| 1 |
1
심 카빙(Seam carving)이 수행된 조작 이미지를 판별하기 위한 조작 이미지 판별 장치에 있어서,타겟 이미지를 입력 받는 입력부와,원본 이미지와, 상기 원본 이미지에 대한 레이블 데이터로서, 상기 원본 이미지에 계산된 심(Seam)이 추가적으로 삽입된 이미지 및 상기 원본 이미지에서 계산된 심이 삭제된 이미지를 입력으로 하여 기 학습된 기계학습 모델을 이용하여 상기 입력 받은 타겟 이미지가 심 카빙이 수행된 조작 이미지인지 여부를 판별하는 판별부를 포함하는조작 이미지 판별 장치
|
| 2 |
2
제 1 항에 있어서,상기 기계학습 모델의 학습에 이용되는 이미지는,주어진 이미지 중에서 심이 보다 많이 분포하는 소정의 영역인조작 이미지 판별 장치
|
| 3 |
3
제 1 항에 있어서,상기 기계 학습 모델은,상기 원본 이미지에서 획득된 복수의 샘플링 값을 고려하여 기 학습된조작 이미지 판별 장치
|
| 4 |
4
제 1 항에 있어서,상기 기계학습 모델은,상기 타겟 이미지를 입력 받아, 로우 레벨 특징이 추출하도록 학습되는 제 1 특징 추출부와,상기 제 1 특징 추출부의 출력값을 입력 받아, 포렌식(forensic) 특징이 추출되도록 학습되는 제 2 특징 추출부와,상기 제 2 특징 추출부의 출력값을 입력 받아, 로컬(local) 특징이 추출되도록 학습되는 제 3 특징 추출부와,상기 제 3 특징 추출부의 출력값을 입력 받아, 하이 레벨 특징이 추출되도록 학습되는 제 4 특징 추출부와,제 4 특징 추출부의 출력값을 입력 받아, 상기 입력된 타겟 이미지가 심 카빙이 수행된 조작 이미지인지 여부를 판별하도록 학습되는 제 5 특징 추출부를 포함하는조작 이미지 판별 장치
|
| 5 |
5
제 4 항에 있어서,상기 제 1 특징 추출부 및 상기 제 2 특징 추출부는,복수 의 컨볼루션 층(Convolution Layer), 복수 의 배치 정규화(Batch normalization) 층 및 복수 의 ReLU(Rectified Linear Unit) 층을 포함하고,상기 제 3 특징 추출부는,복수 의 컨볼루션 층, 복수 의 배치 정규화 층, 복수 의 ReLU 층 및 복수 의 연속(concatenation) 층을 포함하고,상기 제 4 특징 추출부는,복수 의 컨볼루션 층, 복수 의 배치 정규화 층, 복수 의 ReLU 층 및 복수 의 평균 폴링(Average Pooling) 층을 포함하고,상기 제 5 특징 추출부는,글로벌 평균 풀링 층(Global Average Pooling Layer), 완전 연결 층(Fully Connected Layer) 및 소프트맥스(Softmax) 층을 포함하는조작 이미지 판별 장치
|
| 6 |
6
제 1 항에 있어서,상기 기계학습 모델은,크로스 엔트로피(cross-entropy) 손실함수를 이용하여 기 학습된조작 이미지 판별 장치
|
| 7 |
7
조작 이미지 판별 장치를 이용하여 심 카빙(Seam carving)이 수행된 조작 이미지를 판별하기 위한 조작 이미지 판별 방법에 있어서,타겟 이미지를 입력 받는 단계와,원본 이미지와, 상기 원본 이미지에 대한 레이블 데이터로서, 상기 원본 이미지에 계산된 심(Seam)이 추가적으로 삽입된 이미지 및 상기 원본 이미지에서 계산된 심이 삭제된 이미지를 입력으로 하여 기 학습된 기계학습 모델을 이용하여 상기 입력 받은 타겟 이미지가 심 카빙이 수행된 조작 이미지인지 여부를 판별하는 단계를 포함하는조작 이미지 판별 방법
|
| 8 |
8
제 7 항에 있어서,상기 기계학습 모델의 학습에 이용되는 이미지는,주어진 이미지 중에서 심이 보다 많이 분포하는 소정의 영역인조작 이미지 판별 방법
|
| 9 |
9
제 7 항에 있어서,상기 기계 학습 모델은,상기 원본 이미지에서 획득된 복수의 샘플링 값을 고려하여 기 학습된조작 이미지 판별 방법
|
| 10 |
10
제 7 항에 있어서,상기 기계학습 모델은,상기 타겟 이미지를 입력 받아, 로우 레벨 신호를 추출하도록 학습되는 제 1 특징 추출부와,상기 제 1 특징 추출부의 출력값을 입력 받아, 포렌식(forensic) 특징이 추출되도록 학습되는 제 2 특징 추출부와,상기 제 2 특징 추출부의 출력값을 입력 받아, 로컬(local) 특징이 추출되도록 학습되는 제 3 특징 추출부와,상기 제 3 특징 추출부의 출력값을 입력 받아, 하이 레벨 특징이 추출되도록 학습되는 제 4 특징 추출부와,제 4 특징 추출부의 출력값을 입력 받아, 상기 입력된 타겟 이미지가 심 카빙이 수행된 조작 이미지인지 여부를 판별하도록 학습되는 제 5 특징 추출부를 포함하는조작 이미지 판별 방법
|
| 11 |
11
제 10 항에 있어서,상기 제 1 특징 추출부 및 상기 제 2 특징 추출부는,복수 의 컨볼루션 층(Convolution Layer), 복수 의 배치 정규화(Batch normalization) 층 및 복수 의 ReLU(Rectified Linear Unit) 층을 포함하고,상기 제 3 특징 추출부는,복수 의 컨볼루션 층, 복수 의 배치 정규화 층, 복수 의 ReLU 층 및 복수 의 연속(concatenation) 층을 포함하고,상기 제 4 특징 추출부는,복수 의 컨볼루션 층, 복수 의 배치 정규화 층, 복수 의 ReLU 층 및 복수 의 평균 폴링(Average Pooling) 층을 포함하고,상기 제 5 특징 추출부는,글로벌 평균 풀링 층(Global Average Pooling Layer), 완전 연결 층(Fully Connected Layer) 및 소프트맥스(Softmax) 층을 포함하는조작 이미지 판별 방법
|
| 12 |
12
제 7 항에 있어서,상기 기계학습 모델은,크로스 엔트로피(cross-entropy) 손실함수를 이용하여 기 학습된조작 이미지 판별 방법
|
| 13 |
13
컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,상기 컴퓨터 프로그램은,제 7 항 내지 제 12 항 중 어느 한 항에 따른 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는컴퓨터 판독 가능한 기록매체
|
| 14 |
14
컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,상기 컴퓨터 프로그램은,제 7 항 내지 제 12 항 중 어느 한 항에 따른 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는컴퓨터 프로그램
|
| 15 |
15
심 카빙(Seam carving)이 수행된 조작 이미지를 판별하는데 이용되는 기계학습 모델을 학습시키는 방법에 있어서,학습용 타겟 이미지를 입력 받는 단계와,상기 학습용 타겟 이미지가 심 카빙이 수행된 조작 이미지인지 여부를 판별하도록 상기 기계학습 모델을 학습시키는 단계를 포함하고,상기 학습용 타겟 이미지는,원본 이미지와, 상기 원본 이미지에 대한 레이블 데이터로서, 상기 원본 이미지에 계산된 심(Seam)이 추가적으로 삽입된 이미지 및 상기 원본 이미지에서 계산된 심이 삭제된 이미지를 포함하는 조작 이미지 판별 학습 방법
|
