• 지능정보연구
• /
• 제24권3호
• /
• pp.1-19
• /
• 2018

최근 딥러닝은 오디오, 텍스트 및 이미지 데이터와 같은 비 체계적인 데이터를 대상으로 다양한 추정, 분류 및 예측 문제에 사용 및 적용되고 있다. 특히, 의류산업에 적용될 경우 딥러닝 기법을 활용한 의류 인식, 의류 검색, 자동 제품 추천 등의 심층 학습을 기반으로 한 응용이 가능하다. 이 때의 핵심모형은 합성곱 신경망을 사용한 이미지 분류이다. 합성곱 신경망은 입력이 전달되고 출력에 도달하는 과정에서 가중치와 같은 매개 변수를 학습하는 뉴런으로 구성되고, 영상 분류에 가장 적합한 방법론으로 사용된다. 기존의 의류 이미지 분류 작업에서 대부분의 분류 모형은 의류 이미지 자체 또는 전문모델 착용 의류와 같이 통제된 상황에서 촬영되는 온라인 제품 이미지를 사용하여 학습을 수행한다. 하지만 본 연구에서는 통제되지 않은 상황에서 촬영되고 사람들의 움직임과 다양한 포즈가 포함된 스트릿 패션 이미지 또는 런웨이 이미지를 분류하려는 상황을 고려하여 분류 모형을 훈련시키는 효과적인 방법을 제안한다. 이동성을 포착하는 런웨이 의류 이미지로 모형을 학습시킴으로써 분류 모형의 다양한 쿼리 이미지에 대한 적응력을 높일 수 있다. 모형 학습 시 먼저 ImageNet 데이터셋을 사용하여 pre-training 과정을 거치고 본 연구를 위해 수집된 32 개 주요 패션 브랜드의 2426개 런웨이 이미지로 구성된 데이터셋을 사용하여 fine-tuning을 수행한다. 학습 과정의 일반화를 고려해 10번의 실험을 수행하고 제안된 모형은 최종 테스트에서 67.2 %의 정확도를 기록했다. 본 연구 모형은 쿼리 이미지가 런웨이 이미지, 제품 이미지 또는 스트릿 패션 이미지가 될 수 있는 다양한 분류 환경에 적용될 수 있다. 구체적으로는 패션 위크에서 모바일 어플리케이션 서비스를 통해 브랜드 검색을 용이하게 하는 서비스를 제공하거나, 패션 잡지사의 편집 작업에 사용되어 브랜드나 스타일을 분류하고 라벨을 붙일 수 있으며, 온라인 쇼핑몰에서 아이템 정보를 제공하거나 유사한 아이템을 추천하는 등의 다양한 목적에 적용될 수 있다.

• 디자인학연구
• /
• 제18권4호
• /
• pp.129-138
• /
• 2005

1990년대 초까지 자동차 제조사는 인테리어 디자인을 중요하게 생각하지 않았다. 주로 설계, 구동방식, 크기 등 기술적 구조를 체계화하기 위한 시도를 중점으로 발전을 거듭하였고 단순히 의장디자인과 비교하면서 인테리어를 개발하였다. 그러나 1990년대에 이러한 상황은 바뀌기 시작하는데 이유는 소비자가 차안에서 보내는 시간이 많아지면서 고객에게 편안함을 주고 기능적으로도 만족할 수 있는 기술을 개발하려는 의지를 보이기 시작했기 때문이다. 인간이 자동차 안에서 어떻게 하루를 보내며 사용하는지 관찰하고, 그 결과 인테리어를 새롭게 하는 트렌드가 무엇인지를 고려하는 즉, 전략적으로 브랜드 아이덴티티를 갖도록 인테리어의 개성을 강화하고 소비자의 감성적인 부분을 고려하는 사용자 중심의 가치관 전환을 가져온 중요 요인이 되었다. 오늘날 자동차 인테리어 디자인 은 다양한 요소 변화를 반영하는 컨셉트카를 매 해 선보이고 있는데, 향후에는 감지기능과 네비게이션 적용의 무인주행을 실현시킬 수 있는 첨단 기술을 반영한 디자인 적용이 미래 디자인의 핵심적 트렌드로 제기되고 있다. 또한 제품디자인, 패션, 가구 등 타 분야에서의 직접적인 영향으로 인테리어 디자인인의 다각적 컨셉트 적용을 시도하고 있는 현 시점에서 객관적인 관점으로 시대적 배경에 따라 자동차 인테리어 디자인 변화와 조형적 특징을 조사, 분석해야 함을 강조하고자 한다. 본 연구에서는 시대적 배경과 자동차 인테리어의 흐름을 크래쉬패드 중심으로 비교하여 다변화(多變化)하는 기술적 중요 요인과 함께 향후 자동차 인테리어 디자인 방향을 연구하고자한다.