 전처리 설정 관련 객체는 학습 데이터의 라벨에 관한 설정 및 학습 데이터의 전처리 동작에 관한 설정과 매칭될 수 있다.
학습 데이터의 전처리 동작에 관한 설정은 학습 데이터에 포함되는 입력 데이터인 전처리 대상 컨텐츠를 전처리하는 방법에 관한 설정일 수 있다. 전처리 동작에 관한 설정은 컨텐츠의 도메인 또는 컨텐츠의 처리 방법 중 적어도 하나와 연관될 수 있다. 예를 들어, 전처리 동작에 관한 설정에 기초하여 프로세서(120)는 컨텐츠의 도메인이 이미지인 경우, 모델의 입력이 되는 전처리 대상 컨텐츠들의 크기를 변형(예를 들어, 모델에 입력되는 전처리 대상 컨텐츠들이 동일한 크기가 되도록 변형)시킬 수 있다. 예를 들어, 전처리 동작에 관한 설정에 기초하여 프로세서(120)는 컨텐츠의 도메인이 텍스트인 경우, 모델의 입력이 되는 텍스트를 벡터화 하거나, 텍스트에 포함된 오타 또는 띄어쓰기의 정정, 또는 텍스트의 발화 주체 별 텍스트의 분류 등을 수행할 수 있다. 예를 들어, 전처리 동작에 관한 설정에 기초하여 프로세서(120)는 컨텐츠의 도메인이 음성인 경우, 컨텐츠에 대하여 STT(Speech to Text) 변환을 수행할 수 있다. 예를 들어, 전처리 동작에 관한 설정에 기초하여 프로세서(120)는 컨텐츠의 처리 방법이 텍스트의 주제 확인이고, 복수의 텍스트 입력 주체 중 특정 사용자의 텍스트에 대한 주제 확인이 목적인 경우, 특정 사용자를 제외한 나머지 사용자들의 입력 텍스트는 제외하는 동작을 수행할 수도 있다. 전술한 전처리 동작에 관한 설정에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
학습 데이터의 라벨에 관한 설정은 입력 데이터인 전처리 대상 컨텐츠에 매칭되는 라벨에 관한 설정일 수 있다. 학습 데이터의 라벨은 컨텐츠의 처리 방법과 연관될 수 있다.
컨텐츠의 처리 방법이 이미지 분류인 경우, 학습 데이터의 라벨에 관한 설정은 이미지를 분류하기 위한 클래스에 관한 설정일 수 있다. 예를 들어, 프로세서(120)는 너구리, 사람, 풍선 등에 관한 클래스(612)를 네트워크부(110) 또는 사용자 인터페이스를 통해 수신할 수 있다. 이미지의 분류는 이미지에 포함된 얼굴 표정에 관한 분류일 수 있다. 예를 들어, 프로세서(120)는 기쁜, 슬픔, 분노 등에 관한 클래스(612)를 네트워크부(110) 또는 사용자 인터페이스를 통해 수신할 수 있다. 전술한 라벨에 관한 설정에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
컨텐츠의 처리 방법이 오브젝트 디텍션인 경우 또는 이미지 세그먼테이션인 경우, 학습 데이터의 라벨에 관한 설정은 라벨의 형태, 클래스 별 라벨을 구분하기 위한 정보(614)에 관한 설정일 수 있다. 라벨의 형태는 예를 들어, 오브젝트 디텍션인 경우 오브젝트를 표시하기 위한 라벨의 사각형, 원형 등의 형태, 색상 등일 수 있다. 예를 들어, 라벨에 관한 설정에 기초하여 전처리 동작 영역(630)에서 라벨(634)이 사각형으로 표시될 수 있다. 라벨의 형태는 예를 들어, 이미지 세그먼테이션인 경우 탐색 대상 오브젝트의 위치를 표시하기 위한 라벨의 형태일 수 있다. 예를 들어, 프로세서(120)는 사용자의 제 1 입력에 기초하여 오브젝트와 배경의 경계인 제 1 점이 생성되고, 사용자의 제 2 입력에 기초하여 오브젝트와 배경의 경계인 제 2 점이 생성되고, 그리고 제 1 점 및 제 2 점을 직선 또는 곡선으로 연결한 것을 포함하도록 라벨을 설정할 수 있다. 클래스 별 라벨을 구분하기 위한 정보(614)는 상이한 클래스에 해당하는 라벨을 다르게 표시하기 위한 정보일 수 있다. 클래스 별 라벨을 구분하기 위한 정보(614)는 둘 이상의 클래스가 있을 경우, 하나의 클래스에 대응되는 라벨을 다른 클래스에 대응되는 라벨과 구별하기 위한 정보일 수 있다. 예를 들어, 클래스 별 라벨을 구분하기 위한 정보(614)는 라벨의 색상, 선의 형태 등을 포함할 수 있다. 예를 들어, 너구리 및 풍선에 해당하는 두개의 클래스가 있을 경우, 너구리에 대해서는 라벨이 파란색으로 표시되도록 설정할 수 있고, 그리고 풍선에 대해서는 라벨이 노랑색으로 표시되도록 설정할 수도 있다. 전술한 라벨에 관한 설정에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
사용자는 전처리 설정 영역(610)을 이용하여 전처리 방법의 설정을 편리하게 수행할 수 있다. 또한, 사용자는 전처리 설정 영역(610)에 포함된 객체들에 대한 선택 입력을 통해 쉽게 전처리 방법을 설정할 수도 있다.
본 개시의 일 실시예에 따른 모델의 학습은 컴퓨팅 장치(100)의 프로세서(120) 또는 서버(2000)의 프로세서(2200) 중 적어도 하나에서 수행될 수 있다. 컴퓨팅 장치(100)의 프로세서(120)는 네트워크부(110)를 통해 모델의 학습을 위한 데이터, 학습 설정에 관한 사용자 입력을 수신할 수 있다. 컴퓨팅 장치(100)의 프로세서(120)는 데이터 및 학습 설정에 관한 사용자 입력에 기초하여 모델의 학습을 수행할 수 있다. 또한, 컴퓨팅 장치(100)의 프로세서(120)는 네트워크부(110)를 통해 서버(2000)로 데이터 및 학습 설정에 관한 사용자 입력에 대한 데이터를 전송하여, 서버(2000)에서 모델의 학습이 수행되도록 할 수 있다. 예를 들어, 서버(2000)는 클라우드 컴퓨팅 장치일 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치(100)의 프로세서(120)는 네트워크부(110)를 통해 서버(2000)로부터 학습이 완료된 모델을 수신할 수 있다. 프로세서(120)는 서버(2000)로부터 학습이 완료된 모델의 가중치 정보를 수신하여 메모리(130)에 저장할 수 있다. 프로세서(120)는 학습이 완료된 모델을 이용하여 입력 데이터인 처리 대상 컨텐츠에 대한 연산을 수행할 수 있다. 사용자의 컴퓨팅 장치(100)를 이용하여 학습을 위한 설정 및 입력 데이터만을 수신하고, 모델에 관한 학습은 클라우드 컴퓨팅 장치인 서버(2000)에서 수행함으로써 컴퓨팅 장치(100)의 컴퓨팅 파워 및 메모리의 효율을 높일 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치(100)의 프로세서(120)는 네트워크부(110)를 통해 처리 대상 컨텐츠를 서버(2000)로 전송하여 서버(2000)에서 학습된 모델을 이용하여 연산이 수행되도록 할 수 있다. 컴퓨팅 장치(100)의 프로세서(120)는 네트워크부(110)를 통해 서버(2000)로부터 처리 대상 컨텐츠에 대한 연산 결과만을 수신할 수도 있다. 사용자의 컴퓨팅 장치(100)를 이용하여 학습 및 추론을 위한 설정, 입력 데이터만을 수신하고, 모델에 관한 학습 및 학습된 모델을 이용한 추론 연산은 클라우드 컴퓨팅 장치인 서버(2000)에서 수행함으로써 컴퓨팅 장치(100)의 컴퓨팅 파워 및 메모리의 효율을 높일 수 있다. 또한, 모델에 대한 학습, 추론 등을 클라우드 서버를 이용하여 수행함으로써, 사용자 컴퓨팅 장치의 연산 능력의 한계를 극복하여, 대형 모델의 학습이 가능하며, 클라우드 서버의 서비스 제공자는 클라우드 서버의 연산 능력을 활용하여 수익을 창출할 수 있다 컴퓨팅 장치(100)가 모바일 장치인 경우, 복잡한 연산을 수행하는 것이 어려울 수 있으므로, 서버(2000)에 데이터를 전송하여 처리하도록 할 수 있다.
전처리 컨텐츠 영역(620)은 전처리 대상 컨텐츠 각각에 대응되는 둘 이상의 전처리 대상 컨텐츠 객체(622)를 포함할 수 있다. 전처리 대상 컨텐츠 객체(622)는 모델의 학습을 위한 학습 데이터의 입력에 대응될 수 있다. 프로세서(120)는 하나의 전처리 대상 컨텐츠 객체(622)에 대한 선택 입력에 대응하여 전처리 동작 영역(630)에 하나의 전처리 대상 컨텐츠 객체(622)에 대응되는 전처리 대상 컨텐츠가 로드(load)되도록 할 수 있다. 사용자는 전처리 컨텐츠 영역(620)에 포함된 전처리 대상 컨텐츠를 클릭함으로써, 해당 컨텐츠에 대한 전처리 동작을 수행할 수 있고, 전처리 대상 컨텐츠에 대하여 용이하게 관리할 수 있다.
전처리 동작 영역(630)은 사전 학습된 모델 또는 사용자 입력 중 적어도 하나에 기초하여 전처리 대상 컨텐츠(632)에 대한 전처리 동작의 수행을 제어하기 위한 영역일 수 있다. 전처리 동작 영역(630)은 전처리와 관련한 설정 정보에 기초하여 전처리 대상 컨텐츠에 대한 전처리 동작의 수행을 제어하기 위한 영역일 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 사용자로부터 전처리에 관한 동작을 입력 받아, 전처리 대상 컨텐츠(632)에 대한 전처리를 수행할 수 있다. 본 개시의 다른 일 실시예에 따라 프로세서(120)가 전처리와 관련한 설정 정보에 기초하여 전처리 대상 컨텐츠(632)에 대한 전처리를 수행하여 의사(pseudo) 전처리 결과(즉, pseudo label)를 생성하고, 의사 전처리 결과를 사용자에게 디스플레이하고, 사용자로부터 의사 전처리 결과에 대한 사용자 입력을 수신하여 전처리 결과(즉, pseudo label에 기초한 label)를 생성할 수 있다. 사용자는 사전 설정된 방법에 따라 라벨을 입력할 수 있고, 사용자의 라벨 입력에 따라 프로세서(120)가 학습 데이터를 생성하므로, 학습 데이터 생성의 편의성이 향상될 수 있다. 또한, 프로세서(120)가 사용자에게 의사 라벨을 제공하고, 사용자는 의사 라벨에 대한 정답 또는 오답에 대한 평가만 입력하면 되므로, 대량의 학습 데이터를 생성하는 경우 시간 및 비용면에서 효율적일 수 있다.
프로세서(120)는 컨텐츠의 도메인과 연관된 전처리 동작에 관한 설정에 기초하여 적어도 일부의 전처리가 수행된 전처리 대상 컨텐츠(632)를 전처리 동작 영역(630)에 디스플레이 할 수 있다. 프로세서(120)는 전처리 대상 컨텐츠 객체(622)에 대한 선택 입력에 대응하여 전처리 동작 영역(630)에 적어도 일부의 전처리가 수행된 전처리 대상 컨텐츠(632)가 로드 되도록 할 수 있다. 예를 들어, 프로세서(120)는 컨텐츠의 도메인이 이미지인 경우, 이미지의 크기를 변형하여 전처리 대상 컨텐츠(632)가 전처리 동작 영역(630)에 디스플레이되도록 할 수 있다. 프로세서(120)는 컨텐츠의 도메인이 텍스트인 경우, 텍스트의 오타 또는 띄어쓰기 정정을 수행하거나, 또는 텍스트의 발화자 또는 상위 카테고리 별로 분류하여 전처리 대상 컨텐츠가 전처리 동작 영역(630)에 디스플레이되도록 할 수 있다. 전술한 전처리 대상 컨텐츠를 전처리 동작 영역(630)에 디스플레이 하는 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 프로세서(120)가 기본적인 전처리가 수행된 전처리 대상 컨텐츠를 전처리 동작 영역에 디스플레이 함으로써, 사용자가 전처리 하는데 드는 시간 및 비용 면에서 효율적일 수 있다.
이하에서는 컨텐츠의 처리 방법에 따른 전처리 동작에 관하여 설명한다.
이하에서는 컨텐츠의 처리 방법이 컨텐츠의 변형인 경우 전처리 동작에 관하여 설명한다. 전처리 동작 영역(630)은 컨텐츠의 처리 방법이 컨텐츠의 변형인 경우, 변형된 컨텐츠를 입력하기 위한 전처리 동작 인터페이스를 포함할 수 있다.
본 개시의 일 실시예에 따라 전처리 동작 영역(630)은 변형 기준에 따라 변형된 컨텐츠에 대한 사용자 입력을 수신하기 위한 영역일 수 있다. 프로세서(120)는 전처리 동작 영역(630)에 사용자가 업로드한 변형된 컨텐츠를 학습 데이터의 라벨로 이용할 수 있다. 예를 들어, 컨텐츠의 처리 방법이 처리 대상 컨텐츠를 고흐 풍의 이미지로 변형하고자 하는 프로젝트 목적과 대응되는 경우, 전처리 대상 컨텐츠(632)가 고흐 풍의 이미지로의 변형 대상인 학습 데이터의 입력이고, 전처리 동작에 관한 설정은 고흐 풍의 이미지로의 변형 설정(예를 들어, 고흐 이미지, 고흐 이미지 스타일에 대한 서술 등)일 수 있고, 그리고 사용자로부터 업로드된 고흐 풍으로 변형된 이미지는 학습 데이터의 라벨일 수 있다. 전술한 전처리 동작에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라 전처리 동작 영역(630)은 컨텐츠의 처리 방법이 컨텐츠의 변형인 경우, 변형 대상 컨텐츠의 프리뷰에 대한 전처리 동작 인터페이스를 포함할 수 있다. 변형 대상 컨텐츠의 프리뷰는 의사 전처리 결과일 수 있다. 프로세서(120)는 변형 기준을 이용하여 전처리 대상 컨텐츠(632)를 변형하여 변형 대상 컨텐츠의 프리뷰를 생성할 수 있다. 프로세서(120)는 변형 기준이 이미지의 스타일 변형인 경우, 변형 기준이 되는 이미지에 포함된 선 및 색상을 고려하여 전처리 대상 컨텐츠(632)의 프리뷰를 생성할 수 있다. 프로세서(120)는 변형 기준이 되는 이미지의 선의 곡률 및 두께 등을 고려하여 전처리 대상 컨텐츠(632) 이미지의 선을 변형 기준과 유사한 곡률 및 두께 등이 되도록 변형할 수 있고, 그리고 이미지의 색상을 고려하여 전처리 대상 컨텐츠(632)의 이미지 색상을 변형 기준과 유사한 색상(채도, 명도 등을 포함)이 되도록 변형할 수 있다. 프로세서(120)는 전처리 동작 영역(630)에 하나 이상의 변형 대상 컨텐츠의 프리뷰를 디스플레이 하여, 프리뷰에 대한 사용자의 정답 또는 오답 입력을 수신할 수 있다. 프로세서(120)는 사용자의 정답 입력에 기초하여 컨텐츠의 프리뷰를 컨텐츠의 전처리 결과(즉, 라벨)로 결정할 수 있다. 프로세서(120)는 수정 정보(즉, 정답)를 포함하는 오답 입력에 기초하여 컨텐츠의 프리뷰를 수정 정보를 이용하여 변경하거나 또는 수정 정보 자체를 전처리 결과로 결정할 수 있다. 프로세서(120)는 예를 들어, 사용자가 정답으로 인정한 프리뷰 이미지를 기초로 학습 데이터를 생성할 수 있다. 즉, 스타일 변형이 프로젝트의 목적인 경우, 프로세서(120)는 의사 스타일 변경 컨텐츠의 프리뷰를 생성할 수 있으며, 사용자로 하여금 프리뷰가 적절한지 부적절한지를 판단하여, 적절한 프리뷰를 사용자가 고르도록 하여, 사용자의 의도가 보다 잘 반영된 학습 결과를 생성할 수 있다. 전술한 전처리 동작 영역에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는 컨텐츠의 처리 방법이 컨텐츠의 분류인 경우 전처리 동작에 관하여 설명한다. 전처리 동작 영역(630)은 컨텐츠의 처리 방법이 컨텐츠의 분류인 경우, 분류 라벨을 부여하기 위한 전처리 동작 인터페이스를 포함할 수 있다.
본 개시의 일 실시예에 따라 전처리 동작 영역(630)은 컨텐츠의 분류 라벨에 대한 사용자 입력을 수신하기 위한 영역일 수 있다. 프로세서(120)는 전처리 설정 영역(610)을 이용하여 결정된 클래스를 이용하여 전처리 동작 영역(630)에서 전처리 동작을 수행할 수 있다. 프로세서(120)는 이미지를 분류하기 위한 둘 이상의 클래스 중 컨텐츠 대상 컨텐츠(632)가 속하는 하나의 클래스에 대한 선택 입력을 사용자 인터페이스 또는 네트워크부(110)를 통해 수신할 수 있다. 프로세서(120)는 전처리 대상 컨텐츠(632) 및 하나 이상의 분류 라벨이 전처리 동작 영역(630)에 디스플레이 되도록 할 수 있다. 프로세서(120)는 전처리 동작 영역(630)에 디스플레이 된 하나 이상의 분류 라벨 중 사용자의 입력에 기초하여 결정된 하나의 분류 라벨(즉, 정답)을 전처리 대상 컨텐츠(632)에 매칭하여 저장할 수 있다. 예를 들어, 사용자는 전처리 동작 영역(630)에 디스플레이 된 사용자 인터페이스를 이용하여 전처리 대상 컨텐츠가 분류 라벨에 해당하는 오브젝트를 포함하는지 여부(예를 들어, 분류 클래스가 하나인 경우 등), 전처리 대상 컨텐츠가 포함한 오브젝트의 분류 라벨 등을 입력(예를 들어, 분류 클래스가 복수인 경우, 복수의 클래스 중 해당 컨텐츠에 포함된 오브젝트의 종류에 대한 선택입력 등)할 수 있다. 예를 들어, 이미지가 사람의 얼굴을 포함하는 경우, 복수의 클래스는 얼굴 표정 각각에 대응될 수 있다. 예를 들어, 복수의 클래스는 기쁨, 슬픔, 분노 등의 클래스일 수 있고, 전처리 대상 컨텐츠는 기쁨, 슬픔, 분노 각각으로 분류될 수 있다. 본 개시의 일 실시예에 따라, 컨텐츠의 처리 방법이 사람의 얼굴 표정 분류인 경우, 프로세서(120)는 표정에 관한 분류 라벨을 수신할 수 있다. 본 개시의 일 실시예에 따라, 컨텐츠의 처리 방법이 사람의 얼굴 표정 분류인 경우, 프로세서(120)는 사람의 얼굴에 대한 컴포넌트들에 관한 추가 라벨을 수신할 수 있다. 예를 들어, 컴포넌트는 사람의 얼굴 표정을 분류하는데 기초가 되는 눈, 입 등일 수 있으나, 본 개시는 이에 제한되지 않는다. 예를 들어, 프로세서(120)는 컴포넌트들에 관한 추가 라벨을 이용하여 사람의 얼굴 표정을 분류할 수도 있다. 프로세서(120)는 전처리 대상 컨텐츠를 전처리 동작 영역(630)에 디스플레이 하고, 그리고 사용자가 얼굴 이미지에 포함된 컴포넌트를 지정하도록 전처리 동작 영역(630)에 컴포넌트 지정 객체를 디스플레이 할 수 있다. 프로세서(120)는 사용자가 컴포넌트(눈) 지정 객체 및 얼굴 이미지에 눈 영역에 대한 선택 입력을 할 수 있도록 컴포넌트 지정 객체를 전처리 동작 영역(630)에 디스플레이 할 수 있다. 사용자는 컴포넌트 지정 객체의 선택 입력을 통해 얼굴 컴포넌트에 대한 라벨을 붙일 수 있고, 그리고 얼굴 이미지에서 컴포넌트가 포함된 영역의 선택 입력을 통해 얼굴 컴포넌트의 영역을 지정할 수 있다. 사용자는 두번의 선택 입력을 통해 얼굴 이미지의 컴포넌트에 대한 추가 라벨을 생성할 수 있다. 프로세서(120)는 이미지, 사용자로부터 입력 받은 표정에 관한 분류 라벨 및 얼굴 이미지의 컴포넌트에 대한 추가 라벨을 포함하는 라벨링된 데이터를 생성할 수 있다. 프로세서(120)는 사용자의 컴포넌트에 관한 입력인 추가 라벨을 이용하여 얼굴 표정을 분류할 수 있다. 프로세서(120)는 분류 라벨 및 추가 라벨을 포함하는 라벨링된 데이터를 이용하여 얼굴 표정을 분류할 수 있다. 사용자의 컴포넌트에 관한 입력인 추가 라벨을 이용하는 경우, 사용자의 얼굴 표정 분류의 효율성이 더 증대될 수 있다. 또한, 사용자가 얼굴 표정 분류에 대한 학습을 위한 라벨링된 데이터를 생성하는데 있어, 몇 번의 클릭만 하면 되므로 편의성이 증대될 수 있다. 전술한 전처리 동작 영역(630)에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따른 전처리 동작 영역에서의 동작을 수행하는 경우, 사용자가 분류 라벨을 컨텐츠에 부여하기 위하여 분류 라벨의 클래스 각각을 입력할 필요가 없으며, 디스플레이 되는 복수의 클래스 중 하나의 클래스에 대하여 선택 입력만 수행하면 되므로, 사용자의 학습 데이터 생성의 편의성을 향상시킬 수 있다.
본 개시의 일 실시예에 따라 전처리 동작 영역(630)은 컨텐츠의 의사 분류 라벨에 대한 사용자 입력을 수신하기 위한 영역일 수 있다. 프로세서(120)는 전처리 컨텐츠 영역(620)에 디스플레이 되는 둘 이상의 전처리 대상 컨텐츠들 중 일부 전처리 대상 컨텐츠(632)에 대한 분류 라벨에 관한 사용자 입력을 수신하는 경우, 일부의 전처리 대상 컨텐츠를 이용하여 모델을 학습시키고, 그리고 학습된 모델을 이용하여 나머지 전처리 대상 컨텐츠(632)들에 대한 의사 분류 라벨을 생성할 수 있다. 프로세서(120)는 나머지 전처리 대상 컨텐츠(632) 및 그에 대응되는 의사 분류 라벨이 전처리 동작 영역(630)에 디스플레이 되도록 할 수 있다. 프로세서(120)는 의사 분류 라벨에 대한 사용자의 정답 또는 오답 입력을 수신할 수 있다. 프로세서(120)는 사용자의 정답 입력에 기초하여 의사 분류 라벨을 전처리 대상 컨텐츠(632)에 매칭되는 분류 라벨로 결정할 수 있고, 사용자의 수정 정보(즉, 정답인 분류 라벨)를 포함하는 오류 입력에 기초하여 전처리 대상 컨텐츠(632)에 매칭되는 분류 라벨을 결정할 수 있다. 전술한 전처리 동작 영역에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는 컨텐츠의 처리 방법이 오브젝트 디텍션인 경우 전처리 동작에 관하여 설명한다. 전처리 동작 영역(630)은 컨텐츠의 처리 방법이 오브젝트 디텍션인 경우, 오브젝트 식별 라벨을 부여하기 위한 전처리 동작 인터페이스를 포함할 수 있다.
본 개시의 일 실시예에 따라 전처리 동작 영역(630)은 오브젝트 식별 라벨에 대한 사용자 입력을 수신하기 위한 영역일 수 있다. 프로세서(120)는 전처리 설정 영역(610)을 이용하여 결정된 학습 데이터의 라벨에 관한 설정에 기초하여 전처리 대상 컨텐츠(632)에 대한 오브젝트 식별 라벨을 사용자 인터페이스 또는 네트워크부(110)를 통해 수신할 수 있다. 프로세서(120)는 클릭 앤 드래그 방식으로 오브젝트 식별 라벨 입력을 수신할 수 있다. 프로세서(120)는 오브젝트 식별 라벨의 입력 및 학습 데이터의 라벨에 관한 설정에 기초하여 전처리 대상 컨텐츠(632)에 중첩하여 라벨을 표시할 수 있다. 예를 들어, 프로세서(120)는 전처리 대상 컨텐츠(632)에 포함된 너구리 객체에 대한 사용자의 오브젝트 식별 라벨 입력 및 학습 데이터의 라벨에 관한 설정에 기초하여 너구리 부분에 사각형의 파란색 라벨(634)을 디스플레이 할 수 있다. 프로세서(120)는 전처리 대상 컨텐츠(632)와 사용자의 오브젝트 식별 라벨에 대한 입력을 매칭시켜 학습 데이터로 저장할 수 있다. 사용자가 클릭 앤 드래그 방법으로 오브젝트를 표시하기만 하면 프로세서(120)에서 사용자 입력을 수신하여, 학습 데이터를 생성하므로, 사용자의 학습 데이터 생성의 편의성을 향상시킬 수 있다.
본 개시의 일 실시예에 따라 전처리 동작 영역(630)은 컨텐츠의 의사 오브젝트 식별 라벨에 대한 사용자 입력을 수신하기 위한 영역일 수 있다. 프로세서(120)는 전처리 컨텐츠 영역(620)에 디스플레이 되는 둘 이상의 전처리 대상 컨텐츠들 중 일부 전처리 대상 컨텐츠(632)에 대한 오브젝트 식별 라벨인 사용자 입력을 수신하는 경우, 일부의 전처리 대상 컨텐츠(632)를 이용하여 모델을 학습시키고, 그리고 학습된 모델을 이용하여 나머지 전처리 대상 컨텐츠(632)들에 대한 의사 오브젝트 식별 라벨을 출력할 수 있다. 프로세서(120)는 나머지 전처리 대상 컨텐츠(632) 및 그에 대응되는 의사 오브젝트 식별 라벨을 전처리 동작 영역(630)에 디스플레이 할 수 있다. 프로세서(120)는 의사 오브젝트 식별 라벨에 대한 사용자의 정답 또는 오답 입력을 수신할 수 있다. 프로세서(120)는 사용자의 정답 입력에 기초하여 의사 오브젝트 식별 라벨을 전처리 대상 컨텐츠(632)에 매칭되는 오브젝트 식별 라벨로 결정할 수 있고, 사용자의 수정 정보(즉, 정답인 오브젝트 식별 라벨)를 포함하는 오류 입력에 기초하여 전처리 대상 컨텐츠(632)에 매칭되는 오브젝트 식별 라벨을 결정할 수 있다. 또한, 사용자는 디스플레이 된 의사 라벨을 크기를 수정하거나 형태를 수정하여 수정된 라벨을 생성할 수 있다. 전술한 전처리 동작 영역에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는 컨텐츠의 처리 방법이 컨텐츠의 세그먼테이션인 경우 전처리 동작에 관하여 설명한다. 전처리 동작 영역(630)은 컨텐츠의 처리 방법이 컨텐츠의 세그먼테이션인 경우, 세그먼테이션 라벨을 부여하기 위한 전처리 동작 인터페이스를 포함할 수 있다.
본 개시의 일 실시예에 따라 전처리 동작 영역(630)은 세그먼테이션 라벨(634)에 대한 사용자 입력을 수신하기 위한 영역일 수 잇다. 프로세서(120)는 전처리 설정 영역(610)을 이용하여 결정된 학습 데이터의 라벨에 관한 설정에 기초하여 전처리 대상 컨텐츠(632)에 대한 세그먼테이션 라벨(634)을 사용자 인터페이스 또는 네트워크부(110)를 통해 수신할 수 있다. 프로세서(120)는 둘 이상의 사용자 입력을 연결하여 세그먼테이션 라벨(634)을 생성할 수 있다. 프로세서(120)는 전처리 대상 컨텐츠(632)에 포함된 오브젝트와 배경의 경계 부분에 해당하는 둘 이상의 사용자 입력을 연결하여 세그먼테이션 라벨(634)을 생성할 수 있다. 프로세서(120)는 오브젝트와 배경의 경계를 표시하기 위한 사용자의 제 1 입력에 기초하여 제 1 점을 생성하고, 사용자의 제 2 입력에 기초하여 제 2 점을 생성하고, 그리고 제 1 점과 제 2 점 사이를 연결하는 선을 생성하여 세그먼테이션 라벨(634)을 생성할 수 있다. 즉, 사용자는 오브젝트의 경계를 따라 클릭 엔 드래그를 하거나, 경계를 따라가며 윤곽을 클릭하는 것 만으로 세그먼테이션 라벨을 생성할 수 있다. 전술한 전처리 동작 영역에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 사용자는 세그먼테이션 라벨을 생성하기 위하여 오브젝트와 배경의 경계를 표시하기 위한 몇번의 입력만 프로세서(120)에 전송하면 되므로, 학습 데이터를 생성하기 위한 사용자의 편의성이 증대될 수 있다.
본 개시의 일 실시예에 따라 전처리 동작 영역(630)은 컨텐츠의 의사 세그먼테이션 라벨에 대한 사용자 입력을 수신하기 위한 영역일 수 있다. 프로세서(120)는 이미지 처리 알고리즘을 이용하여 의사 세그먼테이션 라벨을 생성할 수 있다. 이미지 처리 알고리즘은 캐니 엣지 디텍션(canny edge detection), 해리스 코너 디텍션(harris corner detection)등을 포함할 수 있으나, 본 개시는 이에 제한되지 않는다. 캐니 엣지 디텍션을 통해 프로세서(120)는 전처리 대상 컨텐츠(632)를 블러링(blurring) 처리하여 노이즈를 제거하고, 마스크 엣지를 이용하여 엣지를 검출하고, Non-Maximum Value를 제거하고, Double Threshold로 크기를 구분하여 엣지를 연결함으로써 엣지를 추출할 수 있다. 이미지 처리 알고리즘 기법을 사용하여 일정한 픽셀 두께의 엣지를 전처리 대상 컨텐츠(632)에서 추출할 수 있다. 프로세서(120)는 전처리 대상 컨텐츠(632)에서 추출한 일정한 픽셀 두께의 엣지를 의사 세그먼테이션 라벨로 결정할 수 있다. 즉, 사용자는 컨텐츠에 오브젝트와 오브젝트가 아닌 부분만을 지정하는 것으로 세그먼테이션 라벨을 간단히 생성할 수 있다. 전술한 의사 세그먼테이션 라벨에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
또는, 프로세서(120)는 전처리 컨텐츠 영역(620)에 디스플레이 되는 둘 이상의 전처리 대상 컨텐츠들 중 일부 전처리 대상 컨텐츠(632)에 대한 세그먼테이션 라벨인 사용자 입력을 수신하는 경우, 일부의 전처리 대상 컨텐츠(632)를 이용하여 모델을 학습시키고, 그리고 학습된 모델을 이용하여 나머지 전처리 대상 컨텐츠(632)들에 대한 의사 세그먼테이션 라벨을 출력할 수 있다. 전술한 의사 세그먼테이션 라벨에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 전처리 대상 컨텐츠(632) 및 그에 대응되는 의사 세그먼테이션 라벨을 전처리 동작 영역(630)에 디스플레이 할 수 있다. 프로세서(120)는 의사 세그먼테이션 라벨에 대한 사용자의 정답 또는 오답 입력을 수신할 수 있다. 프로세서(120)는 사용자의 정답 입력에 기초하여 의사 세그먼테이션 라벨을 전처리 대상 컨텐츠(632)에 매칭되는 세그먼테이션 라벨로 결정할 수 있고, 사용자의 수정 정보(즉, 정답인 세그먼테이션 라벨)를 포함하는 오류 입력에 기초하여 전처리 대상 컨텐츠(632)에 매칭되는 세그먼테이션 라벨을 결정할 수 있다. 전술한 전처리 동작 영역에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는 컨텐츠의 처리 방법이 컨텐츠의 자연어 처리인 경우 전처리 동작에 관하여 설명한다.
본 개시의 일 실시예에 따라 전처리 동작 영역(630)은 컨텐츠의 시멘틱 라벨에 대한 사용자 입력을 수신하기 위한 영역일 수 있다. 시멘틱 라벨은 전처리 대상 컨텐츠의 주제, 전처리 대상 컨텐츠의 카테고리 등일 수 있다. 프로세서(120)는 전처리 대상 컨텐츠(632)에 포함된 텍스트를 전처리 동작 영역(630)에 디스플레이 할 수 있고, 그리고 사용자로부터 텍스트에 대한 의미론적 정보인 시멘틱 라벨을 수신할 수 있다. 프로세서(120)는 전처리 대상 컨텐츠(632)에 포함된 텍스트, 둘 이상의 시멘틱 라벨을 전처리 동작 영역(630)에 디스플레이 할 수 있고, 그리고 사용자로부터 하나의 시멘틱 라벨에 대한 선택 입력을 수신할 수 있다. 예를 들어, 전처리 대상 컨텐츠가 "옷이 손상된 상태로 배송이 왔는데 어떻게 해야 하나요?" 텍스트를 포함하는 경우, 프로세서(120)는 전처리 동작 영역(630)에 디스플레이 된 “배송 문의” 시멘틱 라벨 및 “교환, 반품 문의” 시멘틱 라벨 중 사용자로부터 “교환, 반품 문의” 시멘틱 라벨에 대한 선택 입력을 수신할 수 있다. 전술한 전처리 동작 영역에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 학습을 수행하는 방법에 관하여 도 9를 참조하여 설명한다. 도 9는 본 개시의 일 실시예에 따른 프로젝트 수행 영역의 학습 레이어를 예시적으로 도시한 도면이다.
프로젝트 수행 영역(500)은 프로젝트 학습 단계를 디스플레이 하기 위한 학습 레이어(700)를 포함할 수 있다. 학습 레이어(700)는 학습에 관한 설정에 대한 선택 입력을 수신하기 위한 학습 설정 영역(710) 또는 학습 동작을 디스플레이 하기 위한 학습 동작 영역(720) 중 적어도 하나를 포함할 수 있다.
학습 설정 영역(710)은 학습 설정에 관한 사용자 입력을 수신하기 위한 학습 설정 객체(712, 714) 또는 학습 진행 정보를 디스플레이 하기 위한 객체(716) 중 적어도 하나를 포함할 수 있다.
학습 설정 객체(712, 714)는 학습 설정에 관한 사용자 입력을 수신하기 위한 그래픽 객체일 수 있다. 예를 들어, 학습 설정 객체(712, 714)는 학습 에폭(epoch), 자원 사용률(예를 들어, GPU), 학습률(learning rate) 등 학습에 관련한 하이퍼 파라미터에 관한 사용자 입력을 수신하기 위한 그래픽 객체일 수 있다. 프로세서(120)는 학습 설정에 관한 사용자 입력을 수신하는 경우, 사용자 입력에 기초하여 학습을 수행할 수 있다. 프로세서(120)는 학습 설정에 관한 사용자 입력을 수신하지 않는 경우, 학습 데이터의 양, 컨텐츠의 도메인, 컨텐츠 처리 방법, 컨텐츠 처리 알고리즘 등을 이용하여 결정된 학습 설정에 기초하여 학습을 수행할 수도 있다. 예를 들어, 프로세서(120)는 1 GPU, 50 에폭, 초기 학습률 70, 후기 학습률 30을 포함하는 학습 설정에 관한 사용자 입력을 수신할 수 있다. 전술한 학습 설정에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 사용자가 학습에 관한 설정을 수행함으로써, 컨텐츠 처리 방법에 관한 연구에 도움이 될 수 있다. 학습에 관한 설정의 변경에 따라 변경되는 출력 및 학습 완성도를 사용자들이 확인함으로써 사용자들의 딥러닝 관련 연구에도 도움이 될 수 있다.
학습 진행 정보를 디스플레이 하기 위한 객체(716)는 전체 학습 설정 대비 완성 정도를 포함할 수 있다. 예를 들어, 학습 진행 정보는 설정된 전체 학습 에폭 중 수행된 학습 에폭에 따른 학습 완성률을 포함할 수 있다. 예를 들어, 초기 학습률과 후기 학습률을 상이하게 설정한 경우, 학습 진행 정보는 초기 및/또는 후기 학습을 수행하였는지에 관한 정보일 수 있다. 예를 들어, 학습 진행 정보는 학습 설정 영역(710)에 수치로 표시될 수 있고, 또는 도식화되어 표시될 수도 있다. 전술한 학습 진행 정보에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
학습 동작 영역(720)은 학습 완성도 정보를 디스플레이 하기 위한 영역일 수 있다. 학습 완성도 정보는 수치로 표시될 수도 있고, 또는 도식화되어 표시될 수도 있으며, 사용자가 인식하기 용이한 임의의 시각화 방법을 통해 표시될 수도 있다. 프로세서(120)는 학습 데이터를 이용하여 학습을 수행함에 따라, 변화되는 학습 완성도 정보를 학습 동작 영역(720)에 디스플레이 할 수 있다.
프로세서(120)는 컨텐츠의 처리 알고리즘에 대응되는 모델을 학습시키기 위하여 학습 데이터에 포함된 처리 대상 컨텐츠를 모델의 입력 레이어에 포함된 하나 이상의 입력 노드에 입력시키고, 모델의 출력 레이어에서 연산한 결과(즉, 출력)와 학습 데이터에 포함된 라벨(즉, 정답)을 비교하여 오차를 계산할 수 있다. 프로세서(120)는 오차에 기초하여 모델의 가중치를 조정할 수 있다. 프로세서(120)는 오차에 기초하여 모델의 하나 이상의 네트워크 함수에 포함된 출력 레이어로부터 하나 이상의 히든 레이어를 거쳐 입력 레이어로 전파함으로써, 각각의 링크에 설정된 가중치를 업데이트할 수 있다.
프로세서(120)는 예를 들어, 학습 수행 횟수 및 학습에 따른 오차(loss)를 포함하는 학습 완성도 정보를 학습 동작 영역(720)에 디스플레이 할 수 있다. 프로세서(120)는 학습 수행에 따라 변화하는 학습 완성도 정보를 학습 동작 영역(720)에 디스플레이 할 수 있다. 프로세서(120)는 학습 이터레이션(iteration) 및/또는 학습 에폭에 따른 오차를 포함하는 학습 완성도 정보를 학습 동작 영역(720)에 디스플레이 할 수 있다. 예를 들어, 프로세서(120)는 학습 수행 횟수 정보를 그래프의 x축에 표시하고, 그리고 오차를 그래프의 y축에 표시하여 학습 동작 영역(720)에 디스플레이 할 수 있다. 프로세서(120)는 학습 이터레이션(iteration) 및/또는 학습 에폭이 수행될 때 마다 그래프를 업데이트 하여 학습 동작 영역(720)에 디스플레이 할 수 있다. 프로세서(120)는 그래프의 일 지점에 대한 사용자 입력을 수신하는 경우, 해당 지점에 대응되는 학습 수행 횟수 및 학습에 따른 오차값을 팝업 형태로 디스플레이 할 수도 있다. 전술한 학습 동작 영역(720)에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 처리 대상 컨텐츠를 결정하는 방법에 관하여 도 10을 참조하여 설명한다. 도 10은 본 개시의 일 실시예에 따른 프로젝트 수행 영역의 처리 대상 결정 레이어를 예시적으로 도시한 도면이다.
프로젝트 수행 영역(500)은 학습된 프로젝트를 이용하여 처리하기 위한 처리 대상 컨텐츠(810)를 입력 받기 위한 처리 대상 결정 레이어(800)를 포함할 수 있다. 프로세서(120)는 처리 대상 결정 레이어(800)를 디스플레이 하여 학습된 모델의 입력 데이터인 처리 대상 컨텐츠(810)를 수신할 수 있다. 프로세서(120)는 컨텐츠들이 저장된 폴더에서 드래그 앤 드롭의 형태로 처리 대상 컨텐츠(810)를 입력 받을 수도 있다. 드래그 앤 드롭의 형태로 처리 대상 컨텐츠를 입력하도록 하여, 사용자의 인터페이스 사용 편의성을 증대 시킬 수 있다.
프로세서(120)는 학습된 모델에 바로 입력할 수 있는 형식으로 처리 대상 컨텐츠(810)를 입력 받을 수 있다. 예를 들어, 이미지 세그먼테이션의 경우, 프로세서(120)는 하나 이상의 이미지 각각을 입력 받을 수 있고, 입력 받은 이미지는 학습된 모델에 입력시켜 연산할 수 있다. 전술한 처리 대상 컨텐츠에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
또는, 프로세서(120)는 학습된 모델에 바로 입력할 수 없는 형식으로 처리 대상 컨텐츠(810)를 입력 받을 수도 있다. 프로세서(120)는 예를 들어, 입력 받은 이미지의 크기가 모델의 입력으로 입력시키기에 크거나 작은 경우, 크기를 조정할 수 있다. 또는, 프로세서(120)는 예를 들어, 프로세서(120)가 모델을 이용하여 처리하고자 하는 복수의 이미지들을 포함하는 워드 파일의 문서를 수신하는 경우, 프로세서(120)는 문서에서 복수의 이미지들 각각을 추출하여, 추출된 이미지를 모델의 입력으로 입력시킬 수도 있다. 전술한 처리 대상 컨텐츠에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 컨텐츠를 처리하는 방법에 관하여 도 11 및 도 12를 참조하여 설명한다. 도 11은 본 개시의 일 실시예에 따른 컨텐츠 처리 레이어를 예시적으로 도시한 도면이다. 도 12는 본 개시의 일 실시예에 따른 컨텐츠 처리 결과를 예시적으로 도시한 도면이다.
프로젝트 수행 영역(500)은 처리 대상 컨텐츠에 대한 처리 결과(910)를 디스플레이 하기 위한 컨텐츠 처리 레이어(900)를 포함할 수 있다.
컨텐츠 처리 레이어(900)는 컨텐츠의 처리 방법이 컨텐츠의 변형인 경우, 변형된 컨텐츠를 디스플레이 하기 위한 인터페이스를 포함할 수 있다. 프로세서(120)는 변형된 컨텐츠들을 컨텐츠 처리 레이어(900)에 디스플레이 하고, 그리고 사용자의 선택 입력에 기초하여 결정된 적어도 일부의 변형된 컨텐츠들을 다운로드하여 다른 저장 공간에 저장하도록 할 수 있다. 전술한 컨텐츠 처리 레이어에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
컨텐츠 처리 레이어(900)는 컨텐츠의 처리 방법이 컨텐츠의 분류 또는 오브젝트 디텍션인 경우, 복수의 라벨 중 사용자 선택 입력에 대한 라벨에 대응되는 컨텐츠를 디스플레이 하기 위한 인터페이스를 포함할 수 있다.
프로세서(120)는 컨텐츠의 처리 방법이 컨텐츠의 분류인 경우, 복수의 클래스들 각각에 대응되는 컨텐츠 분류 결과를 컨텐츠 처리 레이어(900)에 디스플레이 할 수 있다. 프로세서(120)는 복수의 클래스들 중 사용자의 선택 입력에 대응되는 적어도 일부의 클래스에 해당하는 컨텐츠들을 다운로드하여 다른 저장 공간에 저장하도록 할 수 있다. 예를 들어, 컨텐츠들이 분류될 수 있는 클래스가 너구리, 풍선, 우산인 경우, 프로세서(120)는 너구리, 풍선, 우산 각각의 클래스로 분류된 컨텐츠들을 구별하여 컨텐츠 처리 레이어(900)에 디스플레이 할 수 있다. 프로세서(120)는 너구리 클래스, 풍선 클래스, 우산 클래스 중 풍선 클래스에 대한 선택 입력을 수신하는 경우, 풍선으로 분류된 컨텐츠들만 별도로 디스플레이 하거나 또는 다운로드하여 다른 저장 공간에 저장하도록 할 수 있다. 전술한 컨텐츠 처리 레이어에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 컨텐츠의 처리 방법이 오브젝트 디텍션인 경우, 복수의 클래스들 각각에 대응되는 오브젝트 디텍션 결과를 컨텐츠 처리 레이어(900)에 디스플레이 할 수 있다. 프로세서(120)는 예를 들어, 오브젝트의 존재 또는 부존재 클래스 각각에 대응되는 오브젝트 디텍션 결과를 컨텐츠 처리 레이어(900)에 디스플레이 할 수 있다. 또는, 프로세서(120)는 예를 들어, 제 1 오브젝트의 존재, 제 1 오브젝트의 부존재, 제 2 오브젝트의 존재 또는 제 2 오브젝트의 부존재 클래스 각각에 대응되는 오브젝트 디텍션 결과를 컨텐츠 처리 레이어(900)에 디스플레이 할 수 있다. 프로세서(120)는 복수의 클래스들 중 사용자의 선택 입력에 대응되는 적어도 일부의 클래스에 해당하는 컨텐츠들을 다운로드하여 다른 저장 공간에 저장하도록 할 수 있다. 예를 들어, 오브젝트 디텍션 결과에 대응되는 클래스가, 너구리 존재, 너구리 부존재, 풍선 존재, 풍선 부존재인 경우, 프로세서(120)는 복수의 클래스들에 대응되는 오브젝트 존재 여부에 따라 컨텐츠들을 구별하여 컨텐츠 처리 레이어(900)에 디스플레이 할 수 있다. 프로세서(120)는 예를 들어, 너구리 존재 클래스에 대한 사용자의 선택 입력을 수신하는 경우, 너구리만 포함하는 컨텐츠 및 너구리 및 풍선을 포함하는 컨텐츠들을 별도로 디스플레이 하거나 또는 다운로드하여 다른 저장 공간에 저장하도록 할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 복수의 오브젝트들을 포함하는 컨텐츠들이 있을 경우, 원하는 오브젝트 만을 포함하는 컨텐츠를 구별하여 사용자에게 제공할 수 있다. 전술한 컨텐츠 처리 레이어에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
컨텐츠 처리 레이어(900)는 컨텐츠의 처리 방법이 컨텐츠의 세그먼테이션인 경우, 세그먼테이션된 오브젝트만을 디스플레이 하기 위한 인터페이스를 포함할 수 있다. 예를 들어, 프로세서(120)는 컨텐츠의 처리 결과(920)에 포함된 세그먼테이션된 오브젝트인 풍선을 배경에서 분리하여, 풍선만을 컨텐츠 처리 레이어(900)에 디스플레이 할 수 있다. 프로세서(120)는 배경에서 분리된 세그먼테이션 오브젝트를 컨텐츠와 별도로 컨텐츠 처리 레이어(900)에 디스플레이 하거나 또는 다운로드하여 다른 저장 공간에 저장하도록 할 수 있다. 배경에서 분리된 세그먼테이션 오브젝트를 사용자에게 제공함으로써, 오브젝트를 다른 배경과 합성하는 등의 방법으로 활용이 가능할 수 있다. 전술한 컨텐츠 처리 레이어에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 컨텐츠 처리 방법을 이용하는 경우, 기계 학습 알고리즘에 대한 구체적인 이해가 없는 일반 사용자의 경우에도, 컨텐츠 처리 방법을 선택하고, 컨텐츠를 입력하여 학습을 수행하고, 그리고 학습된 모델을 이용하여 컨텐츠를 처리할 수 있다. 본 개시의 일 실시예에 따른 컨텐츠 처리 방법은 사용자의 기계 학습을 이용한 컨텐츠 처리의 편의성을 증대 시킬 수 있다.
도 1에 도시된 컴퓨팅 장치(100) 및 서버(2000)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100) 및 서버(2000)는 컴퓨팅 장치(100) 및 서버(2000)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100) 및 서버(2000)를 구성할 수도 있다.
컴퓨팅 장치(100)는 네트워크부(110), 프로세서(120), 메모리(130)를 포함할 수 있다. 서버(2000)는 네트워크부(2100), 프로세서(2200), 메모리(2300)를 포함할 수 있다.
네트워크부(110) 및 네트워크부(2100)는 본 개시의 일 실시예에 따른 컨텐츠 처리 방법을 제공하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 네트워크부(110) 및 네트워크부(2100)는 컨텐츠, 컨텐츠 처리 결과 등 본 개시의 실시예에 필요한 데이터들을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 예를 들어, 네트워크부(110) 및 네트워크부(2100)는 데이터베이스 등에서 프로젝트, 프로젝트에 대한 설정, 처리 대상 컨텐츠, 컨텐츠 처리 결과에 관한 정보 등을 수신할 수 있다. 또한, 네트워크부(110) 및 네트워크부(2100)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 네트워크 함수의 학습이 분산 수행되도록 할 수 있다. 네트워크부(110) 및 네트워크부(2100)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 네트워크 함수를 사용한 컨텐츠의 결과 출력을 위한 연산을 분산 처리하도록 할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(110) 및 네트워크부(2100)는 공중전화 교환망 (PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 본 명세서에서 제시되는 네트워크부(110) 및 네트워크부(2100)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 개시에서 네트워크부(110) 및 네트워크부(2100)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN:Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.
본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
프로세서(120) 및 프로세서(2200)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 컨텐츠 처리, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(120) 및 프로세서(2200)는 메모리(130) 및 메모리(2300)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 컨텐츠의 처리 결과를 제공할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(120) 및 프로세서(2200)는 딥러닝(DN:deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(120) 및 프로세서(2200)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 컨텐츠 처리 결과 출력을 위한 연산을 제공할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 컨텐츠의 처리 결과 출력을 위한 연산을 제공할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따라, 프로세서(120)는 네트워크부(110)를 통해 데이터를 전송하거나 또는 수신할 수 있다. 프로세서(120)는 네트워크부(110)를 통해 다른 컴퓨팅 장치 또는 서버에 데이터를 전송하거나, 또는 다른 컴퓨팅 장치 또는 서버로부터 데이터를 수신할 수 있다.
본 개시의 일 실시예에 따라 프로세서(120)는 컴퓨팅 장치(100)에 포함된 복수의 스레드 또는 복수의 코어들을 포함할 수 있다. 프로세서(120)는 복수의 스레드 또는 복수의 코어들에서 연산을 분산하여 수행할 수 있다. 또는, 프로세서(120)는 복수의 스레드 또는 복수의 코어들 간의 데이터 송수신을 수행할 수 있다. 예를 들어, 모델의 학습과 관련한 연산은 프로세서(120)에 포함된 제 1 스레드에서 수행하고, 그리고 학습과 관련한 데이터를 제 1 스레드에서 프로세서(120)에 포함된 제 2 스레드로 전송하도록 하여, 제 2 스레드에서 추론과 관련한 연산을 수행할 수도 있다. 전술한 연산에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않고, 코어, 스레드, 프로세서, 컴퓨팅 장치, 또는 서버 각각에서 본 개시에서 필요한 연산을 분산하여 수행할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130) 및 메모리(2300)는 프로세서(120) 및 프로세서(2200)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110) 및 네트워크부(2100)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130) 및 메모리(2300)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
데이터 구조는 본 개시의 일 실시예에 따른 컨텐츠의 처리 알고리즘에 대응되는 데이터를 저장할 수 있다.
본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자가 생각하는 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 하드 디스크)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독 가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망에 입력되거나, 신경망에서 출력되는 데이터를 포함할 수 있다. 신경망에 입력되거나, 출력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 컴퓨터 판독가능 매체에 저장된 데이터 구조는 신경망의 추론 과정에서 입력되는 데이터, 또는 신경망의 추론 결과 출력되는 출력 데이터를 포함할 수 있다. 또한, 데이터 구조는 특정한 데이터 가공 방법에 의하여 가공되는 데이터를 포함할 수 있으므로, 가공 전 후의 데이터를 포함할 수 있다. 따라서, 데이터 구조는 가공의 대상이 되는 데이터 및 데이터 가공 방법을 통해 가공된 데이터를 포함할 수 있다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 13은 본 개시의 일 실시예에 따른 컨텐츠 처리 방법의 순서도이다.
컴퓨팅 장치(100)는 프로젝트에 대한 선택 입력을 수신하기 위한 프로젝트 관련 객체를 포함하는 제 1 화면을 디스플레이(1010) 할 수 있다.
제 1 화면의 프로젝트 선택 레이어는 기존에 생성된 프로젝트에 대한 실행 선택 입력을 수신하기 위한 프로젝트 선택 객체 및 새로운 프로젝트 생성을 위한 선택 입력을 수신하기 위한 프로젝트 생성 객체를 포함할 수 있다.
제 1 화면의 프로젝트 생성 레이어는 프로젝트 선택 레이어에 포함된 프로젝트 생성 객체에 대한 선택 입력에 대응하여 프로젝트를 생성하기 위한 둘 이상의 프로젝트 관련 객체들을 포함할 수 있다. 프로젝트 관련 객체는 프로젝트에 대한 설정 항목들에 대한 선택 입력을 수신하기 위한 객체일 수 있다. 둘 이상의 프로젝트 관련 객체는 컨텐츠의 도메인 설정을 위한 도메인 선택 객체, 컨텐츠의 처리 방법에 대한 설정을 위한 처리 방법 선택 객체, 컨텐츠의 처리 알고리즘 설정을 위한 모델 선택 객체를 포함할 수 있다.
컴퓨팅 장치(100)는 선택된 프로젝트와 대응되는 프로젝트 수행 단계를 디스플레이 하기 위한 제 2 화면을 디스플레이(1020) 할 수 있다. 제 2 화면은 프로젝트 수행 단계에 대한 선택 입력을 수신하기 위한 단계 선택 객체를 포함하는 네비게이션 영역 및 프로젝트 수행 단계에 대응되는 컨텐츠 처리를 위한 프로젝트 수행 영역을 포함할 수 있다.
네비게이션 수행 영역의 단계 선택 객체는 학습 단계에 대한 선택 입력을 수신하기 위한 학습 단계 선택 객체 및 컨텐츠 처리 단계에 대한 선택 입력을 수신하기 위한 컨텐츠 처리 단계 선택 객체를 포함할 수 있다.
프로젝트 수행 영역은 프로젝트 학습을 위한 전처리 단계를 디스플레이 하기 위한 전처리 레이어를 포함할 수 있다. 전처리 레이어는 전처리 설정 관련 객체를 디스플레이 하기 위한 전처리 설정 영역, 전처리 대상 컨텐츠 목록을 디스플레이 하기 위한 전처리 컨텐츠 영역 또는 전처리 동작을 수행하기 위한 전처리 동작 영역 중 적어도 하나를 포함할 수 있다. 전처리 컨텐츠 영역은 전처리 대상 컨텐츠 각각에 대응되는 둘 이상의 전처리 대상 컨텐츠 객체를 포함할 수 있다. 컴퓨팅 장치(100)는 하나의 전처리 대상 컨텐츠 객체에 대한 선택 입력에 대응하여 전처리 동작 영역에 상기 하나의 전처리 대상 컨텐츠 객체에 대응되는 전처리 대상 컨텐츠를 로드할 수 있다. 전처리 동작 영역은 사전 학습된 모델 또는 사용자 입력 중 적어도 하나에 기초하여 전처리 대상 컨텐츠에 대한 전처리 동작의 수행을 제어하기 위한 영역일 수 있다. 전처리 동작 영역은, 컨텐츠의 처리 방법이 컨텐츠의 변형인 경우, 변형 대상 컨텐츠의 프리뷰에 대한 전처리 동작 인터페이스, 컨텐츠의 처리 방법이 컨텐츠의 분류인 경우, 분류 라벨을 부여하기 위한 전처리 동작 인터페이스, 컨텐츠의 처리 방법이 컨텐츠의 오브젝트 디텍션인 경우, 오브젝트 식별 라벨을 부여하기 위한 전처리 동작 인터페이스, 또는 컨텐츠의 처리 방법이 컨텐츠의 세그먼테이션인 경우, 세그먼테이션 라벨을 부여하기 위한 전처리 동작 인터페이스 중 적어도 하나를 포함할 수 있다.
프로젝트 수행 영역은 프로젝트 학습 단계를 디스플레이 하기 위한 학습 레이어를 포함할 수 있다. 학습 레이어는 학습에 관한 설정에 대한 선택 입력을 수신하기 위한 학습 설정 영역 또는 학습 동작을 디스플레이 하기 위한 학습 동작 영역 중 적어도 하나를 포함할 수 있다. 학습 설정 영역은 학습 설정에 관한 사용자 입력을 수신하기 위한 학습 설정 객체 또는 학습 진행 정보를 디스플레이 하기 위한 객체 중 적어도 하나를 포함할 수 있다. 학습 동작 영역은 학습 완성도 정보를 디스플레이 하기 위한 영역일 수 있다.
프로젝트 수행 영역은 학습된 프로젝트를 이용하여 처리하기 위한 처리 대상 컨텐츠를 입력 받기 위한 처리 대상 결정 레이어를 포함할 수 있다. 프로젝트 수행 영역은 처리 대상 컨텐츠에 대한 처리 결과를 디스플레이 하기 위한 컨텐츠 처리 레이어를 포함할 수 있다. 컨텐츠 처리 레이어는, 컨텐츠의 처리 방법이 컨텐츠의 변형인 경우, 변형된 컨텐츠를 디스플레이 하기 위한 인터페이스, 컨텐츠의 처리 방법이 컨텐츠의 분류 또는 오브젝트 디텍션인 경우, 복수의 라벨 중 사용자 선택 입력에 대한 라벨에 대응되는 컨텐츠를 디스플레이 하기 위한 인터페이스, 또는 컨텐츠의 처리 방법이 컨텐츠의 세그먼테이션인 경우, 세그먼테이션된 오브젝트만을 디스플레이 하기 위한 인터페이스 중 적어도 하나를 포함할 수 있다.
도 14는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드 헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있다. 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독 가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비 휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시 적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화 된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시 적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다
Claims (16)
- 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 컨텐츠 처리 방법을 제공하기 위한 동작들을 수행하도록 하며 상기 동작들은,프로젝트에 대한 선택 입력을 수신하기 위한 프로젝트 관련 객체를 포함하는 제1 화면을 디스플레이 하는 동작; 및선택된 프로젝트와 대응되는 프로젝트 수행 단계를 디스플레이 하기 위한 제2 화면을 디스플레이 하는 동작;을 포함하고, 그리고상기 제 2 화면은 프로젝트 수행 단계에 대한 선택 입력을 수신하기 위한 단계 선택 객체를 포함하는 네비게이션 영역 및 상기 프로젝트 수행 단계에 대응되는 컨텐츠 처리를 위한 프로젝트 수행 영역을 포함하는,컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,상기 제 1 화면의 프로젝트 선택 레이어는 기존에 생성된 프로젝트에 대한 실행 선택 입력을 수신하기 위한 프로젝트 선택 객체 및 새로운 프로젝트 생성을 위한 선택 입력을 수신하기 위한 프로젝트 생성 객체를 포함하는,컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,상기 제 1 화면의 프로젝트 생성 레이어는 프로젝트 선택 레이어에 포함된 프로젝트 생성 객체에 대한 선택 입력에 대응하여 프로젝트를 생성하기 위한 둘 이상의 프로젝트 관련 객체들을 포함하고, 그리고상기 프로젝트 관련 객체는 프로젝트에 대한 설정 항목들에 대한 선택 입력을 수신하기 위한 객체인,컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 3 항에 있어서,상기 둘 이상의 프로젝트 관련 객체는 컨텐츠의 도메인 설정을 위한 도메인 선택 객체, 컨텐츠의 처리 방법에 대한 설정을 위한 처리 방법 선택 객체, 컨텐츠의 처리 알고리즘 설정을 위한 모델 선택 객체를 포함하는,컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,상기 단계 선택 객체는 학습 단계에 대한 선택 입력을 수신하기 위한 학습 단계 선택 객체 및 컨텐츠 처리 단계에 대한 선택 입력을 수신하기 위한 컨텐츠 처리 단계 선택 객체를 포함하는,컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,상기 프로젝트 수행 영역은 프로젝트 학습을 위한 전처리 단계를 디스플레이하기 위한 전처리 레이어를 포함하고, 그리고상기 전처리 레이어는 전처리 설정 관련 객체를 디스플레이 하기 위한 전처리 설정 영역, 전처리 대상 컨텐츠 목록을 디스플레이 하기 위한 전처리 컨텐츠 영역 또는 전처리 동작을 수행하기 위한 전처리 동작 영역 중 적어도 하나를 포함하는,컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램
- 제 6 항에 있어서,상기 전처리 컨텐츠 영역은 전처리 대상 컨텐츠 각각에 대응되는 둘 이상의 전처리 대상 컨텐츠 객체를 포함하고, 그리고하나의 전처리 대상 컨텐츠 객체에 대한 선택 입력에 대응하여 상기 전처리 동작 영역에 상기 하나의 전처리 대상 컨텐츠 객체에 대응되는 전처리 대상 컨텐츠가 로드(load) 되는 동작;을 더 포함하는,컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 6 항에 있어서,상기 전처리 동작 영역은 사전 학습된 모델 또는 사용자 입력 중 적어도 하나에 기초하여 전처리 대상 컨텐츠에 대한 전처리 동작의 수행을 제어하기 위한 영역인,컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 6 항에 있어서,상기 전처리 동작 영역은,컨텐츠의 처리 방법이 컨텐츠의 변형인 경우, 변형 대상 컨텐츠의 프리뷰에대한 전처리 동작 인터페이스,상기 컨텐츠의 처리 방법이 컨텐츠의 분류인 경우, 분류 라벨을 부여하기 위한 전처리 동작 인터페이스,상기 컨텐츠의 처리 방법이 컨텐츠의 오브젝트 디텍션인 경우, 오브젝트 식별 라벨을 부여하기 위한 전처리 동작 인터페이스, 또는상기 컨텐츠의 처리 방법이 컨텐츠의 세그먼테이션인 경우, 세그먼테이션 라벨을 부여하기 위한 전처리 동작 인터페이스 중 적어도 하나를 포함하는,컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,상기 프로젝트 수행 영역은 프로젝트 학습 단계를 디스플레이 하기 위한 학습 레이어를 포함하고, 그리고상기 학습 레이어는 학습에 관한 설정에 대한 선택 입력을 수신하기 위한 학습 설정 영역 또는 학습 동작을 디스플레이 하기 위한 학습 동작 영역 중 적어도 하나를 포함하는,컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 10 항에 있어서,상기 학습 설정 영역은 학습 설정에 관한 사용자 입력을 수신하기 위한 학습 설정 객체 또는 학습 진행 정보를 디스플레이 하기 위한 객체 중 적어도 하나를 포함하는,컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 10 항에 있어서,상기 학습 동작 영역은 학습 완성도 정보를 디스플레이 하기 위한 영역인,컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,상기 프로젝트 수행 영역은 학습된 프로젝트를 이용하여 처리하기 위한 처리 대상 컨텐츠를 입력 받기 위한 처리 대상 결정 레이어를 포함하는,컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,상기 프로젝트 수행 영역은 처리 대상 컨텐츠에 대한 처리 결과를 디스플레이 하기 위한 컨텐츠 처리 레이어를 포함하고, 그리고상기 컨텐츠 처리 레이어는,컨텐츠의 처리 방법이 컨텐츠의 변형인 경우, 변형된 컨텐츠를 디스플레이하기 위한 인터페이스,상기 컨텐츠의 처리 방법이 컨텐츠의 분류 또는 오브젝트 디텍션인 경우, 복수의 라벨 중 사용자 선택 입력에 대한 라벨에 대응되는 컨텐츠를 디스플레이 하기 위한 인터페이스, 또는상기 컨텐츠의 처리 방법이 컨텐츠의 세그먼테이션인 경우, 세그먼테이션된 오브젝트만을 디스플레이 하기 위한 인터페이스 중 적어도 하나를 포함하는,컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 컨텐츠 처리를 위한 방법으로서,프로젝트에 대한 선택 입력을 수신하기 위한 프로젝트 관련 객체를 포함하는 제1 화면을 디스플레이 하는 단계; 및선택된 프로젝트와 대응되는 프로젝트 수행 단계를 디스플레이 하기 위한 제2 화면을 디스플레이 하는 단계;를 포함하고, 그리고상기 제 2 화면은 프로젝트 수행 단계에 대한 선택 입력을 수신하기 위한 단계 선택 객체를 포함하는 네비게이션 영역 및 상기 프로젝트 수행 단계에 대응되는 컨텐츠 처리를 위한 프로젝트 수행 영역을 포함하는,컨텐츠 처리를 위한 방법.
- 컨텐츠 처리 방법을 제공하기 위한 서버로서,하나 이상의 코어를 포함하는 프로세서; 및메모리;를 포함하고,상기 프로세서는,프로젝트에 대한 선택 입력을 수신하기 위한 프로젝트 관련 객체를 포함하는 제1 화면을 디스플레이 하고,선택된 프로젝트와 대응되는 프로젝트 수행 단계를 디스플레이 하기 위한 제2 화면을 디스플레이 하고, 그리고상기 제 2 화면은 프로젝트 수행 단계에 대한 선택 입력을 수신하기 위한 단계 선택 객체를 포함하는 네비게이션 영역 및 상기 프로젝트 수행 단계에 대응되는 컨텐츠 처리를 위한 프로젝트 수행 영역을 포함하는,컨텐츠 처리를 제공하기 위한 서버.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/753,217 US12014034B2 (en) | 2019-10-21 | 2020-09-11 | Content processing method |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190130549A KR102111002B1 (ko) | 2019-10-21 | 2019-10-21 | 컨텐츠 처리 방법 |
KR10-2019-0130549 | 2019-10-21 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021080175A1 true WO2021080175A1 (ko) | 2021-04-29 |
Family
ID=70737196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2020/012275 WO2021080175A1 (ko) | 2019-10-21 | 2020-09-11 | 컨텐츠 처리 방법 |
Country Status (3)
Country | Link |
---|---|
US (1) | US12014034B2 (ko) |
KR (1) | KR102111002B1 (ko) |
WO (1) | WO2021080175A1 (ko) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102111002B1 (ko) * | 2019-10-21 | 2020-05-14 | 옴니스랩스 주식회사 | 컨텐츠 처리 방법 |
CN112579943B (zh) * | 2020-12-24 | 2024-06-18 | 京东科技控股股份有限公司 | 信息显示方法、装置、设备及存储介质 |
KR102366382B1 (ko) * | 2021-03-11 | 2022-02-23 | 주식회사 에스아이에이 | 편집 및 자동 평가를 위한 사용자 인터페이스 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060015028A (ko) * | 2004-08-13 | 2006-02-16 | 학교법인 서강대학교 | 신경망을 이용한 소프트웨어 프로세스 테일러링 시스템 및방법 |
KR20140114983A (ko) * | 2013-03-20 | 2014-09-30 | 주식회사 넥스다임 | 애플리케이션 개발 환경 제공 방법 |
JP2014203228A (ja) * | 2013-04-04 | 2014-10-27 | 三菱電機株式会社 | プロジェクト管理支援システム |
KR20190090290A (ko) * | 2018-01-24 | 2019-08-01 | 엘지전자 주식회사 | 인공지능을 이용하여 제품을 식별하고 구분된 이미지를 출력하는 냉장고 및 방법 |
KR102111002B1 (ko) * | 2019-10-21 | 2020-05-14 | 옴니스랩스 주식회사 | 컨텐츠 처리 방법 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110106723A1 (en) * | 2009-11-03 | 2011-05-05 | Michael Ryan Chipley | Computer-Implemented Systems And Methods For Scenario Analysis |
US20160004583A1 (en) * | 2013-02-14 | 2016-01-07 | Nec Corporation | System for project management from non-function evaluation, method for project management from non-function evaluation, and program for project management from non-function evaluation |
KR102239714B1 (ko) | 2014-07-24 | 2021-04-13 | 삼성전자주식회사 | 신경망 학습 방법 및 장치, 데이터 처리 장치 |
US10248653B2 (en) * | 2014-11-25 | 2019-04-02 | Lionbridge Technologies, Inc. | Information technology platform for language translation and task management |
US11663523B2 (en) * | 2019-09-14 | 2023-05-30 | Oracle International Corporation | Machine learning (ML) infrastructure techniques |
-
2019
- 2019-10-21 KR KR1020190130549A patent/KR102111002B1/ko active IP Right Grant
-
2020
- 2020-09-11 WO PCT/KR2020/012275 patent/WO2021080175A1/ko active Application Filing
- 2020-09-11 US US17/753,217 patent/US12014034B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060015028A (ko) * | 2004-08-13 | 2006-02-16 | 학교법인 서강대학교 | 신경망을 이용한 소프트웨어 프로세스 테일러링 시스템 및방법 |
KR20140114983A (ko) * | 2013-03-20 | 2014-09-30 | 주식회사 넥스다임 | 애플리케이션 개발 환경 제공 방법 |
JP2014203228A (ja) * | 2013-04-04 | 2014-10-27 | 三菱電機株式会社 | プロジェクト管理支援システム |
KR20190090290A (ko) * | 2018-01-24 | 2019-08-01 | 엘지전자 주식회사 | 인공지능을 이용하여 제품을 식별하고 구분된 이미지를 출력하는 냉장고 및 방법 |
KR102111002B1 (ko) * | 2019-10-21 | 2020-05-14 | 옴니스랩스 주식회사 | 컨텐츠 처리 방법 |
Non-Patent Citations (1)
Title |
---|
SRINIVAS CHITIVELI: "image segmentation using IBM PowerAI Vision. (YouTuBe)", 15 March 2019 (2019-03-15), pages 1 - 1, XP054981805, Retrieved from the Internet <URL:https://youtu.be/rFSg0gz3VJc>> [retrieved on 20201201] * |
Also Published As
Publication number | Publication date |
---|---|
US20220283696A1 (en) | 2022-09-08 |
US12014034B2 (en) | 2024-06-18 |
KR102111002B1 (ko) | 2020-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021080175A1 (ko) | 컨텐츠 처리 방법 | |
WO2019098449A1 (ko) | 메트릭 학습 기반의 데이터 분류와 관련된 장치 및 그 방법 | |
WO2019074195A1 (ko) | 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램 | |
WO2021060609A1 (ko) | 복수의 엣지와 클라우드를 포함하는 분산 컴퓨팅 시스템 및 이의 적응적 지능 활용을 위한 모델 제공 방법 | |
WO2019177344A1 (en) | Electronic apparatus and controlling method thereof | |
WO2021040354A1 (ko) | 신경망을 이용한 데이터 처리 방법 | |
WO2021261825A1 (ko) | 기계 학습 기반 기상 자료 생성 장치 및 방법 | |
WO2020180134A1 (ko) | 이미지 수정 시스템 및 이의 이미지 수정 방법 | |
EP3791328A1 (en) | Electronic device for reconstructing an artificial intelligence model and a control method thereof | |
CN109388551A (zh) | 预测代码存在漏洞概率的方法、漏洞检测方法、相关装置 | |
EP3698258A1 (en) | Electronic apparatus and controlling method thereof | |
WO2021010671A2 (ko) | 뉴럴 네트워크 및 비국소적 블록을 이용하여 세그멘테이션을 수행하는 질병 진단 시스템 및 방법 | |
JP7380714B2 (ja) | 操作ログ取得装置および操作ログ取得方法 | |
WO2022255632A1 (ko) | Ux-bit를 이용한 자동 디자인 생성 인공신경망 장치 및 방법 | |
WO2024058465A1 (ko) | 연합 학습을 위한 지역 신경망 모델 학습 방법 | |
WO2024080791A1 (ko) | 데이터셋을 생성하기 위한 방법 | |
WO2021251691A1 (ko) | 앵커-프리 rpn 기반의 물체 검출 방법 | |
US20100205411A1 (en) | Handling complex regex patterns storage-efficiently using the local result processor | |
WO2021194105A1 (ko) | 전문가 모사 모델 학습 방법 및 그 학습을 위한 장치 | |
EP3803797A1 (en) | Methods and systems for performing editing operations on media | |
WO2022186594A1 (ko) | 의료 영상 기반의 병변 분석 방법 | |
WO2022139327A1 (en) | Method and apparatus for detecting unsupported utterances in natural language understanding | |
CN114840232A (zh) | 升级应用的方法及装置 | |
WO2023113507A1 (ko) | 기 학습된 딥러닝 모델의 재활용을 위한 메타 입력 방법 및 시스템과, 메타 입력을 통한 사용자 중심 추론 방법 및 시스템 | |
WO2024101958A1 (ko) | 수술 계획을 모델링하는 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20878774 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 20878774 Country of ref document: EP Kind code of ref document: A1 |