[发明专利]基于深度的图像比较装置、方法及计算机可读介质

说明书

本发明的一实施例揭示在计算装置的一个以上的处理器中执行的图像比较方法。上述图像比较方法包括：上述处理器利用预先学习的网络函数来运算具有相互关联性的第一图像数据及第二图像数据的步骤；上述处理器以上述第一图像数据及上述第二图像数据为基础来确定上述第二图像数据的异常有关信息的步骤；以及上述处理器利用上述网络函数来输出所确定的异常有关信息的步骤。

技术领域

本发明涉及图像处理，更具体地，涉及基于深度学习的图像比较。

背景技术

深度学习(deep learning)可以被定义为通过多种非线性变换工法的组合来试图进行高级抽象化(抽象(abstracton)，在多种数据或复杂的资料中概括特征、核心内容或功能的作业)的机器学习(machine learning)算法的集合，是在计算机中学习人类的思考方式的机器学习的一个领域。深度学习与意味着从机器形成的智能的人工智能一同用于整个产业。

韩国公开专利第10-2017-0083805揭示了利用用草书体或草体书写的文字的神经网的辨别方法。

发明内容

技术问题

本发明与上述背景技术对应地提出，本发明的目的在于，提供基于深度学习的图像处理解决方案。

解决问题方案

用于解决上述问题的本发明一实施例揭示在计算装置的一个以上的处理器中执行的图像比较方法。上述图像比较方法包括：上述处理器利用预先学习的网络函数来运算具有相互关联性的第一图像数据及第二图像数据的步骤；上述处理器以上述第一图像数据及上述第二图像数据为基础来确定上述第二图像数据的异常有关信息的步骤；以及上述处理器利用上述网络函数来输出所确定的异常有关信息的步骤。

在图像比较方法的代替性实施例中，上述网络函数可包括：第一子网络，输入上述第一图像数据；以及第二子网络，输入上述第二图像数据。

在图像比较方法的代替性实施例中，上述网络函数还可包括与上述第一子网络及上述第二子网络中的至少一个串联(in series)的比较模型。

在图像比较方法的代替性实施例中，上述第一子网络、上述第二子网络及上述比较模型中的至少一个可包括深度神经网络(Deep Neural Network，DNN)结构。

在图像比较方法的代替性实施例中，上述第一子网络及上述第二子网络中的至少一个可包括上述深度神经网络结构中的卷积神经网络(Convolutional Neural Network，CNN)结构。

在图像比较方法的代替性实施例中，上述比较模型可包括上述深度神经网络结构中的反卷积神经网络(Deconvolutional Neural Network)结构。

在图像比较方法的代替性实施例中，上述比较模型可构成上述第一子网络及上述第二子网络中的至少一个子网络和U网络(U-Net)结构的至少一部分。

在图像比较方法的代替性实施例中，上述第一子网络及上述第二子网络可共享至少一个具有相同加权值(weight)的链接。

在图像比较方法的代替性实施例中，上述第一子网络及上述第二子网络可构成孪生网络(Siamese Network)的至少一部分。

在图像比较方法的代替性实施例中，上述处理器确定上述异常有关信息的步骤可包括：上述处理器以上述第一子网络的至少一个层及上述第二子网络的至少一个层为基础来生成至少一个层比较信息的步骤；以及上述处理器以所生成的上述层比较信息为基础来运算上述异常有关信息的步骤。

在图像比较方法的代替性实施例中，上述处理器运算上述异常有关信息的步骤可包括上述处理器向上述比较模型的对应的层提供所生成的上述层比较信息的步骤。