• 学术搜索
  • 科研智能体
    • Research Labs
    • AI 阅读
    • AI 文库
    • 深度研究
    • 学者亮点
  • 学术资源
    • AI2000
    • 期刊/会议
    • 学者库
    • 学术API
    • 溯源树
    • 数据集
  • 知识沉淀
    • 学术空间
订阅小程序
旧版功能
aminer vip
开通会员低至0.73元/天
一次搞定AI科研
立即登录
  • English
    • 联系方式
    专

    肿瘤血管破坏剂DMXAA在制备抗血小板、抗血栓药物中的用途

    PL07115977S
    发明人
    ZHANG S, DING Z, ZHANG Y
    受让人
    UNIV FUDAN (UYFU-C)
    申请人
    国网冀北电力有限公司信息通信分公司, 国家电网有限公司
    申请号
    263455
    申请日
    2013-07-25
    公开(公告)号
    PL07115977S
    公开(公告)日
    1994-07-21
    IPC分类号
    F03D007/00
    CPC分类号
    -
    优先权号
    2943083
    优先权日
    1980-06-18
    摘要

    NOVELTY - Device has power semiconductor element e.g. insulated gate bipolar transistor including P-base layer (3), N-source layer (4), gate electrode (11) and emitter electrode (14a) that is formed in specific region (R1) on one surface, and collector electrode (15) that is formed on another surface. A guard ring is extending at preset depth in region (R2) and semi-insulating film is formed to cover the region (R2). Dielectric film is formed in region (R2) to cover semi-insulating film. Flow block portion is formed in region (R3) arranged apart from region (R2).

    USE - Power semiconductor device.

    ADVANTAGE - The flow out of the supplied material towards the outer side of the region of semiconductor element is prevented. The main breakdown voltage characteristics are stabilized.

    DESCRIPTION OF DRAWING(S) - The drawing shows the sectional view of the power semiconductor device.

    P-base layer (3)

    N-source layer (4)

    Gate electrode (11)

    Emitter electrode (14a)

    Collector electrode (15)

    Regions of power semiconductor element (R1,R2,R3)

    权利要求
    1 . A system for handling interference in a wireless network comprising at least two coordinators and a plurality of devices selectively associated to a respective one of the coordinators, wherein at least one of the coordinators is adapted to determine an own reserved period of a global time frame used for the transmissions and is further adapted to advertise its identifier and its determined own reserved period wherein at least one of the devices is adapted to check whether an advertisement with an identifier has been received from a neighboring coordinator, to generate an interference report which comprises at least one of an identifier of an associated local coordinator and the identifier of the neighboring coordinator, and to report the interference report to the associated local coordinator or to the neighboring coordinator or to broadcast the interference report to all coordinators in its reach; and wherein the at least one coordinator is further adapted to determine presence of a neighboring coordinator and its reserved period based on at least one of an interference report received from a reporting device of the devices and a report of the neighboring coordinator, and to control transmissions by at least one of limiting communication with the reporting device to its own reserved period in the global time-frame and limiting communication with other ones of the devices by excluding from the global time frame the reserved period of the neighboring coordinator reported by the reporting device or by the neighboring coordinator; and wherein the wireless network is based on optical communication with line-of-sight character.
    2 . An apparatus for handling interference in a wireless network comprising at least two coordinators and a plurality of devices selectively associated to a respective one of the coordinators, wherein the apparatus is adapted to determine an own reserved period of a global time frame used for the transmissions and to advertise its identifier and its determined own reserved period, wherein the apparatus is further adapted to determine presence of a neighboring coordinator and its reserved period based on at least one of an interference report received from a reporting device of the devices and a report of the neighboring coordinator, and to control transmissions by at least one of limiting communication with the reporting device to its own reserved period in the global time-frame and communication with other ones of the devices by excluding from the global time frame the reserved period of the neighboring coordinator reported by the reporting device or by the neighboring coordinator; and wherein the wireless network is based on optical communication with line-of-sight character.
    3 . The apparatus of claim 2 , wherein the at least two coordinators are synchronized so that start time and repetition time of the global time frame is equal for the at least two coordinators.
    4 . The apparatus of claim 2 , wherein the apparatus is preconfigured to own a predetermined time period of the global time frame, and wherein the own reserved period is provided within the predetermined time period.
    5 . The apparatus of claim 4 , wherein the apparatus is adapted to extend the own reserved period up to the end of the predetermined time period.
    6 . The apparatus of claim 2 , wherein the apparatus is adapted to apply within the own reserved period at least one of an advertisement period for broadcasting its identifier, a report period in which an associated device reports interference, a schedule period for providing a schedule of slots for communication with its associated devices, and an association period as an opportunity for devices to get associated.
    7 . The apparatus of claim 2 , wherein the apparatus is adapted to allocate less time slots in the own reserved period for non-interfering devices and to compensate that by allocating more time slots in other time periods of the global time frame for the non-interfering devices to free up time slots in the own reserved period for allocation to interfering devices.
    8 . The apparatus of claim 2 , wherein the apparatus is adapted to additionally determine at least one own free period of the global time frame and to advertise the determined at least one own free period by communicating via a device that has detected a neighboring coordinator or via a separate network, and wherein the apparatus is further adapted to control transmissions by at least one of limiting communication with the reporting device to its own reserved period and to intersections of free periods of neighboring coordinators and limiting communication with other ones of the devices by excluding its own free period and the reserved period of the neighboring coordinator reported by the reporting device or by the neighboring coordinator.
    9 . The apparatus of claim 2 , wherein the apparatus is adapted to report the own reserved period by at least one of communicating via a device that has detected another coordinator or via a separate network.
    10 . An apparatus for handling interference in a wireless network comprising at least two coordinators and a plurality of devices selectively associated to a respective one of the coordinators, wherein the apparatus is adapted to check whether an advertisement with an identifier has been received from a neighboring coordinator, to generate an interference report which comprises at least one of an identifier of an associated local coordinator and the identifier of the neighboring coordinator, and to report the interference report to the associated local coordinator or to the neighboring coordinator or to broadcast the interference report to all coordinators in its reach; and wherein the wireless network is based on optical communication with line-of-sight character.
    11 . The apparatus of claim 10 , wherein the apparatus is adapted to detect one of the at least two coordinators based on its advertisement, to align to the global time frame provided by the detected coordinator, and to get associated with the detected coordinator by using an existing protocol.
    12 . The apparatus of claim 10 , wherein the apparatus is adapted to generate an interference report which comprises the identifier and a reserved period of a global time frame of an associated local coordinator and the neighboring coordinator, and to report the interference report to the associated local coordinator or to the neighboring coordinator, or to broadcast the interference report to all coordinators in its reach.
    13 . The apparatus of claim 10 , wherein the apparatus is adapted to generate an interference report which comprises the identifier, the reserved period and at least one free period of a global time frame of an associated local coordinator and the neighboring coordinator, and to report the interference report to the associated local coordinator or to broadcast the interference report to all coordinators in its reach.
    14 . The apparatus of claim 2 , wherein the wireless network comprises at least two overlapping optical wireless personal area networks, OWPANs, each controlled by one of the at least two coordinators, and wherein each OWPAN provides connections for the plurality of devices.
    15 . The apparatus of claim 2 , wherein the at least two coordinators share a medium for downlink communication in the wireless network and the plurality of devices share a medium for uplink communication in the wireless network.
    16 . The apparatus of claim 15 , wherein at least one of a free-medium indication and a busy-medium indication is used to control an access to an uplink medium.
    17 . A method of handling interference in a wireless network comprising at least two coordinators and a plurality of devices selectively associated to a respective one of the coordinators wherein the method comprises: determining at one of the at least two coordinators an own reserved period of a global time frame used for transmissions; advertising by the coordinator its identifier and its determined own reserved period; determining presence of a neighboring coordinator and its reserved period based on at least one of an interference report received from a reporting device of the devices and a report of the neighboring coordinator; and controlling transmissions by at least one of limiting communication with the reporting device to its own reserved period in the global time-frame and limiting communication with other ones of the devices by excluding from the global time frame the reserved period of the neighboring coordinator reported by the reporting device or by the neighboring coordinator; and wherein the wireless network is based on optical communication with line-of-sight character.
    18 . The method of claim 17 , further comprising determining at the one of the at least two coordinators at least one own free period of the global time frame, advertising the at least one own free period, and controlling transmissions by at least one of limiting communication with the reporting device to its own reserved period and to intersections of free periods of neighboring coordinators and limiting communication with other ones of the devices by excluding the at least one own free period and the reserved period of the neighboring coordinator reported by the reporting device or by the neighboring coordinator.
    19 . The method of claim 17 , wherein the reporting comprises communicating via a device that has detected the neighboring coordinator or via a separate network.
    20 . A method of handling interference in a wireless network comprising at least two coordinators and a plurality of devices selectively associated to a respective one of the coordinators, wherein the method comprises: checking whether an advertisement with an identifier has been received from a neighboring coordinator; generating an interference report which comprises at least one of an identifier of an associated local coordinator and the identifier of the neighboring coordinator, and reporting the interference report to the associated local coordinator or to the neighboring coordinator or broadcasting the interference report to all coordinators in its reach; and wherein the wireless network is based on optical communication with line-of-sight character.
    21 . The method of claim 20 , wherein the interference report comprises the identifier and the reserved period of the global time frame of an associated local coordinator and the neighboring coordinator.
    22 . The method of claim 20 , wherein the interference report comprises the identifier, the reserved period and at least one free period of the global time frame of an associated local coordinator and the neighboring coordinator.
    23 . A computer program product comprising code means for producing the steps of claim 17 when run on a computer device.
    说明书
    [0001][0001] 본 개시는 전자 장치 및 이의 제어 방법에 관한 것으로, 더욱 상세하게는 촬영된 이미지에 포함된 인물의 행동을 인식할 수 있는 전자 장치 및 이의 제어 방법에 관한 것이다.
    [0002][0002] 근래에는 신경망 모델을 이용하여 이미지 속에 포함된 인물의 행동을 인식하는 기술이 존재한다. 특히, 종래에는 이미지 속에 포함된 인물의 행동에 대응되는 클래스를 도출하도록 신경망 모델을 학습했다.
    [0003][0003] 인물 행동에 대응되는 클래스를 도출하도록 신경망 모델을 학습하기 위하여, 클래스에 대응되는 학습 데이터가 필요하다. 또한, 신경망 모델을 통해 더욱 정밀한 인물 행동 인식 결과를 획득하기 위해서는 인물 행동에 대응되는 클래스가 증가할 필요가 존재한다. 즉, 신경망 모델을 통해 더욱 정밀한 인물 행동 인식 결과를 획득하기 위하여 학습 데이터가 기하 급수적으로 증가하는 한계가 존재한다.
    [0004][0004] 뿐만 아니라, 하나의 오브젝트에 대해서도 인물의 다양한 행동이 존재할 수 있다. 예로, 이미지 내에 인물이 칼 손잡이를 쥐는 경우, 행동 인식의 결과가 "사람이 칼을 쥔다"일 수 있으나, 이미지 내에 인물이 칼 날을 쥐는 경우, 행동 인식의 결과가 "사람이 칼에 베이다"일 수 있다.
    [0005][0005] 즉, 오브젝트의 복수의 영역 중 인물의 행동과 관련된 영역에 따라 상이한 행동 인식 결과를 도출할 필요성이 존재한다.
    [0006][0006] 본 발명의 목적은 오브젝트에 포함된 복수의 영역 각각에 대응되는 어포던스에 대한 특징값을 획득하도록 학습된 제1 뉴럴 네트워크를 통해 이미지에 포함된 오브젝트의 복수의 영역 중 인물과 관련된 영역에 대응되는 어포던스를 바탕으로 인물의 행동을 인식할 수 있는 전자 장치 및 이의 제어 방법에 관한 것이다.
    [0007][0007] 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법은, 인물 및 오브젝트를 포함하는 이미지를 획득하는 단계; 오브젝트에 포함된 복수의 영역 각각에 대응되는 어포던스에 대한 특징값을 획득하도록 학습된 제1 뉴럴 네트워크에 상기 획득된 이미지를 입력하여 상기 이미지에 포함된 오브젝트의 복수의 영역에 대응되는 어포던스에 대한 제1 특징값을 획득하는 단계; 및 상기 획득된 제1 특징값을 바탕으로 상기 이미지에 포함된 오브젝트를 이용하는 상기 인물의 행동을 인식하는 단계;를 포함한다.
    [0008][0008] 본 개시의 일 실시예에 따른, 전자 장치는 적어도 하나의 인스트럭션을 저장하는 메모리;및 프로세서;를 더 포함하고, 상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 인물 및 오브젝트를 포함하는 이미지를 획득하며, 오브젝트에 포함된 복수의 영역 각각에 대응되는 어포던스에 대한 특징값을 획득하도록 학습된 제1 뉴럴 네트워크에 상기 획득된 이미지를 입력하여 상기 이미지에 포함된 오브젝트의 복수의 영역에 대응되는 어포던스에 대한 제1 특징값을 획득하고, 상기 획득된 제1 특징값을 바탕으로 상기 이미지에 포함된 상기 오브젝트를 이용하는 상기 인물의 행동을 인식할 수 있다
    [0009][0009] 상술한 바와 같은 본 개시의 실시예에 따라, 전자 장치는 이미지 속에 포함된 인물의 행동을 더욱 정확하게 인식할 수 있게 된다.
    [0010][0010] 도 1은 본 개시의 일 실시예에 따른, 인물의 행동을 인식하기 위한 구성을 나타내는 블록도, 도 2는 본 개시의 일 실시예에 따른, 지식 데이터베이스를 구축하는 방법을 설명하기 위한 도면, 도 3는 본 개시의 일 실시예에 따른, 지식 데이터베이스에 저장된 지식 그래프를 설명하기 위한 도면, 도 4는 본 개시의 일 실시예에 따른, 제1 뉴럴 네트워크의 학습을 설명하기 위한 도면, 도 5a 및 도 5b는 본 개시의 일 실시예에 따른, 어포던스 라벨 데이터에 포함된 오브젝트의 영역 별 어포던스를 설명하기 위한 도면, 도 6은 본 개시의 일 실시예에 따른, 제1 뉴럴 네트워크의 학습을 설명하기 위한 도면, 도 7은 본 개시의 다른 실시예에 따른, 인물의 행동을 인식하기 위한 구성을 나타내는 블록도, 도 8은 본 개시의 일 실시예에 따른 방법에 의해 인물의 행동을 인식하는 방법을 설명하기 위한 도면, 도 9는 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도, 그리고, 도 10은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 설명하기 위한 블록도이다.
    [0011][0011] 본 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
    [0012][0012] 본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다.
    [0013][0013] 덧붙여, 하기 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.
    [0014][0014] 본 개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
    [0015][0015] 본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
    [0016][0016] 본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
    [0017][0017] 본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
    [0018][0018] 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.
    [0019][0019] 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
    [0020][0020] 본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다.
    [0021][0021] 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
    [0022][0022] 실시 예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '모듈' 혹은 '부'를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
    [0023][0023] 한편, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다.
    [0024][0024] 한편, 본 개시의 다양한 실시 예에 따른 전자 장치는 예를 들면, 스마트 폰, 태블릿 PC, 데스크탑 PC, 랩탑 PC 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다.
    [0025][0025] 어떤 실시 예들에서, 전자 장치는 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSync TM , 애플TV TM , 또는 구글 TV TM ), 게임 콘솔(예: Xbox TM , PlayStation TM ), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
    [0026][0026] 이하에서는 첨부한 도면을 참고하여 본 개시에 따른 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
    [0027][0028] 이하에서는 도면을 참조하여 본 개시에 대해 더욱 상세히 설명하기로 한다. 도 1은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 나타내는 블록도이다. 전자 장치(100)는 카메라(110), 메모리(120) 및 프로세서(130)를 포함한다. 이때, 전자 장치(100)는 스마트 폰으로 구현될 수 있다. 다만, 본 개시에 따른 전자 장치(100)가 특정 유형의 장치에 국한되는 것은 아니며, 태블릿 PC 및 노트북 PC 등과 같이 다양한 종류의 전자 장치(100)로 구현될 수도 있다.
    [0028][0029] 카메라(110)는 이미지를 촬영할 수 있다. 특히, 카메라(110)는 오브젝트 및 인물을 포함하는 이미지를 촬영할 수 있다. 이때, 이미지는 정지 영상 또는 동영상일 수 있다.
    [0029][0030] 또한, 카메라(110)는 서로 상이한 복수의 렌즈를 포함할 수 있다. 여기서, 복수의 렌즈가 서로 상이하다는 것은 복수의 렌즈 각각의 화각(Field of View, FOV)이 서로 상이한 경우 및 복수의 렌즈 각각이 배치된 위치가 상이한 경우 등을 포함할 수 있다.
    [0030][0031] 메모리(120)는 이미지 내에 포함된 인물의 행동을 인식하기 위한 모듈이 각종 동작을 수행하기 위해 필요한 데이터를 저장할 수 있다. 인물의 행동을 인식하기 위한 모듈은 이미지 처리 모듈(131), 어포던스 특징 획득 모듈(132), 행동 특징 획득 모듈(134) 및 행동 인식 모듈(136)을 포함할 수 있다. 또한, 메모리(110)는 이미지에 포함된 인물의 행동을 인식하기 위한 제1 내지 제3 뉴럴 네트워크(133,135,137)를 저장할 수 있다.
    [0031][0032] 한편, 메모리(120)는 전력 공급이 중단되더라도 저장된 정보를 유지할 수 있는 비휘발성 메모리 및 저장된 정보를 유지하기 위해서는 지속적인 전력 공급이 필요한 휘발성 메모리를 포함할 수 있다. 인물의 행동을 인식하기 위한 모듈이 각종 동작을 수행하기 위한 데이터는 비휘발성 메모리에 저장될 수 있다. 그리고, 오브젝트에 포함된 복수의 영역 각각에 대응되는 어포던스에 대한 정보를 획득하기 위한 제1 뉴럴 네트워크(133), 인물의 행동 특징에 대한 정보를 획득하기 위한 제2 뉴럴 네트워크(135) 및 어포던스에 대한 정보 및 인물의 행동 특징에 대한 정보를 바탕으로 인물의 행동을 인식하기 위한 제3 뉴럴 네트워크(137) 역시 비휘발성 메모리에 저장될 수 있다.
    [0032][0033] 또한, 메모리(120)는 카메라(110)를 통해 획득되는 이미지 프레임을 일시적으로 저장하는 적어도 하나의 버퍼를 포함할 수 있다.
    [0033][0034] 프로세서(130)는 메모리(120)와 전기적으로 연결되어 전자 장치(100)의 전반적인 기능 및 동작을 제어할 수 있다
    [0034][0035] 프로세서(130)는 이미지 내에 포함된 인물의 행동을 인식하기 위한 사용자 명령이 입력되면, 비휘발성 메모리에 저장되어 있는 인물의 행동을 인식하기 위한 모듈이 각종 동작을 수행하기 위한 데이터를 휘발성 메모리로 로딩(loading)할 수 있다. 그리고, 프로세서(130)는 제1 내지 제3 뉴럴 네트워크를 휘발성 메모리로 로딩할 수 있다. 프로세서(130)는 휘발성 메모리로 로딩된 데이터에 기초하여 각종 모듈 및 뉴럴 네트워크를 통해 각종 동작을 수행할 수 있다. 여기서, 로딩이란 프로세서(130)가 엑세스할 수 있도록 비휘발성 메모리에 저장된 데이터를 휘발성 메모리에 불러들여 저장하는 동작을 의미한다.
    [0035][0036] 구체적으로, 프로세서(130)는 이미지를 획득할 수 있다. 특히, 프로세서(130)는 카메라(110)를 통해 이미지를 획득할 수 있으나, 이는 일 실시예에 불과할 뿐, 외부(예로, 외부 장치, 외부 서버 등)로 이미지를 획득할 수 있다. 이때, 획득된 이미지는 동영상일 수 있으나, 이는 일 실시예에 불과할 뿐, 정지 영상일 수 있다. 또한, 획득된 이미지에는 적어도 하나의 인물 및 적어도 하나의 오브젝트가 포함될 수 있다. 뿐만 아니라, 획득된 이미지에는 인물 이외에 움직일 수 있는 동물이나 물체 등이 포함될 수 있다.
    [0036][0037] 또한, 프로세서(130)는 RGB 정보로 이루어진 이미지를 획득할 수 있으나, 이는 일 실시예에 불과할 뿐, 뎁스 정보로 이루어진 이미지를 획득할 수 있으며, 다양한 센서를 통해 옵티컬 플로우(optical flow) 정보, 사운드 정보 등을 획득할 수 있다.
    [0037][0038] 프로세서(130)는 이미지 처리 모듈(131)을 통해 획득된 이미지를 처리할 수 있다. 특히, 프로세서(130)는 이미지 처리 모듈(131)을 통해 획득된 동영상에 대한 이미지 샘플링을 수행할 수 있다. 즉, 프로세서(130)는 획득된 동영상에 포함된 복수의 이미지 프레임 중 행동 인식을 위한 적어도 하나의 이미지 프레임을 추출할 수 있다. 또는 프로세서(130)는 획득된 동영상에 포함된 복수의 이미지 프레임 중 특정 구간에 대응되는 이미지 프레임을 추출할 수 있다.
    [0038][0039] 프로세서(130)는 어포던스 특징 획득 모듈(132)을 통해 샘플링된 이미지 프레임으로부터 오브젝트에 포함된 복수의 영역의 어포던스에 대응되는 제1 특징값을 획득할 수 있다. 이때, 어포던스는 인물이 오브젝트를 이용하여 수행할 수 있는 행동에 대한 특성이나 오브젝트에 내제된 특성을 나타내는 것일 수 있다. 예를 들어, "가위"의 어포던스는 "자르다(cutting)."일 수 있으며, "컵의 손잡이"의 어포던스는 "붙잡다(graspable)" 일 수 있다.
    [0039][0040] 특히, 어포던스 특징 획득 모듈(132)은 제1 뉴럴 네트워크(133)를 이용하여 오브젝트에 포함된 복수의 영역에 대한 제1 특징값을 획득할 수 있다. 이때, 제1 뉴럴 네트워크(133)는 오브젝트에 포함된 복수의 영역 각각에 대응되는 어포던스에 대한 특징값을 획득하도록 학습될 수 있다. 예를 들어, 오브젝트가 "가위"인 경우, 제1 뉴럴 네트워크(133)는 "가위의 손잡이 영역"에 대한 특징값으로서, "가위의 손잡이 영역"에 대응되는 어포던스인 "쥐다(gripping)"에 대응되는 특징값을 획득하고, "가위의 날 영역"에 대한 특징값으로서, "가위의 날 영역"에 대응되는 어포던스인 "자르다(cuttiong)"에 대응되는 특징값을 획득할 수 있다. 즉, 제1 뉴럴 네트워크(133)는 하나의 오브젝트에 대해서도 오브젝트를 구성하는 영역에 따라 상이한 어포던스에 대한 특징값을 획득할 수 있다.
    [0040][0041] 이때, 제1 뉴럴 네트워크(133)는 학습 오브젝트의 이미지와 학습 오브젝트의 복수의 영역에 대한 어포던스에 대한 정보를 매칭한 어포던스 라벨 데이터, 및 일반 오브젝트의 이미지와 일반 오브젝트에 대한 복수의 어포던스를 매칭하여 저장하는 지식 데이터베이스를 이용하여 학습될 수 있다. 이에 대해서는 도 2 내지 도 5를 참조하여 추후에 설명하기로 한다.
    [0041][0042] 프로세서(130)는 행동 특징 획득 모듈(134)을 통해 인물의 행동에 대한 제2 특징값을 획득할 수 있다. 특히, 행동 특징 획득 모듈(134)은 제2 뉴럴 네트워크(135)를 이용하여 인물의 행동에 대한 제2 특징값을 획득할 수 있다. 이때, 제2 뉴럴 네트워크(135)는 인물의 행동에 대한 정보를 획득하도록 학습된 제2 뉴럴 네트워크로서, 인물의 행동에 대한 클래스(또는 유형)에 대응되는 특징값을 획득할 수 있다.
    [0042][0043] 프로세서(130)는 행동 인식 모듈(136)을 통해 어포던스 특징 획득 모듈(132)로부터 획득된 제1 특징값 및 행동 특징 획득 모듈(134)로부터 획득된 제2 특징값을 이용하여 이미지에 포함된 인물의 행동을 인식할 수 있다.
    [0043][0044] 구체적으로, 행동 인식 모듈(136)은 어포던스 특징 획득 모듈(132)로부터 획득된 제1 특징값 및 행동 특징 획득 모듈(134)로부터 획득된 제2 특징값으로부터 제3 특징값을 획득할 수 있다. 예를 들어, 행동 인식 모듈(136)은 제1 특징값 및 제2 특징값에 대해 sum, concatenate, pooling 중 적어도 하나의 연산을 수행하여 제3 특징값을 획득할 수 있다.
    [0044][0045] 그리고, 행동 인식 모듈(136)은 제3 특징값을 제3 뉴럴 네트워크(137)에 입력하여 인물의 행동을 인식할 수 있다. 이때, 제3 뉴럴 네트워크(137)는 어포던스 특징 획득 모듈(132)로부터 획득된 제1 특징값 및 행동 특징 획득 모듈(134)로부터 획득된 제2 특징값으로부터 획득된 제3 특징값을 입력하여 인물의 행동에 대한 정보를 획득하도록 학습된 신경망 모델로서, 행동 인식 모듈(136)은 제3 뉴럴 네트워크(137)를 통해 최종 행동 인식 결과를 획득할 수 있다.
    [0045][0046] 본 개시의 일 실시예에 따른, 제1 내지 제3 뉴럴 네트워크(133,135,137)는 합성곱 신경망(Convolution Neural Network, CNN) 모델로 구현될 수 있으나, 이는 일 실시예에 불과할 뿐, 심층 신경망(Deep Neural Network, DNN), 순환 신경망(Recurrent Neural Network, RNN) 및 생성적 적대 신경망(Generative Adversarial Networks, GAN) 중 적어도 하나의 인공 신경망 모델로 구현될 수 있다.
    [0046][0047] 즉, 기존에는 제2 뉴럴 네트워크(135)만을 이용하여 인물의 행동을 인식하였으나, 본 발명과 같이, 제1 내지 제3 뉴럴 네트워크(133,135,137)를 이용하여 인물의 행동을 인식함으로써, 더욱 정확한 인물의 행동 인식이 가능해 질 수 있게 된다. 예를 들어, 종래에는 제2 뉴럴 네트워크(135)만을 이용하여 인물의 행동을 인식할 경우, 인물이 칼날을 쥐고 있을 때와 인물이 칼 손잡이를 쥐고 있을 때 모두 "사람이 칼을 쥐다"라는 행동 인식 결과가 도출되나, 본 개시의 일 실시예에 의하면, 인물이 칼 손잡이를 쥐고 있을 때는 "사람이 칼을 쥐다"라는 행동 인식 결과가 도출되나, 인물이 칼 날을 쥐고 있을 때는 "사람이 손에 베이다"라는 행동 인식 결과가 도출될 수 있다.
    [0047][0049] 이하에서는 도 2 내지 도 6을 참조하여 본 개시의 일 실시예에 따른, 제1 뉴럴 네트워크(133)를 학습하는 방법에 대해 설명하기로 한다.
    [0048][0050] 도 2는 본 개시의 일 실시예에 따른, 전자 장치의 제1 뉴럴 네트워크(133)의 학습에 이용되는 지식 데이터베이스를 구축하는 방법을 설명하기 위한 도면이다. 본 개시의 일 실시예로, 지식 데이터베이스는 외부 서버에 의해 구축할 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(100)에 의해 지식 데이터베이스를 구축할 수 있다.
    [0049][0051] 우선, 외부 서버는 오브젝트에 대한 이미지를 획득할 수 있다(210). 그리고, 외부 서버는 획득된 이미지를 분석하여 획득된 이미지에 포함된 오브젝트에 대한 시멘틱 특징(semantic feature)을 추출할 수 있다(230). 이때, 시멘틱 특징은 획득된 오브젝트가 가지는 의미적인 특징으로서, 오브젝트의 유형(group), 오브젝트의 이용(use), 오브젝트의 동작(action), 오브젝트의 속성(property), 오브젝트의 위치(location), 오브젝트의 연관성(association) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
    [0050][0052] 또한, 외부 서버는 오브젝트와 관련된 웹이나 서류(document) 등을 검색할 수 있다(220). 외부 서버는 웹이나 서류를 통해 오브젝트와 관련된 어포던스를 분석할 수 있다(240), 구체적으로, 외부 서버는 웹이나 서류에 포함된 대량의 문장으로부터 문장의 구성 요소(예로, 주어, 서술어, 목적어) 등을 추출할 수 있다. 그리고, 외부 서버는 추출된 문장의 구성 요소로부터 오브젝트와 오브젝트를 설명하는 어포던스에 대한 정보를 획득할 수 있다. 예로, 외부 서버는 웹이나 서류에 포함된 문장 등을 통해 "가위"라는 오브젝트와 관련된 어포던스로서, "cutting", "gripping" 등을 획득할 수 있다.
    [0051][0053] 외부 서버는 획득된 이미지, 시멘틱 특징 및 어포던스를 바탕으로 지식 그래프를 생성할 수 있다(250). 이때, 지식 그래프는 정보와 정보 사이의 연관 관계를 나타내는 그래프로서, 예로, 도 3에 도시된 바와 같이, 지식 그래프는 가위 이미지(310)와 "cutting"(320), "gripping"(330)이라는 어포던스가 연관되어 있을 수 있음을 나타낼 수 있으며, 전정 가위(prunning shear) 이미지(340)와 "cutting"(320), "gripping"(330), "locking"(350)이라는 어포던스가 연관될 수 있음을 나타낼 수 있으며, 유틸리티 나이프(utility knife)(360) 이미지(360)와 "cutting"(320), "gripping"(330), "retracting"(370), "blade"(380)라는 어포던스가 연관될 수 있음을 나타낼 수 있다.
    [0052][0054] 외부 서버는 획득된 지식 그래프를 통해 지식 데이터베이스를 구축할 수 있다(260). 이때, 지식 데이터베이스는 일반 오브젝트의 이미지, 및 웹 또는 문서상에 포함된 일반 오브젝트와 관련된 정보를 바탕으로 획득된 상기 오브젝트의 복수의 어포던스에 대한 정보를 지식 그래프 형태로 저장할 수 있다. 한편, 외부 서버는 획득된 복수의 지식 그래프를 연관시켜 지식 데이터베이스를 구축할 수 있으며, 획득된 지식 그래프를 확장시켜 지식 데이터베이스를 구축할 수 있다.
    [0053][0056] 도 4는 본 개시의 일 실시예에 따른, 제1 뉴럴 네트워크의 학습을 설명하기 위한 도면이다. 본 개시의 일 실시예로, 제1 뉴럴 네트워크(133)는 외부 서버에 의해 학습될 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(100)에 의해 제1 뉴럴 네트워크(133)가 학습될 수 있다.
    [0054][0057] 구체적으로, 외부 서버는 도 2 및 도 3에서 설명한 바와 같은 방법으로 일반 오브젝트의 이미지와 일반 오브젝트에 대한 복수의 어포던스를 매칭하여 저장하는 지식 데이터베이스를 획득할 수 있다(410).
    [0055][0058] 또한, 외부 서버는 학습 오브젝트에 대한 어포던스 라벨 데이터를 획득할 수 있다(420). 이때, 어포던스 라벨 데이터는 학습 오브젝트에 대한 이미지와 학습 오브젝트에 포함된 복수의 영역에 대응되는 어포던스에 대한 정보를 매칭하여 저장하는 데이터일 수 있다. 이때, 어포던스에 대한 정보는 이미지, 텍스트 및 다차원의 벡터 형태로 표현될 수 있다.
    [0056][0059] 특히, 어포던스에 대한 정보가 이미지로 표현되는 경우, 학습 오브젝트에서 어포던스를 갖는 영역은 도 5a에 도시된 바와 같이, 바운딩 박스 형태로 표현되거나 도 5b에 도시된 바와 같이, 세그멘테이션 맵(segmentation map) 형태로 표현될 수 있다. 일 예로, 도 5a에 도시된 바와 같이, "가위"의 어포던스에 대한 정보는 칼날 영역을 포함하는 제1 바운딩 박스(510)와 "cutting"이라는 텍스트 정보가 매칭되어 표현될 수 있으며, 손잡이 영역을 포함하는 제2 바운딩 박스(520)와 "gripping"이라는 텍스트 정보가 매칭되어 표현될 수 있다. 또 다른 예로, 도 5a에 도시된 바와 같이, "가위"의 어포던스에 대한 정보는 칼날 영역을 포함하는 제1 세그먼트 영역(530)와 "cutting"이라는 텍스트 정보가 매칭되어 표현될 수 있으며, 손잡이 영역을 포함하는 제2 세그먼트 영역(540)와 "gripping"이라는 텍스트 정보가 매칭되어 표현될 수 있다. 이때, 어포던스 라벨 데이터는 지식 데이터베이스에 포함된 데이터의 수보다 적을 수 있다.
    [0057][0060] 외부 서버는 지식 데이터베이스와 어포던스 라벨 데이터를 이용하여 제1 뉴럴 네트워크(133)를 학습시킬 수 있다(430). 구체적으로, 외부 서버는 지식 데이터베이스에 포함된 일반 오브젝트 이미지를 제1 뉴럴 네트워크(133)에 입력하여 일반 오브젝트에 포함된 복수의 영역에 대한 특징값을 획득할 수 있다. 또한, 외부 서버는 어포던스 라벨 데이터에 포함된 학습 오브젝트 이미지를 제1 뉴럴 네트워크(133)에 입력하여 학습 오브젝트에 포함된 복수의 영역에 대한 특징값을 획득할 수 있다. 이때, 외부 서버는 어퍼던스 라벨 데이터의 학습 오브젝트의 이미지를 제1 뉴럴 네트워크(133)에 입력했을 때 출력되는 특징값과 학습 오브젝트와 동일한 어포던스를 포함하는 지식 데이터베이스에 포함된 일반 오브젝트 이미지를 제1 뉴럴 네트워크(133)에 입력했을 때 출력되는 특징값이 임계 범위 내에 존재하도록 학습될 수 있다. 이때, 임계 범위 내에 존재한다는 의미는 제1 뉴럴 네트워크(133)에 입력했을 때 출력되는 특징값과 학습 오브젝트와 동일한 어포던스를 포함하는 지식 데이터베이스에 포함된 일반 오브젝트 이미지를 제1 뉴럴 네트워크(133)에 입력했을 때 출력되는 특징값이 동일하거나 유사한 것을 말할 수 있다.
    [0058][0061] 예를 들어, 외부 서버는 도 6에 도시된 바와 같이, 제1 뉴럴 네트워크(133)에 "가위"라는 학습 오브젝트의 이미지(610)가 입력되었을 때 획득할 수 있는 특징값과 제1 뉴럴 네트워크(133)에 "가위의 칼날 영역"과 동일한 어포던스(즉, cutting)를 가지는 "전장 가위", "칼", "전기톱"에 대한 이미지(620,630,640)가 입력되었을 때 획득할 수 있는 특징값이 동일하거나 유사해지도록 제1 뉴럴 네트워크(133)를 학습시킬 수 있다. 즉, 제1 뉴럴 네트워크(133)는 동일한 어포던스를 가지는 영역을 포함하는 오브젝트들의 특징값이 서로 유사해 지도록 학습될 수 있다. 이를 통해, 제1 뉴럴 네트워크는 이미지를 통해 오브젝트를 구성하는 복수의 영역 각각에 대응되는 어포던스에 대한 정보를 획득하도록 학습될 수 있다.
    [0059][0062] 상술한 바와 같은 방법을 통해, 외부 서버는 소량의 어포던스 라벨 데이터를 이용하여 오브젝트에 포함된 복수의 영역에 대한 어포던스의 정보를 획득할 수 있는 제1 뉴럴 네트워크(133)를 학습시킬 수 있게 된다.
    [0060][0063] 한편, 상술한 실시예에서는 제1 내지 제3 뉴럴 네트워크를 이용하여 인물의 행동을 인식하는 방법을 설명하였으나, 이는 일 실시예에 불과할 뿐, 제1 뉴럴 네트워크와 오브젝트 인식 모델을 통해 인물의 행동을 인식할 수 있다. 이하에서는 도 7 및 도 8을 참조하여 제1 뉴럴 네트워크 및 오브젝트 인식 모델을 이용하여 인물의 행동을 인식하는 방법에 대해 설명하기로 한다.
    [0061][0064] 도 7은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 나타내는 블록도이다. 전자 장치(700)는 카메라(710), 메모리(720) 및 프로세서(730)를 포함한다. 한편, 카메라(710) 및 메모리(720)는 도 1에서 설명한 카메라(110) 및 메모리(120)와 동일한 구성이므로, 중복되는 설명은 생략하기로 한다.
    [0062][0065] 구체적으로, 프로세서(730)는 이미지를 획득할 수 있다. 특히, 프로세서(730)는 카메라(710)를 통해 이미지를 획득할 수 있으나, 이는 일 실시예에 불과할 뿐, 외부(예로, 외부 장치, 외부 서버 등)로 이미지를 획득할 수 있다. 이때, 획득된 이미지는 동영상일 수 있으나, 이는 일 실시예에 불과할 뿐, 정지 영상일 수 있다. 또한, 획득된 이미지에는 적어도 하나의 인물 및 적어도 하나의 오브젝트가 포함될 수 있다. 뿐만 아니라, 획득된 이미지에는 인물 이외에 움직일 수 있는 동물이나 물체 등이 포함될 수 있다. 예로, 프로세서(730)는 도 8에 도시된 바와 같은 사람 손(810), 칼(820) 및 사과(830)를 포함하는 이미지를 획득할 수 있다.
    [0063][0066] 프로세서(730)는 이미지 처리 모듈(731)을 통해 획득된 이미지를 처리할 수 있다. 특히, 프로세서(730)는 이미지 처리 모듈(731)을 통해 획득된 동영상에 대한 이미지 샘플링을 수행할 수 있다.
    [0064][0067] 프로세서(730)는 어포던스 특징 획득 모듈(732)을 통해 샘플링된 이미지 프레임으로부터 오브젝트에 포함된 복수의 영역의 어포던스에 대응되는 제1 특징값을 획득할 수 있다. 특히, 어포던스 특징 획득 모듈(732)은 제1 뉴럴 네트워크(733)를 이용하여 오브젝트에 포함된 복수의 영역에 대한 제1 특징값을 획득할 수 있다.
    [0065][0068] 예를 들어, 도 8과 같은 이미지가 입력되면, 제1 뉴럴 네트워크(133)는 "가위의 손잡이 영역"에 대한 특징값으로서, "가위의 손잡이 영역"에 대응되는 어포던스인 "쥐다(gripping)"에 대응되는 특징값을 획득하고, "가위의 날 영역"에 대한 특징값으로서, "가위의 날 영역"에 대응되는 어포던스인 "자르다(cuttiong)"에 대응되는 특징값을 획득할 수 있다. 그리고, 어포던스 특징 획득 모듈(732)은 제1 뉴럴 네트워크(733)를 통해 획득한 특징값을 통해 칼에 대한 어포던스로 "쥐다"와 "자르다"를 획득할 수 있다.
    [0066][0069] 프로세서(730)는 오브젝트 정보 획득 모듈(734)을 이용하여 이미지 속에 포함된 오브젝트(인물 포함)에 대한 정보를 획득할 수 있다. 특히, 오브젝트 정보 획득 모듈(734)은 제4 뉴럴 네트워크(735)에 획득된 이미지를 입력하여 이미지에 포함된 인물 및 오브젝트에 대한 정보를 획득할 수 있다. 이때, 제4 뉴럴 네트워크(735)는 인물 또는 오브젝트를 인식하도록 학습된 신경망 모델일 수 있다. 예로, 도 8에 도시된 이미지가 입력되면, 오브젝트 정보 획득 모듈(734)은 오브젝트 인식 결과로서 사람 손(810), 칼(820-1,820-2), 사과(830)에 대한 정보를 획득할 수 있다.
    [0067][0070] 프로세서(730)는 행동 인식 모듈(736)을 통해 어포던스 특징 획득 모듈(732)을 통해 획득된 어포던스에 대한 정보와 오브젝트 획득 모듈(734)을 통해 획득된 오브젝트에 대한 정보를 바탕으로 이미지에 포함된 인물의 행동을 인식할 수 있다. 구체적으로, 행동 인식 모듈(736)은 오브젝트의 각 영역과 관련된 인물 또는 다른 오브젝트와의 연관 관계를 이용하여 인물의 행동 인식을 수행할 수 있다. 이때, 행동 인식 모듈(736)은 오브젝트와 인물 또는 다른 오브젝트 사이의 위치 관계를 바탕으로 연관 관계를 판단할 수 있다.
    [0068][0071] 예로, 어포던스 특징 획득 모듈(732)을 통해 획득된 칼 손잡이의 어포던스에 대한 정보로 "쥐다"가 획득되고, "칼 날"의 어포던스에 대한 정보로 "자르다"가 획득되고, 오브젝트에 대한 정보로 사람 손(810), 칼(820-1,820-2), 사과(830)에 대한 정보가 획득된 경우, 행동 인식 모듈(736)은 칼 손잡이와 관련된 인물과 어포던스를 바탕으로 "사람이 칼을 쥐다"라는 행동 인식 결과를 획득할 수 있으며, 칼 날과 관련된 다른 오브젝트와 어포던스를 바탕으로 "칼로 사과를 자르다"라는 행동 인식 결과를 획득할 수 있게 된다. 따라서, 행동 인식 모듈(736)은 최종 행동 인식 결과로서, "사람이 칼을 쥐고, 칼로 사과를 자른다"를 출력할 수 있다.
    [0069][0073] 도 9는 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 도면이다.
    [0070][0074] 우선, 전자 장치(100)는 인물 및 오브젝트를 포함하는 이미지를 획득할 수 있다(S910). 이때, 전자 장치(100)는 카메라를 통해 이미지를 획득할 수 있으나, 이는 일 실시예에 불과할 뿐, 외부 장치나 외부 서버로부터 이미지를 수신할 수 있다.
    [0071][0075] 전자 장치(100)는 제1 뉴럴 네트워크에 획득된 이미지를 입력하여 이미지에 포함된 오브젝트의 복수의 영역에 대응되는 어포던스에 대한 제1 특징값을 획득할 수 있다(S920). 이때, 제1 뉴럴 네트워크는 오브젝트에 포함된 복수의 영역 각각에 대응되는 어포던스에 대한 특징값을 획득하도록 학습될 수 있다. 특히, 제1 뉴럴 네트워크는 학습 오브젝트의 이미지와 학습 오브젝트의 복수의 영역에 대한 어포던스에 대한 정보를 매칭한 어포던스 라벨 데이터, 및 일반 오브젝트의 이미지와 일반 오브젝트에 대한 복수의 어포던스를 매칭하여 저장하는 지식 데이터베이스를 이용하여 학습될 수 있다.
    [0072][0076] 전자 장치(100)는 획득된 제1 특징값을 바탕으로 오브젝트를 이용하는 인물의 행동을 인식할 수 있다(S930). 일 실시예로, 전자 장치(100)는 인물의 행동에 대한 정보를 획득하도록 학습된 제2 뉴럴 네트워크에 상기 획득된 이미지를 입력하여 인물의 행동에 대응되는 제2 특징값을 획득할 수 있다. 그리고, 전자 장치(100)는 제1 특징값 및 제2 특징값을 바탕으로 제3 특징값을 획득할 수 있으며, 인물의 행동을 인식하도록 학습된 제3 뉴럴 네트워크에 제3 특징값을 입력하여 인물의 행동을 인식할 수 있다. 또 다른 예로, 전자 장치(100)는 오브젝트를 인식하도록 학습된 제4 뉴럴 네트워크에 이미지를 입력하여 오브젝트와 연관된 인물 또는 다른 오브젝트를 인식할 수 있으며, 제1 특징값에 대응되는 어포던스와 인식된 인물 또는 다른 오브젝트를 이용하여 인물의 행동을 인식할 수 있다.
    [0073][0077] 상술한 바와 같이 오브젝트의 복수의 영역에 대한 어포던스를 바탕으로 인물의 행동을 인식함으로써, 전자 장치는 더욱 정확하게 인물의 행동에 대해 인식할 수 있게 된다.
    [0074][0079] 도 10은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 설명하기 위한 블록도이다. 도 10에 도시된 바와 같이, 본 개시에 따른 전자 장치(1000)는 디스플레이(1010), 스피커(1020), 카메라(1030), 메모리(1040), 통신 인터페이스(1050), 입력 인터페이스(1060), 센서(1070) 및 프로세서(1080)를 포함할 수 있다. 그러나, 이와 같은 구성은 예시적인 것으로서, 본 개시를 실시함에 있어 이와 같은 구성에 더하여 새로운 구성이 추가되거나 일부 구성이 생략될 수 있음을 물론이다. 한편, 카메라(1030), 메모리(1040) 및 프로세서(1080)는 도 1에서 설명한 카메라(10), 메모리(120) 및 프로세서(130)와 동일한 구성이므로, 중복되는 설명은 생략한다.
    [0075][0080] 디스플레이(1010)는 카메라(1030)를 통해 촬영된 영상을 디스플레이할 수 있다. 또한, 디스플레이(1010)는 촬된 영상 내에 모양이 변형된 문서를 둘러싸는 바운딩 박스를 디스플레이할 수 있다. 또한, 디스플레이(710)는 인물의 행동 인식으르 수행하기 위한 사용자 명령을 입력받기 위한 UI를 디스플레이할 수 있다.
    [0076][0081] 한편, 디스플레이(1010)는 LCD(Liquid Crystal Display Panel), OLED(Organic Light Emitting Diodes) 등으로 구현될 수 있으며, 또한 디스플레이(1010)는 경우에 따라 플렉서블 디스플레이, 투명 디스플레이 등으로 구현되는 것도 가능하다. 다만, 본 개시에 따른 디스플레이(1010)가 특정한 종류에 한정되는 것은 아니다.
    [0077][0082] 스피커(1020)는 음성 메시지를 출력할 수 있다. 특히, 스피커(1020)는 전자 장치(1000) 내부에 포함될 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(1000)와 전기적으로 연결되어 외부에 위치할 수 있다. 이때, 스피커(1020)는 촬영된 영상 내에 포함된 행동 인식에 대한 결과를 안내하는 음성 메시지를 출력할 수 있다.
    [0078][0083] 통신 인터페이스(1050)는 회로를 포함하며, 외부 장치와의 통신을 수행할 수 있다. 구체적으로, 프로세서(1080)는 통신 인터페이스(1050)를 통해 연결된 외부 장치로부터 각종 데이터 또는 정보를 수신할 수 있으며, 외부 장치로 각종 데이터 또는 정보를 전송할 수도 있다.
    [0079][0084] 통신 인터페이스(1050)는 WiFi 모듈, Bluetooth 모듈, 무선 통신 모듈, 및 NFC 모듈 중 적어도 하나를 포함할 수 있다. 구체적으로, WiFi 모듈과 Bluetooth 모듈 각각은 WiFi 방식, Bluetooth 방식으로 통신을 수행할 수 있다. WiFi 모듈이나 Bluetooth 모듈을 이용하는 경우에는 SSID 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다.
    [0080][0085] 또한, 무선 통신 모듈은 IEEE, Zigbee, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행할 수 있다. 그리고, NFC 모듈은 135kHz, 13.56MHz, 433MHz, 860~960MHz, 2.45GHz 등과 같은 다양한 RF-ID 주파수 대역들 중에서 13.56MHz 대역을 사용하는 NFC(Near Field Communication) 방식으로 통신을 수행할 수 있다.
    [0081][0086] 특히, 본 개시에 따른 다양한 실시 예에 있어서, 통신 인터페이스(1050)는제1 내지 제4 뉴럴 네트워크(133,135,137,735)에 관련된 데이터 등과 같은 다양한 종류의 정보를 외부 장치로부터 수신할 수 있다. 또한, 통신 인터페이스(1050)는 외부 단말이나 서버로부터 인물과 오브젝트를 포함하는 이미지를 수신할 수 있다.
    [0082][0087] 입력 인터페이스(1060)는 회로를 포함하며, 프로세서(1080)는 입력 인터페이스(1060)를 통해 전자 장치(1000)의 동작을 제어하기 위한 사용자 명령을 수신할 수 있다. 구체적으로, 입력 인터페이스(1060)는 터치 스크린으로서 디스플레이(1010)에 포함된 형태로 구현될 수 있으나, 이는 일 실시예에 불과한 뿐, 버튼, 마이크 및 리모컨 신호 수신부(미도시) 등과 같은 구성으로 이루어 질 수 있다.
    [0083][0088] 특히, 본 개시에 따른 다양한 실시 예에 있어서, 입력 인터페이스(1060)는 카메라 어플리케이션을 실행하기 위한 사용자 명령, 영상을 촬영하기 위한 사용자 명령, UI를 통해 인물의 행동을 인식하기 위한 사용자 명령 등과 같은 다양한 사용자 명령을 입력받을 수 있다.
    [0084][0089] 센서(1070)는 전자 장치(1000)와 관련된 다양한 정보를 획득할 수 있다. 특히, 센서(1070)는 전자 장치(1000)의 위치 정보를 획득할 수 있는 GPS를 포함할 수 있으며, 전자 장치(1000)를 사용하는 사용자의 생체 정보를 획득하기 위한 생체 센서(예로, 심박수 센서, PPG 센서 등), 전자 장치(1000)의 움직임을 감지하기 위한 움직임 센서 등과 같은 다양한 센서를 포함할 수 있다.
    [0085][0091] 한편, 이상에서 상술한 바와 같은 신경망 모델에 관련된 기능은 메모리 및 프로세서를 통해 수행될 수 있다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP 등과 같은 범용 프로세서, GPU. VPU 등과 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 비휘발성 메모리 및 휘발성 메모리에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 기 정의된 동작 규칙 또는 인공 지능 모델은 학습을 통해 만들어진 것을 특징으로 한다.
    [0086][0092] 여기서, 학습을 통해 만들어진다는 것은, 다수의 학습 데이터들에 학습 알고리즘을 적용함으로써, 원하는 특성의 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공 지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버/시스템을 통해 이루어 질 수도 있다.
    [0087][0093] 인공 지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 각 레이어는 복수의 가중치(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치의 연산을 통해 레이어의 연산을 수행한다. 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network), GAN(Generative Adversarial Networks) 및 심층 Q-네트워크 (Deep Q-Networks)이 있으며, 본 개시에서의 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
    [0088][0094] 학습 알고리즘은, 다수의 학습 데이터들을 이용하여 소정의 대상 기기(예컨대, 로봇)을 훈련시켜 소정의 대상 기기 스스로 결정을 내리거나 예측을 할 수 있도록 하는 방법이다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으며, 본 개시에서의 학습 알고리즘은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
    [0089][0095] 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.
    [0090][0096] 일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
    [0091][0097] 이상에서 상술한 바와 같은 본 개시의 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다.
    [0092][0098] 다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
    [0093][0099] 한편, 본 개시에서 사용된 용어 "부" 또는 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "부" 또는 "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.
    [0094][0100] 본 개시의 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(100))를 포함할 수 있다.
    [0095][0101] 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다.
    [0096][0102] 이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.
    [0097][0103] 100: 전자 장치 110: 카메라 120: 메모리 140: 프로세서
    同族专利
    暂无同族专利