特表 2023-503575 ファッション情報提供方法、装置およびシステム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2023-01-31

(54)【発明の名称】ファッション情報提供方法、装置およびシステム

(51)【国際特許分類】

   G06Q 50/00 20120101AFI20230124BHJP

【ＦＩ】

G06Q50/00

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2022529514

(86)(22)【出願日】2020-11-26

(85)【翻訳文提出日】2022-07-07

(86)【国際出願番号】 KR2020016970

(87)【国際公開番号】W WO2021107642

(87)【国際公開日】2021-06-03

(31)【優先権主張番号】10-2019-0156779

(32)【優先日】2019-11-29

(33)【優先権主張国・地域又は機関】KR

(81)【指定国・地域】

(71)【出願人】

【識別番号】522198173

【氏名又は名称】オド コンセンプト インコーポレイテッド

(74)【代理人】

【識別番号】100149870

【弁理士】

【氏名又は名称】芦北 智晴

(74)【代理人】

【識別番号】100207022

【弁理士】

【氏名又は名称】小島 弘之

(72)【発明者】

【氏名】ユ エリ

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049CC60

(57)【要約】

本発明はファッション情報提供方法、装置およびシステムに関する。具体的には、本発明のファッション情報提供システムは、多様なサイズの同一のファッションアイテムが、人間の身体情報によってマッチングされた標本データを生成する標本データ生成部、前記標本データを保存する標本データ保存部および使用者デバイスからファッションアイテム情報と使用者身体情報を受信し、前記標本データ保存部に保存された前記標本データを参照して予想フィットデータを生成する予想フィットデータ提供部を含み、前記予想フィットデータは使用者が前記ファッションアイテムを選ぶ時、サイズまたはフィットに対して参照できるデータである。

【特許請求の範囲】

【請求項1】

多様なサイズの同一のファッションアイテムが、人間の身体情報とマッチングされた標本データを生成する標本データ生成部；
前記標本データを保存する標本データ保存部；および
使用者デバイスからファッションアイテム情報と使用者身体情報を受信し、前記標本データ保存部に保存された前記標本データを参照して予想フィットデータを生成する予想フィットデータ提供部を含み、
前記予想フィットデータは使用者が前記ファッションアイテムを選ぶ時にサイズまたはフィットに対して参照できるデータである、ファッション情報提供システム。

【請求項2】

前記標本データ生成部は、
多様な身長と体重を有するモデルが前記多様なサイズの同一のファッションアイテムを直接着用して基本標本データを生成し、多様な身体特徴を有するモデルが前記多様なサイズの同一のファッションアイテムを直接着用してモデル標本データを生成する、請求項１に記載のファッション情報提供システム。

【請求項3】

前記標本データ生成部は、
多様な身長、体重、身体特徴を有するモデルの３Ｄイメージである身体３Ｄスキャニングデータを生成し、ファッションアイテムの３Ｄイメージであるファッションアイテム３Ｄスキャニングデータを生成し、前記身体３Ｄスキャニングデータおよび前記ファッションアイテム３Ｄスキャニングデータに基づいて前記標本データを生成する、請求項２に記載のファッション情報提供システム。

【請求項4】

前記標本データ生成部は、
イメージ編集プログラムを通じてデザインされたイメージを通じて、前記ファッションアイテム３Ｄスキャニングデータおよび前記身体３Ｄスキャニングデータを生成し、前記ファッションアイテム３Ｄスキャニングデータおよび前記身体３Ｄスキャニングデータに基づいて前記標本データを生成する、請求項３に記載のファッション情報提供システム。

【請求項5】

前記標本データ生成部は、
学習されたニューラルネットワークモデルを通じてのマシンラーニングモデルを通じて前記標本データを生成し、
前記ニューラルネットワークモデルは、
深層ニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＤＮＮ）、コンボリューションニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＣＮＮ）、循環人工ニューラルネットワーク（Ｒｅｃｃｕｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＲＮＮ）、深層信頼ニューラルネットワーク（Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｗｏｒｋｓ、ＤＢＮ）のうち少なくともいずれか一つを利用する、請求項４に記載のファッション情報提供システム。

【請求項6】

前記標本データ保存部は、
多様な身体情報を反映し、時間の経過につれて生成または消滅するフィットに関する情報を反映するために周期的にアップデートされる、請求項１に記載のファッション情報提供システム。

【請求項7】

前記予想フィットデータ提供部は、
前記使用者デバイスから受信した前記使用者身体情報が、前記標本データと最も近接した前記標本データを使用者の身体情報として判断し、前記標本データを前記予想フィットデータとして前記使用者に提供する、請求項１に記載のファッション情報提供システム。

【請求項8】

前記予想フィットデータ提供部は、
前記使用者デバイスから受信した前記使用者身体情報を共通して含む前記標本データを使用者の身体情報として判断し、前記標本データを前記予想フィットデータとして前記使用者に提供する、請求項２に記載のファッション情報システム。

【請求項9】

多様なサイズの同一のファッションアイテムが、人間の身体情報とマッチングされた標本データを生成する段階；
前記標本データを保存する段階；および
使用者デバイスからファッションアイテム情報と使用者身体情報を受信し、前記標本データ保存部に保存された前記標本データを参照して予想フィットデータを生成する段階を含み、
前記予想フィットデータは使用者が前記ファッションアイテムを選ぶ時、サイズまたはフィットに対して参照できるデータである、ファッション情報提供方法。

【請求項10】

前記標本データを生成する段階は、
多様な身長と体重を有するモデルが前記多様なサイズの同一のファッションアイテムを直接着用して基本標本データを生成し、多様な身体特徴を有するモデルが前記多様なサイズの同一のファッションアイテムを直接着用してモデル標本データを生成する、請求項９に記載のファッション情報提供方法。

【請求項11】

前記標本データを生成する段階は、
多様な身長、体重、身体特徴を有するモデルの３Ｄイメージである身体３Ｄスキャニングデータを生成し、ファッションアイテムの３Ｄイメージであるファッションアイテム３Ｄスキャニングデータを生成し、前記身体３Ｄスキャニングデータおよび前記ファッションアイテム３Ｄスキャニングデータに基づいて前記標本データを生成する、請求項１０に記載のファッション情報提供方法。

【請求項12】

前記標本データを生成する段階は、
イメージ編集プログラムを通じてデザインされたイメージを通じて、前記ファッションアイテム３Ｄスキャニングデータおよび前記身体３Ｄスキャニングデータを生成し、前記ファッションアイテム３Ｄスキャニングデータおよび前記身体３Ｄスキャニングデータに基づいて前記標本データを生成する、請求項１１に記載のファッション情報提供方法。

【請求項13】

前記標本データを生成する段階は、
学習されたニューラルネットワークモデルを通じてのマシンラーニングモデルを通じて前記標本データを生成し、
前記ニューラルネットワークモデルは、
深層ニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＤＮＮ）、コンボリューションニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＣＮＮ）、循環人工ニューラルネットワーク（Ｒｅｃｃｕｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＲＮＮ）、深層信頼ニューラルネットワーク（Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｗｏｒｋｓ、ＤＢＮ）のうち少なくともいずれか一つを利用する、請求項１２に記載のファッション情報提供方法。

【請求項14】

前記標本データを保存する段階は、
多様な身体情報を反映し、時間の経過につれて生成または消滅するフィットに関する情報を反映するために周期的にアップデートされる、請求項９に記載のファッション情報提供方法。

【請求項15】

前記予想フィットデータを生成する段階は、
前記使用者デバイスから受信した前記使用者身体情報が、前記標本データと最も近接した前記標本データを使用者の身体情報として判断し、前記標本データを前記予想フィットデータとして前記使用者に提供する、請求項９に記載のファッション情報提供方法。

【請求項16】

前記予想フィットデータを生成する段階は、
前記使用者デバイスから受信した前記使用者身体情報を共通して含む前記標本データを使用者の身体情報として判断し、前記標本データを前記予想フィットデータとして前記使用者に提供する、請求項１０に記載のファッション情報方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ファッションアイテムを着用した時に予想されるフィットを提供する方法に関する。具体的には、多様な身長、体重および身体特徴を有するモデルが特定のファッションアイテムを着用したり３Ｄスキャニングを通じて標本データを生成し、使用者身体情報に基づいて予想されるフィットを提供する、予想フィットデータ提供方法、装置およびコンピュータプログラムに関する。

【背景技術】

【0002】

最近増加した有線や無線のインターネット環境を背景にオンラインを利用した広報、売買などの商取引が活性化している。これに関連して購入者は、インターネットと連結されたデスクトップやモバイル端末で雑誌、ブログまたはＹｏｕＴｕｂｅ（登録商標）の動画などを検索していて気に入る商品が見つかると、商品名などを検索して購入に至ることになる。

【0003】

この時、使用者はオンラインショッピングモールにモデルが該当商品を着用している着用ショットに基づいて自身に似合うかどうかを判断することになる。例えば、モデルの身長、体重、皮膚の色、比率、腕が長い方であるか、太ももに比べて腰回りが大きい方であるか、太ももが細い方であるかなどを自身の身体特徴と比較し、該当商品が自身に似合うかどうかを判断することになる。

【0004】

しかし、オフライン売り場で商品を直接着てみるのと比較して、オンラインショッピングモールで抽象的に比較することだけでは、使用者本人に本当に似合う服であるかどうかを正確に判断し難い場合もある。人間の身体はそれぞれ身長、体重、身体特徴がすべて異なり、特に身長、体重のように数値で定量化できる要素だけでなく、特定商品を着用した時の人間の感じに対する「フィット」は数値で定量化することができず、同じ身長と体重を有する身体であってもフィットが異なり得るためである。

【0005】

その結果、商品を受領した消費者は自身が思ったフィットと異なる場合、該当商品を返品し、交換したり、衣装だんすに放置しておく可能性が高い。アパレルメーカーは消費者から否定的なコメント、評価を受けて、その結果、該当ブランドのブランドイメージが打撃を受けたり販売量の減少につながり得る。消費者もオフライン売り場で直接着てみて商品を購入したり一気に気に入る商品を購入した時と比較して、商品を返品し、交換することによる機会費用が発生する問題が発生し得る。

【0006】

このように、消費者と販売者ともにオンライン上の商品イメージに対してより直観的なＵＩ（Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）環境で予想されるフィットに対するデータの提供を受けることを望むニーズが存在する。

【発明の概要】

【発明が解決しようとする課題】

【0007】

本発明は前記のような問題を解決するためのもので、特定のファッションアイテムが同一のサイズであるにもかかわらず使用者ごとにフィットが異なり得るが、これに対する誤差を減らすために予想フィットデータを提供することを目的とする。

【0008】

ひいては、オフライン売り場に設置されたカメラを通じて使用者身体情報を収集し、これを通じて使用者オーダーメード型データとして予想フィットデータを提供することを目的とする。

【課題を解決するための手段】

【0009】

本発明はファッション情報提供方法、装置およびシステムに関する。具体的には、本発明の実施例に係るファッション情報提供システムは、多様なサイズの同一のファッションアイテムが、人間の身体情報とマッチングされた標本データを生成する標本データ生成部、前記標本データを保存する標本データ保存部および使用者デバイスからファッションアイテム情報と使用者身体情報を受信し、前記標本データ保存部に保存された前記標本データを参照して予想フィットデータを生成する予想フィットデータ提供部を含み、前記予想フィットデータは使用者が前記ファッションアイテムを選ぶ時、サイズまたはフィットに対して参照できるデータである。

【0010】

また、本発明の実施例に係るファッション情報提供方法は、多様なサイズの同一のファッションアイテムが、人間の身体情報とマッチングされた標本データを生成する段階、前記標本データを保存する段階および使用者デバイスからファッションアイテム情報と使用者身体情報を受信し、前記標本データ保存部に保存された前記標本データを参照して予想フィットデータを生成する段階を含み、前記予想フィットデータは使用者が前記ファッションアイテムを選ぶ時、サイズまたはフィットに対して参照できるデータである。

【発明の効果】

【0011】

本発明によると、特定のファッションアイテムが同一のサイズであるにもかかわらず使用者ごとにフィットが異なり得るが、これに対する誤差を減らし得る効果がある。

【0012】

ひいては、オフライン売り場に設置されたカメラを通じて使用者身体情報を収集し、これを通じて使用者オーダーメード型データとして予想フィットデータを提供できる効果がある。

【図面の簡単な説明】

【0013】

【図1】本発明の実施例に係るファッション情報提供システムを説明するための図面である。

【図2】本発明の実施例に係る基本標本データを説明するための図面である。

【図3】本発明の実施例に係るモデル標本データを説明するための図面である。

【図4】本発明の実施例に係るファッション情報提供システムの基本動作を説明するためのフローチャートである。

【図5】図４のＳ５０１段階の一実施例を詳細に説明するためのフローチャートである。

【図6】図４のＳ５０１段階の他の実施例を詳細に説明するためのフローチャートである。

【図7】オフライン売り場で具現される本発明の実施例を説明するためのフローチャートである。

【発明を実施するための形態】

【0014】

本明細書または出願に開示されている本発明の概念による実施例に対して特定の構造的乃至機能的説明は単に本発明の概念による実施例を説明するための目的で例示されたもので、本発明の概念による実施例は多様な形態で実施され得、本明細書または出願で説明された実施例に限定されるものと解釈されてはならない。

【0015】

本発明の概念による実施例は多様な変更を加えることができ、多様な形態を有することができるため、特定の実施例を図面に例示して本明細書または出願で詳細に説明しようとする。しかし、これは本発明の概念による実施例を特定の開示形態に対して限定しようとするものではなく、本発明の思想および技術範囲に含まれるすべての変更、均等物乃至代替物を含むものと理解されるべきである。

【0016】

第１および／または第２等の用語は多様な構成要素の説明に使われ得るが、前記構成要素は前記用語によって限定されてはならない。前記用語は一つの構成要素を他の構成要素から区別する目的でのみ、例えば本発明の概念による権利範囲から逸脱することなく第１構成要素は第２構成要素と命名され得、同様に第２構成要素は第１構成要素とも命名され得る。

【0017】

或る構成要素が他の構成要素に「連結されて」いるとか「接続されて」いると言及された時には、その他の構成要素に直接的に連結されていたりまたは接続されていてもよいが、中間に他の構成要素が存在してもよいと理解されるべきである。反面、或る構成要素が他の構成要素に「直接連結されて」いるとか「直接接続されて」いると言及された時には、中間に他の構成要素が存在しないものと理解されるべきである。構成要素間の関係を説明する他の表現、すなわち「～間に」と「すぐに～間に」または「～に隣り合う」と「～に直接隣り合う」等も同様に解釈されるべきである。

【0018】

本明細書で使った用語は単に特定の実施例を説明するために使われたもので、本発明を限定しようとする意図ではない。単数の表現は文脈上明白に異なって意味しない限り、複数の表現を含む。本明細書で、「含む」または「有する」等の用語は叙述された特徴、数字、段階、動作、構成要素、部分品またはこれらを組み合わせたものが存在することを指定しようとするものであり、一つまたはそれ以上の他の特徴や数字、段階、動作、構成要素、部分品またはこれらを組み合わせたものなどの存在または付加の可能性を予め排除しないものと理解されるべきである。

【0019】

異なって定義されない限り、技術的または科学的な用語を含んでここで使われるすべての用語は、本発明が属する技術分野で通常の知識を有する者によって一般的に理解されるものと同一の意味を有している。一般的に使われる辞書に定義されているような用語は関連技術の文脈上有する意味と一致する意味を有すると解釈されるべきであり、本明細書で明白に定義しない限り、理想的または過度に形式的な意味で解釈されない。

【0020】

実施例の説明において、本発明が属する技術分野で広く知られており、本発明と直接的に関連がない技術内容に対しては説明を省略する。これは不要な説明を省略することによって、本発明の要旨を曖昧にせずさらに明確に伝達するためである。

【0021】

以下、添付した図面を参照して本発明の好ましい実施例を説明することによって、本発明を詳細に説明する。以下、本発明の実施例を添付された図面を参照して詳細に説明する。

【0022】

図１は、本発明の実施例に係るファッション情報提供システムを説明するための図面である。

【0023】

図１を参照すると、ファッション情報提供システム５０は使用者デバイス１００およびサービスサーバー２００を含むことができる。使用者デバイス１００は携帯電話、スマートフォン、ＭＰ３プレーヤー、ラップトップコンピュータ、デスクトップコンピュータ、ゲーム機、ＴＶ、タブレットＰＣまたは車両用インフォテインメント（ｉｎ－ｖｅｈｉｃｌｅ ｉｎｆｏｔａｉｎｍｅｎｔ）システムなどを含むことができる。

【0024】

使用者は、使用者デバイス１００でオンラインショッピングモールで気に入るファッションアイテムを選んでサービスサーバー２００に伝送することができる。サービスサーバー２００は、使用者が選んだファッションアイテムがコーディネートされた予想フィットデータを使用者に提供し、使用者は該当ファッションアイテムの購入の有無を決定する時に予想フィットデータを参照することができる。

【0025】

予想フィットデータは、使用者がファッションアイテムを選ぶ時にサイズまたはフィットに対して参照できるデータであり得る。既存のオンラインショッピングモールは人間の多様な身体特徴が反映されず、単に身長と体重により概略的に合うと予想されるサイズのみを提供した。

【0026】

しかし、同じ身長と体重を有する使用者であっても細部的な身体特徴によって全くフィットが異なり得る。フィットは特定商品を着用した時の人間の感じを表現した情報であり得る。使用者それぞれが追求するスタイルによって望むフィットが異なり得る。したがって、単純に身長と体重によりサイズを推薦する既存の方法は自身に似合うファッションアイテムを探そうとする使用者のニーズを正確に反映できないこともあり得る。

【0027】

このために、サービスサーバー２００は使用者デバイス１００から使用者が選択したファッションアイテム情報と使用者身体情報を受信し、標本データを参照して予想フィットデータを生成し、使用者デバイス１００に提供することができる。

【0028】

図１を参照すると、サービスサーバー２００は標本データ生成部２１０、標本データ保存部２２０および予想フィットデータ提供部２３０を含むことができる。

【0029】

標本データ生成部２１０は多様なサイズの同一のファッションアイテムが人間の身体情報とマッチングされた標本データを生成することができる。標本データは使用者の身長、体重および細部的な身体情報を含む使用者身体情報に応じて予想フィットデータを生成するのに使われ得る。

【0030】

一実施例において、標本データはモデルが同一のファッションアイテムのすべてのサイズを直接着用して生成され得る。この時、標本データは基本標本データとモデル標本データに区分され得る。

【0031】

説明の便宜のために身長と体重に関する情報は基本標本データに、その他の身体特徴に関する情報はモデル標本データに区分して説明するが、両者とも標本データに含まれるものであり、実施例によって区別されない概念であり得る。

【0032】

基本標本データは多様な身長と体重を有するモデルがすべてのサイズの同一のファッションアイテムを直接着用して生成された標本データであり得る。

【0033】

例えば、男性モデルの場合、１６０ｃｍから１９０ｃｍまでの分布で予め定めた差（例えば５ｃｍ）ごとに代表標本モデルを選定し、代表標本モデルはすべてのサイズの同一のファッションアイテムを直接着用することができる。ファッションアイテムを着用したモデルのイメージは写真で撮影されて基本標本データとして標本データ保存部２２０に保存され得る。

【0034】

実施例により、代表標本モデルは特定範囲の体重分布で選定されてもよい。例えば、男性モデルの場合、５０ｋｇから９０ｋｇまでの分布で予め定めた差（例えば５ｋｇ）ごとに代表標本モデルを選定し、各モデルがすべてのサイズの同一のファッションアイテムを直接着用することができる。

【0035】

実施例により、身長と体重がすべて反映された基本標本データが生成されてもよい。前記男性モデルの例において、１６０ｃｍのモデルを５０ｋｇ～９０ｋｇまで細分化して代表モデルとして選定し、１６５ｃｍのモデルを５０ｋｇ～９０ｋｇまで細分化して代表モデルとして選定し、１７０ｃｍのモデルを５０ｋｇ～９０ｋｇまで細分化して代表モデルとして選定するなど、同一の身長を有するモデルを体重によって細分化して代表モデルとして選定することができる。

【0036】

モデル標本データは、多様な身体特徴を有するモデルがすべてのサイズの同一のファッションアイテムを直接着用して生成されたデータであり得る。身体特徴には腕が長い方、太ももが細い方、太ももに比べて腰回りが大きい方、上体に比べて下体が長い方、肩が広い方、足首が細い方など、個人差が大きかったり、数値で表現し難かったり、または人間の主観的な感じに依存する情報が含まれ得る。

【0037】

同じ身長と体重を有するモデルであっても身体特徴によって全くフィットが異なり得る。例えば、ＡモデルとＢモデルが身長と体重が同一であるが、Ａモデルは上体に比べて下体が発達しＢモデルは下体に比べて上体が発達した場合があり得る。この時、Ａモデルは同じ身長と体重を有する人より上衣は相対的に大きいサイズの服を、下衣は相対的に小さいサイズの服が似合い得る。反面、Ｂモデルは同じ身長と体重を有する人より上衣は相対的に小さいサイズの服を、下衣は相対的に大きいサイズの服が似合い得る。

【0038】

モデル標本データはより正確な予想フィットデータを使用者に提供するために、多様な身体特徴を有するモデルの着用ショットを含むことができる。モデル標本データに反映された身体特徴が多いほど使用者はより正確な予想フィットデータを確認することができる。したがって、サービスサーバー２００は任意の時点ごとにまたは周期的にモデル標本データをアップデートして多様な身体特徴または最新トレンドが反映された予想フィットデータを提供することができる。

【0039】

他の実施例において、標本データは３Ｄスキャニングデータを通じて生成されてもよい。すなわち、モデルが直接ファッションアイテムを着用するのではなく、多様な身長、体重、身体特徴を有するモデルの身体３Ｄスキャニングデータとファッションアイテム３Ｄスキャニングデータから標本データが獲得され得る。

【0040】

３Ｄスキャニングデータとは、３Ｄステレオカメラ（３Ｄ Ｓｔｅｒｅｏ ｃａｍｅｒａ）、３Ｄ深度カメラ（３Ｄ Ｄｅｐｔｈ ｃａｍｅｒａ）など、既存の２Ｄではできなかったイメージの各ピクセルの深さ値を計算して物体の３Ｄイメージを撮影したデータであり得る。

【0041】

具体的には、標本データ生成部２１０は多様な身長、体重、身体特徴を有するモデルの身体の３Ｄイメージである身体３Ｄスキャニングデータを生成することができる。また、ファッションアイテムの３Ｄイメージであるファッションアイテム３Ｄスキャニングデータを生成することができる。

【0042】

その後、標本データ生成部２１０は身体３Ｄスキャニングデータとファッションアイテム３Ｄスキャニングデータに含まれたベクトル値を演算して予想されるフィットに関する情報を含む特徴ベクトル値を抽出することができる。

【0043】

特徴ベクトル値の抽出には多様な技法が使われ得る。例えば、標本データ生成部２１０は身体３Ｄスキャニングデータとファッションアイテム３Ｄスキャニングデータを重複させた時、肩線の位置、腰空間の余裕分、袖がどれくらい短かいか長いか、上衣が下衣をどれくらい覆うのか、足首の露出程度、着用後服にシワがどれくらいできるかなどにより、どのようなフィットが導き出されるかを判断することができる。

【0044】

特徴ベクトル値に対応する特徴ラベルは使用者の身体情報、ファッションアイテム情報とともに標本データとして生成され得る。特徴ラベルは特定のファッションアイテムが人間に与える感じであるフィットをテキストで表現したものであり得る。例えば、特徴ラベルにはオーバーフィットラベル、スリムフィットラベル、正装フィットラベル、ルーズフィットラベル、ジャストフィットラベル、基本フィットラベルなどが含まれ得る。

【0045】

本発明のさらに他の実施例によると、ファッションアイテム３Ｄデータおよび身体３Ｄデータはカメラを通じて実際に撮影されたイメージだけでなく、フォトショップ（登録商標）などのイメージ編集プログラムを通じてデザインされたイメージを含むことができる。

【0046】

すべての身体特徴、ファッションアイテムをカメラで撮影して編集することは非常に多くの時間と努力が必要とされ得る。イメージ編集プログラムを通じてファッションアイテム３Ｄスキャニングデータおよび身体３Ｄスキャニングデータを生成することによって、標本データのデータベースを短期間で効率的に構築できる効果がある。

【0047】

本発明の実施例によると、サービスサーバーは人間が感じ得るフィットに対する特徴ラベルを定義し、直接撮影した着用ショットおよび／または３Ｄスキャニングデータに基づいて標本データを生成することができる。前記特徴ラベル、着用ショット、３Ｄスキャニングデータから標本データを生成する過程をニューラルネットワークモデルに学習させたマシンラーニングモデルを生成することができる。

【0048】

マシンラーニングは人工知能の分野の一つであり、経験的データに基づいて学習し、予測を遂行し、自らの性能を向上させるシステムとこのためのアルゴリズムの集合と定義され得る。サービスサーバーが利用するモデルはこのようなマシンラーニングのモデルのうち、深層ニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＤＮＮ）、コンボリューションニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＣＮＮ）、循環人工ニューラルネットワーク（Ｒｅｃｃｕｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＲＮＮ）および深層信頼ニューラルネットワーク（Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｗｏｒｋｓ、ＤＢＮ）のうちいずれか一つを利用しものであり得る。

【0049】

本発明の他の実施例によると、サービスサーバーは標本データに対応するイメージの特性を学習して初期ニューラルネットワークモデルを形成し、ここに大量のファッションアイテムのイメージ、着用ショットまたは３Ｄスキャニングデータを適用してニューラルネットワークモデルをより精巧に拡張してもよい。

【0050】

一方、本発明のさらに他の実施例によると、サービスサーバーは標本データに対する別途の学習なしに特徴ラベルを複数のレイヤで形成された階層構造で形成されたニューラルネットワークモデルに適用することができる。

【0051】

ひいては、ファッションアイテムイメージの特徴情報に該当レイヤの要請によって加重値を付与し、加工された特徴情報を利用してファッションアイテムイメージをクラスタリングし、クラスタリングされたイメージグループにオーバーフィットな感じ、ジャストフィットな感じ、スリムフィットな感じなどの事後的に解釈される特徴ラベル情報を付与することができる。

【0052】

標本データ保存部２２０は標本データ生成部２１０が生成した標本データを保存することができる。標本データ保存部２２０に保存された標本データは、使用者デバイス１００から使用者が選択したファッションアイテムに関する情報と使用者の身体情報が受信されると、標本データを予想フィットデータ提供部２３０に提供することができる。

【0053】

標本データ保存部２２０に保存された標本データはより多様な身体情報を反映し、時間の経過につれて生成または消滅するフィットに関する情報を反映するために周期的にアップデートされ得る。

【0054】

予想フィットデータ提供部２３０は使用者デバイス１００からファッションアイテム情報と使用者身体情報を受信し、標本データ保存部２２０に保存された標本データを参照して予想フィットデータを生成することができる。

【0055】

使用者身体情報は使用者本人の身長、体重および／または身体特徴に関する情報を含むことができる。予想フィットデータ提供部２３０は使用者身体情報が含まれた標本データを標本データ保存部２２０で検索し、検索された標本データを予想フィットデータとして使用者デバイス１００に提供することができる。

【0056】

一方、使用者身体情報には使用者の皮膚トーンに関する情報が含まれ得る。皮膚トーンはファッションアイテムを決定する重要な要素であり得る。同一のファッションアイテムであっても皮膚の色が相対的に白い人と浅黒い人がそれぞれ着用した時に与える感じは異なり得る。

【0057】

例えば、赤色、青色、黄色などの原色系統の色相は浅黒い皮膚トーンの人にはよく似合わないことがある。自身の皮膚トーンとよく似合う色相の服を着用するとさらに生き生きとして見え、元気に見える効果があり得る。

【0058】

したがって、サービスサーバーは使用者の皮膚トーンに関する情報を身体特徴として受信し、受信した使用者の皮膚トーンによく似合うであろうと判断されるカラーをマッチングし、予想フィットデータとして使用者に提供することができる。

【0059】

予想フィットデータ提供部２３０は身長と体重または皮膚トーンが使用者から受信した使用者身体情報と最も近接した標本データを使用者の身体情報として判断し、該当標本データを予想フィットデータとして使用者に提供することができる。また、腕が長い方、太ももが細い方、太ももに比べて腰回りが大きい方など使用者の細部的な身体特徴を共通して含む標本データを予想フィットデータとして使用者に提供することができる。

【0060】

この時、共通する身体特徴が最も多い標本データを代表予想フィットデータとして使用者に提供してもよく、含まれる身体特徴が多い順で標本データを降順で整列して使用者に提供してもよく、少なくとも一つの身体特徴を含む標本データをすべて予想フィットデータとして使用者に提供してもよい。

【0061】

本発明の実施例によると、オンラインショッピングモールで使用者本人と類似するサイズのモデルが該当服を着た時にどのようなフィットが出てくるかを見計らうことができる。したがって、特定のファッションアイテムが同一のサイズであるにもかかわらず使用者ごとにフィットが異なり得るが、これに対する誤差を減らし得る効果がある。

【0062】

図２は、本発明の実施例に係る基本標本データを説明するための図面である。

【0063】

図２を参照すると、基本標本データはファッションアイテム情報、基本身体情報および特徴ラベル情報を含むことができる。基本標本データは多様な身長と体重を有するモデルがすべてのサイズの同一のファッションアイテムを直接着用して生成された標本データであり得る。

【0064】

使用者デバイスから使用者身体情報が受信されると、サービスサーバーは標本データを参照して予想フィットデータを生成することができる。この時、使用者身体情報のうち身長と体重に関する情報（基本身体情報）は基本標本データを参照することができる。

【0065】

使用者は特定のファッションアイテムを購入しようとする時、まず「使用者本人と同一または類似する身長と体重を有する身体」が、「使用者が選択したファッションアイテム」を着用した時、「導き出されるフィット」をサービスサーバーに要請することができる。基本標本データはこのような使用者の要請に応えるために、事前に「身長と体重に対する基本身体情報」、「ファッションアイテム情報」、「特徴ラベル情報」をマッチングして保存していてもよい。

【0066】

その後、使用者デバイスからファッションアイテム情報と使用者身体情報を受信すると、サービスサーバーは受信したファッションアイテム情報と使用者身体情報を含む基本標本データを検索し、検索された基本標本データに含まれた特徴ラベル情報を予想フィットデータとして使用者デバイスに提供することができる。

【0067】

図３は、本発明の実施例に係るモデル標本データを説明するための図面である。

【0068】

図３を参照すると、モデル標本データはファッションアイテム情報、特徴身体および特徴ラベル情報を含むことができる。モデル標本データは、多様な身体特徴を有するモデルがすべてのサイズの同一のファッションアイテムを直接着用して生成されたデータであり得る。身体特徴には腕が長い方、太ももが細い方、太ももに比べて腰回りが大きい方、上体に比べて下体が長い方、肩が広い方、足首が細い方など、個人差が大きかったり、数値で表現し難かったり、または人間の主観的な感じに依存する情報が含まれ得る。

【0069】

使用者デバイスから使用者身体情報が受信されると、サービスサーバーは標本データを参照して予想フィットデータを生成することができる。この時、使用者身体情報のうち前述した身体特徴に関する情報（身体特徴情報）はモデル標本データを参照することができる。

【0070】

使用者は特定のファッションアイテムを購入しようとする時、まず「使用者本人と同一または類似する身体特徴を有する身体」が、「使用者が選択したファッションアイテム」を着用した時、「導き出されるフィット」をサービスサーバーに要請することができる。モデル標本データはこのような使用者の要請に応えるために、事前に「身体特徴に対する身体特徴情報」、「ファッションアイテム情報」、「特徴ラベル情報」をマッチングして保存していてもよい。

【0071】

その後、使用者デバイスからファッションアイテム情報と使用者身体情報を受信すると、サービスサーバーは受信したファッションアイテム情報と使用者身体情報を含むモデル標本データを検索し、検索されたモデル標本データに含まれた特徴ラベル情報を予想フィットデータとして使用者デバイスに提供することができる。

【0072】

図４は、本発明の実施例に係るファッション情報提供システムの基本動作を説明するためのフローチャートである。

【0073】

図４を参照すると、サービスサーバーはＳ４０１段階で、多様なサイズの同一のファッションアイテムが人間の身体特徴によりマッチングされた標本データを生成し、標本データ保存部に保存することができる。

【0074】

一実施例において、標本データはモデルが同一のファッションアイテムのすべてのサイズを直接着用して生成され得る。この時、標本データは基本標本データとモデル標本データに区分され得る。モデルが直接ファッションアイテムを着用して標本データを生成する過程については、後述される図５を通じて詳細に説明することにする。

【0075】

他の実施例において、標本データは３Ｄスキャニングデータを通じて生成され得る。すなわち、モデルが直接ファッションアイテムを着用するのではなく、多様な身長、体重、身体特徴を有するモデルの身体３Ｄスキャニングデータとファッションアイテム３Ｄスキャニングデータから標本データが獲得され得る。３Ｄスキャニングデータを通じて標本データを生成する過程については、後述される図６を通じて詳細に説明することにする。

【0076】

Ｓ４０３段階で、サービスサーバーは使用者が選択したファッションアイテムに関する情報を受信することができる。

【0077】

使用者はオンラインショッピングモール、インターネット雑誌、ウェブサイト、ブログなどでファッションアイテムを検索していて気に入るファッションアイテムを選択することができる。使用者が選択したファッションアイテムに関する情報はサービスサーバーに伝送され得る。サービスサーバーは使用者オーダーメード型予想フィットデータを提供するために、使用者デバイスに使用者身体情報を入力して下さいとの要請を伝送することができる。

【0078】

Ｓ４０５段階で、サービスサーバーは使用者から使用者本人の基本身体情報、身体特徴情報を含む使用者身体情報を受信することができる。

【0079】

基本身体情報は身長と体重に対する身体情報であり、身体特徴情報は身長と体重の他に腕が長い方、太ももが細い方、太ももに比べて腰回りが大きい方、上体に比べて下体が長い方、肩が広い方、足首が細い方など、個人差が大きかったり、数値で表現し難かったり、または人間の主観的な感じに依存する情報であり得る。

【0080】

一方、使用者身体情報には使用者の皮膚トーンに関する情報が含まれ得る。皮膚トーンはファッションアイテムを決定する重要な要素であり得る。同一のファッションアイテムであっても皮膚の色が相対的に白い人と浅黒い人がそれぞれ着用した時に与える感じは異なり得る。

【0081】

例えば、赤色、青色、黄色などの原色系統の色相は浅黒い皮膚トーンの人にはよく似合わないことがある。自身の皮膚トーンとよく似合う色相の服を着用するとさらに生き生きとして見え、元気に見える効果があり得る。

【0082】

したがって、サービスサーバーは使用者の皮膚トーンに関する情報を身体特徴として受信し、受信した使用者の皮膚トーンによく似合うであろうと判断されるカラーをマッチングし、予想フィットデータとして使用者に提供することができる。

【0083】

Ｓ４０７段階で、サービスサーバーは標本データと使用者身体情報に基づいて、使用者が服を選ぶ時にサイズまたはフィットに対して参照できるデータである予想フィットデータを生成することができる。

【0084】

予想フィットデータには使用者が自身に似合うかどうかに対するファッションアイテムに関する情報、身長、体重および身体特徴を含む使用者身体情報、該当使用者がファッションアイテムを着用した時に導き出され得るフィットに関する特徴ラベル情報が含まれ得る。

【0085】

サービスサーバーは使用者デバイスから使用者本人の使用者身体情報と使用者が選択したファッションアイテムに関する情報を受信し、両方を共に含む標本データを検索することができる。検索された標本データに含まれた特徴ラベル情報は予想フィットデータとして使用者に提供され得る。

【0086】

すべての使用者の使用者身体情報が保存されていることは現実的に不可能であり得る。したがって、正確に一致する身体特徴が保存されていない場合、サービスサーバーは身長、体重のように数値化された身体情報は最も近似する値を有する身体情報を検索することができる。

【0087】

腕が長い方、太ももが細い方、太ももに比べて腰回りが大きい方のように数値化され得ない身体特徴は、該当身体特徴が特徴ラベル情報として予め定義されている場合にはサービスサーバーで検索され得るが、そうでない場合、サービスサーバーをアップデートして新しく特徴ラベル情報に追加することができる。

【0088】

Ｓ４０９段階で、サービスサーバーは使用者に予想フィットデータを提供することができる。予想フィットデータは、標本データでファッションアイテムと使用者身体情報が一致する時の特徴ラベル情報であり得る。

【0089】

本発明の実施例に係る予想フィットデータは、身長、体重だけでなく人間の多様な身体特徴を反映した予想フィットデータを提供することができる。したがって、ファッションアイテムが同一のサイズであるにもかかわらず使用者ごとにフィットが異なり得るが、これに対する誤差を減らし得る効果がある。

【0090】

図５は、図４のＳ５０１段階の一実施例を詳細に説明するためのフローチャートである。

【0091】

図５は、モデルが直接ファッションアイテムを着用して標本データを生成する実施例を説明するためのフローチャートである。以下説明の便宜のために身長と体重に関する情報は基本標本データに、その他の身体特徴に関する情報はモデル標本データに区分して説明したが、両者はいずれも標本データに含まれるものであり、実施例により区別されない概念であり得る。

【0092】

Ｓ５０１段階で、サービスサーバーは多様な身長と体重を有するモデルがすべてのサイズの同一のファッションアイテムを直接着用して基本標本データを生成することができる。

【0093】

例えば、男性モデルの場合、１６０ｃｍから１９０ｃｍまでの分布で予め定めた差（例えば５ｃｍ）ごとに代表標本モデルを選定し、代表標本モデルはすべてのサイズの同一のファッションアイテムを直接着用することができる。ファッションアイテムを着用したモデルのイメージは写真で撮影されて基本標本データとしてサービスサーバーに保存され得る。

【0094】

実施例により、代表標本モデルは特定範囲の体重分布で選定されてもよい。例えば、男性モデルの場合、５０ｋｇから９０ｋｇまでの分布で予め定めた差（例えば５ｋｇ）ごとに代表標本モデルを選定し、各モデルがすべてのサイズの同一のファッションアイテムを直接着用することができる。

【0095】

実施例により、身長と体重がすべて反映された基本標本データが生成されてもよい。前記男性モデルの例において、１６０ｃｍのモデルを５０ｋｇ～９０ｋｇまで細分化して代表モデルとして選定し、１６５ｃｍのモデルを５０ｋｇ～９０ｋｇまで細分化して代表モデルとして選定し、１７０ｃｍのモデルを５０ｋｇ～９０ｋｇまで細分化して代表モデルとして選定するなど、同一の身長を有するモデルを体重によって細分化して代表モデルとして選定することができる。

【0096】

Ｓ５０３段階で、サービスサーバーは多様な身体特徴を有するモデルがすべてのサイズの同一のファッションアイテムを直接着用してモデル標本データを生成することができる。

【0097】

同じ身長と体重を有するモデルであっても身体特徴によって全くフィットが異なり得る。例えば、ＡモデルとＢモデルが身長と体重が同一であるが、Ａモデルは上体に比べて下体が発達しＢモデルは下体に比べて上体が発達した場合があり得る。この時、Ａモデルは同じ身長と体重を有する人より上衣は相対的に大きいサイズの服を、下衣は相対的に小さいサイズの服が似合い得る。反面、Ｂモデルは同じ身長と体重を有する人より上衣は相対的に小さいサイズの服を、下衣は相対的に大きいサイズの服が似合い得る。

【0098】

モデル標本データはより正確な予想フィットデータを使用者に提供するために、多様な身体特徴を有するモデルの着用ショットを含むことができる。モデル標本データに反映された身体特徴が多いほど使用者はより正確な予想フィットデータを確認することができる。したがって、サービスサーバーは周期的にモデル標本データをアップデートして多様な身体特徴または最新トレンドが反映された予想フィットデータを提供することができる。

【0099】

Ｓ５０５段階で、サービスサーバーは生成された基本標本データおよびモデル標本データを標本データとしてサービスサーバーに保存することができる。

【0100】

図６は、図４のＳ５０１段階の他の実施例を詳細に説明するためのフローチャートである。

【0101】

図６は、標本データが３Ｄスキャニングデータを通じて生成される過程を説明するためのフローチャートである。すなわち、モデルが直接ファッションアイテムを着用したデータではなく、多様な身長、体重、身体特徴を有するモデルの身体３Ｄスキャニングデータとファッションアイテム３Ｄスキャニングデータから標本データが獲得され得る。

【0102】

具体的には、Ｓ６０１段階で、サービスサーバーは事前に特定のファッションアイテムが人間に与える感じであるフィットに関する特徴ラベルを定義することができる。特定ラベルにはオーバーフィットラベル、スリムフィットラベル、正装フィットラベル、ルーズフィットラベル、ジャストフィットラベル、基本フィットラベルなどが含まれ得る。

【0103】

Ｓ６０３段階で、サービスサーバーはファッションアイテムの３Ｄスキャニングデータを生成することができる。３Ｄスキャニングデータとは、３Ｄステレオカメラ（３Ｄ Ｓｔｅｒｅｏ ｃａｍｅｒａ）、３Ｄ深度カメラ（３Ｄ Ｄｅｐｔｈ ｃａｍｅｒａ）など、既存の２Ｄではできなかったイメージの各ピクセルの深さ値を計算して物体の３Ｄイメージを撮影したデータであり得る。

【0104】

具体的には、サービスサーバーはファッションアイテムを多様な角度で撮影し、総丈、肩幅、胸の断面、袖の長さ、腰周り、太ももの断面、裾幅の断面、股上などファッションアイテムのサイズを立体的に確認できるファッションアイテム３Ｄスキャニング情報を生成することができる。

【0105】

Ｓ６０５段階で、サービスサーバーは多様な身長、体重、身体特徴を有するモデルの身体の３Ｄイメージである身体３Ｄスキャニングデータを生成することができる。

【0106】

撮影された３Ｄスキャニングデータは、標本データ生成時に必要な時ごとに繰り返し使われ得るため、特定身体情報の身体３Ｄスキャニングデータは初期にただ一度だけ撮影されれば充分であり得る。

【0107】

初期標本データのデータベース生成時にすべての身体情報を反映することは現実的に困難であり得る。したがって、以後任意の時間ごとにまたは周期的に新しい３Ｄスキャニングデータを生成して標本データをアップデートすることができる。

【0108】

また、図面に図示されてはいないが、ファッションアイテム３Ｄデータおよび身体３Ｄデータはカメラを通じて実際に撮影されたイメージだけでなく、フォトショップ（登録商標）などのイメージ編集プログラムを通じてデザインされたイメージを含むことができる。

【0109】

すべての身体特徴、ファッションアイテムをカメラで撮影して編集することは非常に多くの時間と努力が必要とされ得る。イメージ編集プログラムを通じてファッションアイテム３Ｄスキャニングデータおよび身体３Ｄスキャニングデータを生成することによって、標本データのデータベースを短期間で効率的に構築できる効果がある。

【0110】

Ｓ６０７段階で、サービスサーバーはファッションアイテム３Ｄスキャニングデータおよび身体３Ｄスキャニングデータに含まれたベクトル値を演算し、予想されるフィットに関する情報を含む特徴ベクトル値を抽出することができる。

【0111】

特徴ベクトル値の抽出には多様な技法が使われ得る。例えば、サービスサーバーは身体３Ｄスキャニングデータとファッションアイテム３Ｄスキャニングデータを重複させた時、肩線の位置、腰空間の余裕分、袖がどれくらい短かいか長いか、上衣が下衣をどれくらい覆うのか、足首の露出程度、着用後服にシワがどれくらいできるかなどにより、どのようなフィットが導き出されるかを判断することができる。

【0112】

特徴ベクトル値に対応する特徴ラベルは使用者の身体情報、ファッションアイテム情報とともに標本データとして生成され得る。特徴ラベルは特定のファッションアイテムが人間に与える感じであるフィットをテキストで表現したものであり得る。例えば、特徴ラベルにはオーバーフィットラベル、スリムフィットラベル、正装フィットラベル、ルーズフィットラベル、ジャストフィットラベル、基本フィットラベルなどが含まれ得る。

【0113】

Ｓ６０９段階で、サービスサーバーは生成された特徴ベクトル値に対応する特徴ラベルを該当ファッションアイテムにタグして、標本データを生成することができる。標本データはファッションアイテム情報、基本身体情報および身体特徴情報を含む身体情報、特徴ラベル情報を含むことができる。

【0114】

Ｓ６１１段階で、サービスサーバーは生成された標本データをサービスサーバーに保存することができる。サービスサーバーに保存された標本データは使用者が予想フィットデータを要請したり、必要に応じて予想フィットデータを提供する時に使われ得る。標本データは任意の時点または周期的に最新のフィットに関わるトレンドとより多様な身体特徴を反映するためにアップデートされ得る。

【0115】

図７は、オフライン売り場で具現される本発明の実施例を説明するためのフローチャートである。

【0116】

図７を参照すると、Ｓ７０１段階でサービスサーバーはオフライン売り場の鏡に設置されたカメラを通じて収集された使用者の身体情報を保存することができる。

【0117】

オフライン売り場で使用者がファッションアイテムを着用して鏡を見ると、鏡に設置されたカメラが使用者の着用ショットを撮影することができる。写真を撮影するタイミングは鏡を見るのと同時に、鏡を見た時点から一定の時間が経過した後、または鏡を見る間周期的に撮影され得る。ただし、これは例示に過ぎず、写真を撮影する時点は多様な方法で遂行され得る。

【0118】

収集された使用者身体情報はサービスサーバーに伝送され得る。Ｓ７０３段階で、サービスサーバーは使用者身体情報および標本データに基づいて予想フィットデータを生成することができる。予想フィットデータは、図４に対する説明で前述した通り、使用者身体情報とファッションアイテム情報が一致する標本データに含まれた特徴ラベル情報を予想フィットデータとして決定する過程によって生成され得る。

【0119】

Ｓ７０５段階で、サービスサーバーは使用者、オフライン売り場および／またはファッションアイテムのブランド会社に予想フィットデータを提供することができる。

【0120】

使用者に伝送された予想フィットデータは、使用者が実際類似するサイズまたは類似するスタイルの衣装を着た時、仮想フィッティングとして活用され得る。消費者は仮想フィッティングを通じて、数多くの服を直接着てみなければならない煩雑さを減らすことができ、ショッピングに所要する時間を減らし得る効果がある。

【0121】

また、オフライン売り場またはファッションアイテムのブランド会社に伝送された時には、該当オフライン売り場またはブランド会社の顧客情報として管理され得る。これを通じてオフライン売り場、ブランド会社は顧客オーダーメード型サービスを提供することができ、変化するトレンドの把握が容易であり、使用者のニーズをより正確に反映できる効果がある。

【0122】

本明細書と図面に掲示された本発明の実施例は、本発明の技術内容を容易に説明し本発明の理解を助けるために特定例を提示したものに過ぎず、本発明の範囲を限定しようとするものではない。ここに掲示された実施例の他にも発明の技術的思想に基づいた他の変形例が実施可能であることは本発明が属する技術分野で通常の知識を有する者に自明である。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【手続補正書】

【提出日】2022-07-07

【手続補正1】

【補正対象書類名】特許請求の範囲

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【特許請求の範囲】

【請求項1】

多様なサイズの同一のファッションアイテムが、人間の身体情報とマッチングされた標本データを生成する標本データ生成部；
前記標本データを保存する標本データ保存部；および
使用者デバイスからファッションアイテム情報と使用者身体情報を受信すると、前記保存された標本データを参照して予想フィットデータを生成し、前記生成された予想フィットデータを前記使用者デバイスに提供する予想フィットデータ提供部を含み、
前記使用者身体情報は基本身体情報と身体特徴情報を含み、
前記身体特徴情報は使用者の身体各部分の比率に関する情報と、前記使用者の皮膚の色に関する情報と、前記使用者の皮膚トーンに関する情報のうち一つ以上を含み、
前記予想フィットデータは前記使用者が前記ファッションアイテムを選ぶ時にサイズまたはフィットに対して参照できるデータであり、前記保存された標本データの中で前記ファッションアイテム情報および前記使用者身体情報に基づいて検索された標本データを含む、ファッション情報提供システム。

【請求項2】

前記標本データ生成部は、
多様な身長と体重を有するモデルが前記多様なサイズの同一のファッションアイテムを直接着用した姿を撮影したイメージから基本標本データを生成し、
多様な身体特徴を有するモデルが前記多様なサイズの同一のファッションアイテムを直接着用した姿を撮影したイメージからモデル標本データを生成する、請求項１に記載のファッション情報提供システム。

【請求項3】

前記標本データ生成部は、
多様な身長、体重、身体特徴を有するモデルの３Ｄイメージである身体３Ｄスキャニングデータを生成し、ファッションアイテムの３Ｄイメージであるファッションアイテム３Ｄスキャニングデータを生成し、前記身体３Ｄスキャニングデータおよび前記ファッションアイテム３Ｄスキャニングデータに基づいて前記標本データを生成する、請求項１に記載のファッション情報提供システム。

【請求項4】

前記標本データ生成部は、
イメージ編集プログラムを通じてデザインされたイメージを通じて、前記ファッションアイテム３Ｄスキャニングデータおよび前記身体３Ｄスキャニングデータを生成し、
前記ファッションアイテム３Ｄスキャニングデータおよび前記身体３Ｄスキャニングデータに基づいて前記標本データを生成する、請求項３に記載のファッション情報提供システム。

【請求項5】

前記標本データ生成部は、
学習されたニューラルネットワークモデルを通じてのマシンラーニングモデルを通じて前記標本データを生成し、
前記ニューラルネットワークモデルは、
深層ニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＤＮＮ）、コンボリューションニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＣＮＮ）、循環人工ニューラルネットワーク（Ｒｅｃｃｕｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＲＮＮ）、深層信頼ニューラルネットワーク（Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｗｏｒｋｓ、ＤＢＮ）のうち少なくともいずれか一つを利用する、請求項１に記載のファッション情報提供システム。

【請求項6】

前記標本データ保存部は、
多様な身体情報を反映し、時間の経過につれて生成または消滅するフィットに関する情報を反映するために周期的にアップデートされる、請求項１に記載のファッション情報提供システム。

【請求項7】

前記予想フィットデータ提供部は、
前記使用者の皮膚の色または前記使用者の皮膚トーンに似合うであろうと判断されるカラーと、前記検索された標本データに含まれた特徴ラベル情報を前記予想フィットデータとして前記使用者デバイスに提供し、
前記特徴ラベル情報は前記フィットをテキストで表現した情報であり、
前記フィットは前記使用者が前記ファッションアイテムを着用した時に導き出され得る人間の感じを表現した情報である、請求項１に記載のファッション情報提供システム。

【請求項8】

前記検索された標本データは、
前記使用者身体情報に含まれる身体情報を最も多くて含む一つの標本データであるか、前記使用者身体情報に含まれる少なくとも一つの身体情報を含む複数の標本データであり、
前記複数の標本データは前記使用者身体情報に含まれる身体情報が多い順で降順で整列される、請求項１に記載のファッション情報提供システム。

【請求項9】

標本データ生成部が多様なサイズの同一のファッションアイテムが、人間の身体情報によってマッチングされた標本データを生成する段階；
標本データ保存部が前記標本データを保存する段階；および
予想フィットデータ提供部が使用者デバイスからファッションアイテム情報と使用者身体情報を受信すると、前記保存された標本データを参照して予想フィットデータを生成し、前記生成された予想フィットデータを前記使用者デバイスに提供する段階を含み、
前記使用者身体情報は基本身体情報と身体特徴情報を含み、
前記身体特徴情報は使用者の身体各部分の比率に関する情報と、前記使用者の皮膚の色に関する情報と、前記使用者の皮膚トーンに関する情報のうち一つ以上を含み、
前記予想フィットデータは前記使用者が前記ファッションアイテムを選ぶ時、サイズまたはフィットに対して参照できるデータであり、前記保存された標本データの中で前記ファッションアイテム情報および前記使用者身体情報に基づいて検索された標本データを含む、ファッション情報提供方法。

【請求項10】

前記標本データを生成する段階は、
多様な身長と体重を有するモデルが前記多様なサイズの同一のファッションアイテムを直接着用した姿を撮影したイメージから基本標本データを生成する段階；および
多様な身体特徴を有するモデルが前記多様なサイズの同一のファッションアイテムを直接着用した姿を撮影したイメージからモデル標本データを生成する段階を含む、請求項９に記載のファッション情報提供方法。

【請求項11】

前記標本データを生成する段階は、
多様な身長、体重、身体特徴を有するモデルの３Ｄイメージである身体３Ｄスキャニングデータを生成する段階；
ファッションアイテムの３Ｄイメージであるファッションアイテム３Ｄスキャニングデータを生成する段階；および
前記身体３Ｄスキャニングデータおよび前記ファッションアイテム３Ｄスキャニングデータに基づいて前記標本データを生成する段階を含む、請求項９に記載のファッション情報提供方法。

【請求項12】

前記標本データを生成する段階は、
イメージ編集プログラムを通じてデザインされたイメージを通じて、前記ファッションアイテム３Ｄスキャニングデータおよび前記身体３Ｄスキャニングデータを生成する段階；および
前記ファッションアイテム３Ｄスキャニングデータおよび前記身体３Ｄスキャニングデータに基づいて前記標本データを生成する段階を含む、請求項１１に記載のファッション情報提供方法。

【請求項13】

前記標本データを生成する段階は、
学習されたニューラルネットワークモデルを通じてのマシンラーニングモデルを通じて前記標本データを生成し、
前記ニューラルネットワークモデルは、
深層ニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＤＮＮ）、コンボリューションニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＣＮＮ）、循環人工ニューラルネットワーク（Ｒｅｃｃｕｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＲＮＮ）、深層信頼ニューラルネットワーク（Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｗｏｒｋｓ、ＤＢＮ）のうち少なくともいずれか一つを利用する、請求項９に記載のファッション情報提供方法。

【請求項14】

前記標本データを保存する段階は、
多様な身体情報を反映し、時間の経過につれて生成または消滅するフィットに関する情報を反映するために周期的にアップデートされる、請求項９に記載のファッション情報提供方法。

【請求項15】

前記予想フィットデータを前記使用者デバイスに提供する段階は、
前記使用者の皮膚の色または前記使用者の皮膚トーンに似合うであろうと判断されるカラーと、前記検索された標本データに含まれた特徴ラベル情報を前記予想フィットデータとして前記使用者デバイスに提供する段階を含み、
前記特徴ラベル情報は前記フィットをテキストで表現した情報であり、
前記フィットは前記使用者が前記ファッションアイテムを着用した時に導き出され得る人間の感じを表現した情報である、請求項９に記載のファッション情報提供方法。

【請求項16】

前記検索された標本データは、
前記使用者身体情報に含まれる身体情報を最も多く含む一つの標本データであるか、前記使用者身体情報に含まれる少なくとも一つの身体情報を含む複数の標本データであり、
前記複数の標本データは前記使用者身体情報に含まれる身体情報が多い順で降順で整列される、請求項９に記載のファッション情報提供方法。

【手続補正2】

【補正対象書類名】明細書

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ファッションアイテムを着用した時に予想されるフィットを提供する方法に関する。具体的には、多様な身長、体重および身体特徴を有するモデルが特定のファッションアイテムを着用したり３Ｄスキャニングを通じて標本データを生成し、使用者身体情報に基づいて予想されるフィットを提供する、予想フィットデータ提供方法、装置およびコンピュータプログラムに関する。

【背景技術】

【0002】

最近増加した有線や無線のインターネット環境を背景にオンラインを利用した広報、売買などの商取引が活性化している。これに関連して購入者は、インターネットと連結されたデスクトップやモバイル端末で雑誌、ブログまたはＹｏｕＴｕｂｅ（登録商標）の動画などを検索していて気に入る商品が見つかると、商品名などを検索して購入に至ることになる。

【0003】

この時、使用者はオンラインショッピングモールにモデルが該当商品を着用している着用ショットに基づいて自身に似合うかどうかを判断することになる。例えば、モデルの身長、体重、皮膚の色、比率、腕が長い方であるか、太ももに比べて腰回りが大きい方であるか、太ももが細い方であるかなどを自身の身体特徴と比較し、該当商品が自身に似合うかどうかを判断することになる。

【0004】

しかし、オフライン売り場で商品を直接着てみるのと比較して、オンラインショッピングモールで抽象的に比較することだけでは、使用者本人に本当に似合う服であるかどうかを正確に判断し難い場合もある。人間の身体はそれぞれ身長、体重、身体特徴がすべて異なり、特に身長、体重のように数値で定量化できる要素だけでなく、特定商品を着用した時の人間の感じに対する「フィット」は数値で定量化することができず、同じ身長と体重を有する身体であってもフィットが異なり得るためである。

【0005】

その結果、商品を受領した消費者は自身が思ったフィットと異なる場合、該当商品を返品し、交換したり、衣装だんすに放置しておく可能性が高い。アパレルメーカーは消費者から否定的なコメント、評価を受けて、その結果、該当ブランドのブランドイメージが打撃を受けたり販売量の減少につながり得る。消費者もオフライン売り場で直接着てみて商品を購入したり一気に気に入る商品を購入した時と比較して、商品を返品し、交換することによる機会費用が発生する問題が発生し得る。

【0006】

このように、消費者と販売者ともにオンライン上の商品イメージに対してより直観的なＵＩ（Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）環境で予想されるフィットに対するデータの提供を受けることを望むニーズが存在する。

【発明の概要】

【発明が解決しようとする課題】

【0007】

本発明は前記のような問題を解決するためのもので、特定のファッションアイテムが同一のサイズであるにもかかわらず使用者ごとにフィットが異なり得るが、これに対する誤差を減らすために予想フィットデータを提供することを目的とする。

【0008】

ひいては、オフライン売り場に設置されたカメラを通じて使用者身体情報を収集し、これを通じて使用者オーダーメード型データとして予想フィットデータを提供することを目的とする。

【課題を解決するための手段】

【0009】

本発明はファッション情報提供方法、装置およびシステムに関する。具体的には、本発明の実施例に係るファッション情報提供システムは、多様なサイズの同一のファッションアイテムが、人間の身体情報とマッチングされた標本データを生成する標本データ生成部、前記標本データを保存する標本データ保存部および使用者デバイスからファッションアイテム情報と使用者身体情報を受信し、前記標本データ保存部に保存された前記標本データを参照して予想フィットデータを生成する予想フィットデータ提供部を含み、前記予想フィットデータは使用者が前記ファッションアイテムを選ぶ時、サイズまたはフィットに対して参照できるデータである。

【0010】

また、本発明の実施例に係るファッション情報提供方法は、多様なサイズの同一のファッションアイテムが、人間の身体情報とマッチングされた標本データを生成する段階、前記標本データを保存する段階および使用者デバイスからファッションアイテム情報と使用者身体情報を受信し、前記標本データ保存部に保存された前記標本データを参照して予想フィットデータを生成する段階を含み、前記予想フィットデータは使用者が前記ファッションアイテムを選ぶ時、サイズまたはフィットに対して参照できるデータである。

【発明の効果】

【0011】

本発明によると、特定のファッションアイテムが同一のサイズであるにもかかわらず使用者ごとにフィットが異なり得るが、これに対する誤差を減らし得る効果がある。

【0012】

ひいては、オフライン売り場に設置されたカメラを通じて使用者身体情報を収集し、これを通じて使用者オーダーメード型データとして予想フィットデータを提供できる効果がある。

【図面の簡単な説明】

【0013】

【図1】本発明の実施例に係るファッション情報提供システムを説明するための図面である。

【図2】本発明の実施例に係る基本標本データを説明するための図面である。

【図3】本発明の実施例に係るモデル標本データを説明するための図面である。

【図4】本発明の実施例に係るファッション情報提供システムの基本動作を説明するためのフローチャートである。

【図5】図４のＳ4０１段階の一実施例を詳細に説明するためのフローチャートである。

【図6】図４のＳ4０１段階の他の実施例を詳細に説明するためのフローチャートである。

【図7】オフライン売り場で具現される本発明の実施例を説明するためのフローチャートである。

【発明を実施するための形態】

【0014】

本明細書または出願に開示されている本発明の概念による実施例に対して特定の構造的乃至機能的説明は単に本発明の概念による実施例を説明するための目的で例示されたもので、本発明の概念による実施例は多様な形態で実施され得、本明細書または出願で説明された実施例に限定されるものと解釈されてはならない。

【0015】

本発明の概念による実施例は多様な変更を加えることができ、多様な形態を有することができるため、特定の実施例を図面に例示して本明細書または出願で詳細に説明しようとする。しかし、これは本発明の概念による実施例を特定の開示形態に対して限定しようとするものではなく、本発明の思想および技術範囲に含まれるすべての変更、均等物乃至代替物を含むものと理解されるべきである。

【0016】

第１および／または第２等の用語は多様な構成要素の説明に使われ得るが、前記構成要素は前記用語によって限定されてはならない。前記用語は一つの構成要素を他の構成要素から区別する目的でのみ、例えば本発明の概念による権利範囲から逸脱することなく第１構成要素は第２構成要素と命名され得、同様に第２構成要素は第１構成要素とも命名され得る。

【0017】

或る構成要素が他の構成要素に「連結されて」いるとか「接続されて」いると言及された時には、その他の構成要素に直接的に連結されていたりまたは接続されていてもよいが、中間に他の構成要素が存在してもよいと理解されるべきである。反面、或る構成要素が他の構成要素に「直接連結されて」いるとか「直接接続されて」いると言及された時には、中間に他の構成要素が存在しないものと理解されるべきである。構成要素間の関係を説明する他の表現、すなわち「～間に」と「すぐに～間に」または「～に隣り合う」と「～に直接隣り合う」等も同様に解釈されるべきである。

【0018】

本明細書で使った用語は単に特定の実施例を説明するために使われたもので、本発明を限定しようとする意図ではない。単数の表現は文脈上明白に異なって意味しない限り、複数の表現を含む。本明細書で、「含む」または「有する」等の用語は叙述された特徴、数字、段階、動作、構成要素、部分品またはこれらを組み合わせたものが存在することを指定しようとするものであり、一つまたはそれ以上の他の特徴や数字、段階、動作、構成要素、部分品またはこれらを組み合わせたものなどの存在または付加の可能性を予め排除しないものと理解されるべきである。

【0019】

異なって定義されない限り、技術的または科学的な用語を含んでここで使われるすべての用語は、本発明が属する技術分野で通常の知識を有する者によって一般的に理解されるものと同一の意味を有している。一般的に使われる辞書に定義されているような用語は関連技術の文脈上有する意味と一致する意味を有すると解釈されるべきであり、本明細書で明白に定義しない限り、理想的または過度に形式的な意味で解釈されない。

【0020】

実施例の説明において、本発明が属する技術分野で広く知られており、本発明と直接的に関連がない技術内容に対しては説明を省略する。これは不要な説明を省略することによって、本発明の要旨を曖昧にせずさらに明確に伝達するためである。

【0021】

以下、添付した図面を参照して本発明の好ましい実施例を説明することによって、本発明を詳細に説明する。以下、本発明の実施例を添付された図面を参照して詳細に説明する。

【0022】

図１は、本発明の実施例に係るファッション情報提供システムを説明するための図面である。

【0023】

図１を参照すると、ファッション情報提供システム５０は使用者デバイス１００およびサービスサーバー２００を含むことができる。使用者デバイス１００は携帯電話、スマートフォン、ＭＰ３プレーヤー、ラップトップコンピュータ、デスクトップコンピュータ、ゲーム機、ＴＶ、タブレットＰＣまたは車両用インフォテインメント（ｉｎ－ｖｅｈｉｃｌｅ ｉｎｆｏｔａｉｎｍｅｎｔ）システムなどを含むことができる。

【0024】

使用者は、使用者デバイス１００でオンラインショッピングモールで気に入るファッションアイテムを選んでサービスサーバー２００に伝送することができる。サービスサーバー２００は、使用者が選んだファッションアイテムがコーディネートされた予想フィットデータを使用者に提供し、使用者は該当ファッションアイテムの購入の有無を決定する時に予想フィットデータを参照することができる。

【0025】

予想フィットデータは、使用者がファッションアイテムを選ぶ時にサイズまたはフィットに対して参照できるデータであり得る。既存のオンラインショッピングモールは人間の多様な身体特徴が反映されず、単に身長と体重により概略的に合うと予想されるサイズのみを提供した。

【0026】

しかし、同じ身長と体重を有する使用者であっても細部的な身体特徴によって全くフィットが異なり得る。フィットは特定商品を着用した時の人間の感じを表現した情報であり得る。使用者それぞれが追求するスタイルによって望むフィットが異なり得る。したがって、単純に身長と体重によりサイズを推薦する既存の方法は自身に似合うファッションアイテムを探そうとする使用者のニーズを正確に反映できないこともあり得る。

【0027】

このために、サービスサーバー２００は使用者デバイス１００から使用者が選択したファッションアイテム情報と使用者身体情報を受信し、標本データを参照して予想フィットデータを生成し、使用者デバイス１００に提供することができる。

【0028】

図１を参照すると、サービスサーバー２００は標本データ生成部２１０、標本データ保存部２２０および予想フィットデータ提供部２３０を含むことができる。

【0029】

標本データ生成部２１０は多様なサイズの同一のファッションアイテムが人間の身体情報によってマッチングされた標本データを生成することができる。標本データは使用者の身長、体重および細部的な身体情報を含む使用者身体情報に応じて予想フィットデータを生成するのに使われ得る。

【0030】

一実施例において、標本データはモデルが同一のファッションアイテムのすべてのサイズを直接着用して生成され得る。この時、標本データは基本標本データとモデル標本データに区分され得る。

【0031】

説明の便宜のために身長と体重に関する情報は基本標本データに、その他の身体特徴に関する情報はモデル標本データに区分して説明するが、両者とも標本データに含まれるものであり、実施例によって区別されない概念であり得る。

【0032】

基本標本データは多様な身長と体重を有するモデルがすべてのサイズの同一のファッションアイテムを直接着用して生成された標本データであり得る。

【0033】

例えば、男性モデルの場合、１６０ｃｍから１９０ｃｍまでの分布で予め定めた差（例えば５ｃｍ）ごとに代表標本モデルを選定し、代表標本モデルはすべてのサイズの同一のファッションアイテムを直接着用することができる。ファッションアイテムを着用したモデルのイメージは写真で撮影されて基本標本データとして標本データ保存部２２０に保存され得る。

【0034】

実施例により、代表標本モデルは特定範囲の体重分布で選定されてもよい。例えば、男性モデルの場合、５０ｋｇから９０ｋｇまでの分布で予め定めた差（例えば５ｋｇ）ごとに代表標本モデルを選定し、各代表標本モデルがすべてのサイズの同一のファッションアイテムを直接着用することができる。

【0035】

実施例により、身長と体重がすべて反映された基本標本データが生成されてもよい。前記男性モデルの例において、１６０ｃｍのモデルを５０ｋｇ～９０ｋｇまで細分化して代表標本モデルとして選定し、１６５ｃｍのモデルを５０ｋｇ～９０ｋｇまで細分化して代表標本モデルとして選定し、１７０ｃｍのモデルを５０ｋｇ～９０ｋｇまで細分化して代表標本モデルとして選定するなど、同一の身長を有するモデルを体重によって細分化して代表標本モデルとして選定することができる。

【0036】

モデル標本データは、多様な身体特徴を有するモデルがすべてのサイズの同一のファッションアイテムを直接着用して生成されたデータであり得る。身体特徴には腕が長い方、太ももが細い方、太ももに比べて腰回りが大きい方、上体に比べて下体が長い方、肩が広い方、足首が細い方など、個人差が大きかったり、数値で表現し難かったり、または人間の主観的な感じに依存する情報が含まれ得る。

【0037】

同じ身長と体重を有するモデルであっても身体特徴によって全くフィットが異なり得る。例えば、ＡモデルとＢモデルが身長と体重が同一であるが、Ａモデルは上体に比べて下体が発達しＢモデルは下体に比べて上体が発達した場合があり得る。この時、Ａモデルは同じ身長と体重を有する人より下衣は相対的に大きいサイズの服を、上衣は相対的に小さいサイズの服が似合い得る。反面、Ｂモデルは同じ身長と体重を有する人より下衣は相対的に小さいサイズの服を、上衣は相対的に大きいサイズの服が似合い得る。

【0038】

モデル標本データはより正確な予想フィットデータを使用者に提供するために、多様な身体特徴を有するモデルの着用ショットを含むことができる。モデル標本データに反映された身体特徴が多いほど使用者はより正確な予想フィットデータを確認することができる。したがって、サービスサーバー２００は任意の時点ごとにまたは周期的にモデル標本データをアップデートして多様な身体特徴または最新トレンドが反映された予想フィットデータを提供することができる。

【0039】

他の実施例において、標本データは３Ｄスキャニングデータを通じて生成されてもよい。すなわち、モデルが直接ファッションアイテムを着用するのではなく、多様な身長、体重、身体特徴を有するモデルの身体３Ｄスキャニングデータとファッションアイテム３Ｄスキャニングデータから標本データが獲得され得る。

【0040】

３Ｄスキャニングデータとは、３Ｄステレオカメラ（３Ｄ Ｓｔｅｒｅｏ ｃａｍｅｒａ）、３Ｄ深度カメラ（３Ｄ Ｄｅｐｔｈ ｃａｍｅｒａ）など、既存の２Ｄではできなかったイメージの各ピクセルの深さ値を計算して物体の３Ｄイメージを撮影したデータであり得る。

【0041】

具体的には、標本データ生成部２１０は多様な身長、体重、身体特徴を有するモデルの身体の３Ｄイメージである身体３Ｄスキャニングデータを生成することができる。また、ファッションアイテムの３Ｄイメージであるファッションアイテム３Ｄスキャニングデータを生成することができる。

【0042】

その後、標本データ生成部２１０は身体３Ｄスキャニングデータとファッションアイテム３Ｄスキャニングデータに含まれたベクトル値を演算して予想されるフィットに関する情報を含む特徴ベクトル値を抽出することができる。

【0043】

特徴ベクトル値の抽出には多様な技法が使われ得る。例えば、標本データ生成部２１０は身体３Ｄスキャニングデータとファッションアイテム３Ｄスキャニングデータを重複させた時、肩線の位置、腰空間の余裕分、袖がどれくらい短かいか長いか、上衣が下衣をどれくらい覆うのか、足首の露出程度、着用後服にシワがどれくらいできるかなどにより、どのようなフィットが導き出されるかを判断することができる。

【0044】

特徴ベクトル値に対応する特徴ラベルは使用者の身体情報、ファッションアイテム情報とともに標本データとして生成され得る。特徴ラベルは特定のファッションアイテムが人間に与える感じであるフィットをテキストで表現したものであり得る。例えば、特徴ラベルにはオーバーフィットラベル、スリムフィットラベル、正装フィットラベル、ルーズフィットラベル、ジャストフィットラベル、基本フィットラベルなどが含まれ得る。

【0045】

本発明のさらに他の実施例によると、ファッションアイテム３Ｄデータおよび身体３Ｄデータはカメラを通じて実際に撮影されたイメージだけでなく、フォトショップ（登録商標）などのイメージ編集プログラムを通じてデザインされたイメージを含むことができる。

【0046】

すべての身体特徴、ファッションアイテムをカメラで撮影して編集することは非常に多くの時間と努力が必要とされ得る。イメージ編集プログラムを通じてファッションアイテム３Ｄスキャニングデータおよび身体３Ｄスキャニングデータを生成することによって、標本データのデータベースを短期間で効率的に構築できる効果がある。

【0047】

本発明の実施例によると、サービスサーバー２００は人間が感じ得るフィットに対する特徴ラベルを定義し、直接撮影した着用ショットおよび／または３Ｄスキャニングデータに基づいて標本データを生成することができる。前記特徴ラベル、着用ショット、３Ｄスキャニングデータから標本データを生成する過程をニューラルネットワークモデルに学習させたマシンラーニングモデルを生成することができる。

【0048】

マシンラーニングは人工知能の分野の一つであり、経験的データに基づいて学習し、予測を遂行し、自らの性能を向上させるシステムとこのためのアルゴリズムの集合と定義され得る。サービスサーバー２００が利用するモデルはこのようなマシンラーニングのモデルのうち、深層ニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＤＮＮ）、コンボリューションニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＣＮＮ）、循環人工ニューラルネットワーク（Ｒｅｃｃｕｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＲＮＮ）および深層信頼ニューラルネットワーク（Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｗｏｒｋｓ、ＤＢＮ）のうちいずれか一つを利用しものであり得る。

【0049】

本発明の他の実施例によると、サービスサーバー２００は標本データに対応するイメージの特性を学習して初期ニューラルネットワークモデルを形成し、ここに大量のファッションアイテムのイメージ、着用ショットまたは３Ｄスキャニングデータを適用してニューラルネットワークモデルをより精巧に拡張してもよい。

【0050】

一方、本発明のさらに他の実施例によると、サービスサーバー２００は標本データに対する別途の学習なしに特徴ラベルを複数のレイヤで形成された階層構造で形成されたニューラルネットワークモデルに適用することができる。

【0051】

ひいては、サービスサーバー２００はファッションアイテムイメージの特徴情報に該当レイヤの要請によって加重値を付与し、加工された特徴情報を利用してファッションアイテムイメージをクラスタリングし、クラスタリングされたイメージグループにオーバーフィットな感じ、ジャストフィットな感じ、スリムフィットな感じなどの事後的に解釈される特徴ラベル情報を付与することができる。

【0052】

標本データ保存部２２０は標本データ生成部２１０が生成した標本データを保存することができる。標本データ保存部２２０に保存された標本データは、使用者デバイス１００から使用者が選択したファッションアイテムに関する情報と使用者の身体情報が受信されると、標本データを予想フィットデータ提供部２３０に提供することができる。

【0053】

標本データ保存部２２０に保存された標本データはより多様な身体情報を反映し、時間の経過につれて生成または消滅するフィットに関する情報を反映するために周期的にアップデートされ得る。

【0054】

予想フィットデータ提供部２３０は使用者デバイス１００からファッションアイテム情報と使用者身体情報を受信し、標本データ保存部２２０に保存された標本データを参照して予想フィットデータを生成することができる。

【0055】

使用者身体情報は使用者本人の身長、体重および／または身体特徴に関する情報を含むことができる。予想フィットデータ提供部２３０は使用者身体情報が含まれた標本データを標本データ保存部２２０で検索し、検索された標本データを予想フィットデータとして使用者デバイス１００に提供することができる。

【0056】

一方、使用者身体情報には使用者の皮膚トーンに関する情報が含まれ得る。皮膚トーンはファッションアイテムを決定する重要な要素であり得る。同一のファッションアイテムであっても皮膚の色が相対的に白い人と浅黒い人がそれぞれ着用した時に与える感じは異なり得る。

【0057】

例えば、赤色、青色、黄色などの原色系統の色相は浅黒い皮膚トーンの人にはよく似合わないことがある。自身の皮膚トーンとよく似合う色相の服を着用するとさらに生き生きとして見え、元気に見える効果があり得る。

【0058】

したがって、サービスサーバー２００は使用者の皮膚トーンに関する情報を身体特徴として受信し、受信した使用者の皮膚トーンによく似合うであろうと判断されるカラーをマッチングし、予想フィットデータとして使用者に提供することができる。

【0059】

予想フィットデータ提供部２３０は身長と体重または皮膚トーンが使用者から受信した使用者身体情報と最も近接した標本データを使用者の身体情報として判断し、該当標本データを予想フィットデータとして使用者に提供することができる。また、予想フィットデータ提供部２３０は腕が長い方、太ももが細い方、太ももに比べて腰回りが大きい方など使用者の細部的な身体特徴を共通して含む標本データを予想フィットデータとして使用者に提供することができる。

【0060】

この時、共通する身体特徴が最も多い標本データを代表予想フィットデータとして使用者に提供してもよく、含まれる身体特徴が多い順で標本データを降順で整列して使用者に提供してもよく、少なくとも一つの身体特徴を含む標本データをすべて予想フィットデータとして使用者に提供してもよい。

【0061】

本発明の実施例によると、オンラインショッピングモールで使用者本人と類似するサイズのモデルが該当服を着た時にどのようなフィットが出てくるかを見計らうことができる。したがって、特定のファッションアイテムが同一のサイズであるにもかかわらず使用者ごとにフィットが異なり得るが、これに対する誤差を減らし得る効果がある。

【0062】

図２は、本発明の実施例に係る基本標本データを説明するための図面である。

【0063】

図２を参照すると、基本標本データはファッションアイテム情報、基本身体情報および特徴ラベル情報を含むことができる。基本標本データは多様な身長と体重を有するモデルがすべてのサイズの同一のファッションアイテムを直接着用して生成された標本データであり得る。

【0064】

使用者デバイス１００から使用者身体情報が受信されると、サービスサーバー２００は標本データを参照して予想フィットデータを生成することができる。この時、使用者身体情報のうち身長と体重に関する情報（基本身体情報）は基本標本データを参照することができる。

【0065】

使用者は特定のファッションアイテムを購入しようとする時、まず「使用者本人と同一または類似する身長と体重を有する身体」が、「使用者が選択したファッションアイテム」を着用した時、「導き出されるフィット」をサービスサーバー２００に要請することができる。基本標本データはこのような使用者の要請に応えるために、事前に「身長と体重に対する基本身体情報」、「ファッションアイテム情報」、「特徴ラベル情報」をマッチングして保存していてもよい。

【0066】

その後、使用者デバイス１００からファッションアイテム情報と使用者身体情報を受信すると、サービスサーバー２００は受信したファッションアイテム情報と使用者身体情報を含む基本標本データを検索し、検索された基本標本データに含まれた特徴ラベル情報を予想フィットデータとして使用者デバイス１００に提供することができる。

【0067】

図３は、本発明の実施例に係るモデル標本データを説明するための図面である。

【0068】

図３を参照すると、モデル標本データはファッションアイテム情報、身体特徴情報および特徴ラベル情報を含むことができる。モデル標本データは、多様な身体特徴を有するモデルがすべてのサイズの同一のファッションアイテムを直接着用して生成されたデータであり得る。身体特徴には腕が長い方、太ももが細い方、太ももに比べて腰回りが大きい方、上体に比べて下体が長い方、肩が広い方、足首が細い方など、個人差が大きかったり、数値で表現し難かったり、または人間の主観的な感じに依存する情報が含まれ得る。

【0069】

使用者デバイス１００から使用者身体情報が受信されると、サービスサーバー２００は標本データを参照して予想フィットデータを生成することができる。この時、使用者身体情報のうち前述した身体特徴に関する情報（身体特徴情報）はモデル標本データを参照することができる。

【0070】

使用者は特定のファッションアイテムを購入しようとする時、まず「使用者本人と同一または類似する身体特徴を有する身体」が、「使用者が選択したファッションアイテム」を着用した時、「導き出されるフィット」をサービスサーバー２００に要請することができる。モデル標本データはこのような使用者の要請に応えるために、事前に「身体特徴に対する身体特徴情報」、「ファッションアイテム情報」、「特徴ラベル情報」をマッチングして保存していてもよい。

【0071】

その後、使用者デバイス１００からファッションアイテム情報と使用者身体情報を受信すると、サービスサーバー２００は受信したファッションアイテム情報と使用者身体情報を含むモデル標本データを検索し、検索されたモデル標本データに含まれた特徴ラベル情報を予想フィットデータとして使用者デバイス１００に提供することができる。

【0072】

図４は、本発明の実施例に係るファッション情報提供システム５０の基本動作を説明するためのフローチャートである。

【0073】

図４を参照すると、サービスサーバー２００はＳ４０１段階で、多様なサイズの同一のファッションアイテムが人間の身体特徴によりマッチングされた標本データを生成し、標本データ保存部２２０に保存することができる。

【0074】

一実施例において、標本データはモデルが同一のファッションアイテムのすべてのサイズを直接着用して生成され得る。この時、標本データは基本標本データとモデル標本データに区分され得る。モデルが直接ファッションアイテムを着用して標本データを生成する過程については、後述される図５を通じて詳細に説明することにする。

【0075】

他の実施例において、標本データは３Ｄスキャニングデータを通じて生成され得る。すなわち、モデルが直接ファッションアイテムを着用するのではなく、多様な身長、体重、身体特徴を有するモデルの身体３Ｄスキャニングデータとファッションアイテム３Ｄスキャニングデータから標本データが獲得され得る。３Ｄスキャニングデータを通じて標本データを生成する過程については、後述される図６を通じて詳細に説明することにする。

【0076】

Ｓ４０３段階で、サービスサーバー２００は使用者が選択したファッションアイテムに関する情報を受信することができる。

【0077】

使用者はオンラインショッピングモール、インターネット雑誌、ウェブサイト、ブログなどでファッションアイテムを検索していて気に入るファッションアイテムを選択することができる。使用者が選択したファッションアイテムに関する情報はサービスサーバー２００に伝送され得る。サービスサーバー２００は使用者オーダーメード型予想フィットデータを提供するために、使用者デバイス１００に使用者身体情報を入力して下さいとの要請を伝送することができる。

【0078】

Ｓ４０５段階で、サービスサーバー２００は使用者から使用者本人の基本身体情報、身体特徴情報を含む使用者身体情報を受信することができる。

【0079】

基本身体情報は身長と体重に対する身体情報であり、身体特徴情報は身長と体重の他に腕が長い方、太ももが細い方、太ももに比べて腰回りが大きい方、上体に比べて下体が長い方、肩が広い方、足首が細い方など、個人差が大きかったり、数値で表現し難かったり、または人間の主観的な感じに依存する情報であり得る。

【0080】

一方、使用者身体情報には使用者の皮膚トーンに関する情報が含まれ得る。皮膚トーンはファッションアイテムを決定する重要な要素であり得る。同一のファッションアイテムであっても皮膚の色が相対的に白い人と浅黒い人がそれぞれ着用した時に与える感じは異なり得る。

【0081】

例えば、赤色、青色、黄色などの原色系統の色相は浅黒い皮膚トーンの人にはよく似合わないことがある。自身の皮膚トーンとよく似合う色相の服を着用するとさらに生き生きとして見え、元気に見える効果があり得る。

【0082】

したがって、サービスサーバー２００は使用者の皮膚トーンに関する情報を身体特徴として受信し、受信した使用者の皮膚トーンによく似合うであろうと判断されるカラーをマッチングし、予想フィットデータとして使用者に提供することができる。

【0083】

Ｓ４０７段階で、サービスサーバー２００は標本データと使用者身体情報に基づいて、使用者が服を選ぶ時にサイズまたはフィットに対して参照できるデータである予想フィットデータを生成することができる。

【0084】

予想フィットデータには使用者が自身に似合うかどうかに対するファッションアイテムに関する情報、身長、体重および身体特徴を含む使用者身体情報、該当使用者がファッションアイテムを着用した時に導き出され得るフィットに関する特徴ラベル情報が含まれ得る。

【0085】

サービスサーバー２００は使用者デバイス１００から使用者本人の使用者身体情報と使用者が選択したファッションアイテムに関する情報を受信し、両方を共に含む標本データを検索することができる。検索された標本データに含まれた特徴ラベル情報は予想フィットデータとして使用者に提供され得る。

【0086】

すべての使用者の使用者身体情報が保存されていることは現実的に不可能であり得る。したがって、正確に一致する身体特徴が保存されていない場合、サービスサーバー２００は身長、体重のように数値化された身体情報は最も近似する値を有する身体情報を検索することができる。

【0087】

腕が長い方、太ももが細い方、太ももに比べて腰回りが大きい方のように数値化され得ない身体特徴は、該当身体特徴が特徴ラベル情報として予め定義されている場合にはサービスサーバー２００で検索され得るが、そうでない場合、サービスサーバー２００をアップデートして新しく特徴ラベル情報に追加することができる。

【0088】

Ｓ４０９段階で、サービスサーバー２００は使用者に予想フィットデータを提供することができる。予想フィットデータは、ファッションアイテム情報と使用者身体情報が一致する時の標本データに含まれた特徴ラベル情報であり得る。

【0089】

本発明の実施例に係る予想フィットデータは、身長、体重だけでなく人間の多様な身体特徴を反映した予想フィットデータを提供することができる。したがって、ファッションアイテムが同一のサイズであるにもかかわらず使用者ごとにフィットが異なり得るが、これに対する誤差を減らし得る効果がある。

【0090】

図５は、図４のＳ4０１段階の一実施例を詳細に説明するためのフローチャートである。

【0091】

図５は、モデルが直接ファッションアイテムを着用して標本データを生成する実施例を説明するためのフローチャートである。以下説明の便宜のために身長と体重に関する情報は基本標本データに、その他の身体特徴に関する情報はモデル標本データに区分して説明したが、両者はいずれも標本データに含まれるものであり、実施例により区別されない概念であり得る。

【0092】

Ｓ５０１段階で、サービスサーバー２００は多様な身長と体重を有するモデルがすべてのサイズの同一のファッションアイテムを直接着用して基本標本データを生成することができる。

【0093】

例えば、男性モデルの場合、１６０ｃｍから１９０ｃｍまでの分布で予め定めた差（例えば５ｃｍ）ごとに代表標本モデルを選定し、代表標本モデルはすべてのサイズの同一のファッションアイテムを直接着用することができる。ファッションアイテムを着用したモデルのイメージは写真で撮影されて基本標本データとしてサービスサーバー２００に保存され得る。

【0094】

実施例により、代表標本モデルは特定範囲の体重分布で選定されてもよい。例えば、男性モデルの場合、５０ｋｇから９０ｋｇまでの分布で予め定めた差（例えば５ｋｇ）ごとに代表標本モデルを選定し、各代表標本モデルがすべてのサイズの同一のファッションアイテムを直接着用することができる。

【0095】

実施例により、身長と体重がすべて反映された基本標本データが生成されてもよい。前記男性モデルの例において、１６０ｃｍのモデルを５０ｋｇ～９０ｋｇまで細分化して代表標本モデルとして選定し、１６５ｃｍのモデルを５０ｋｇ～９０ｋｇまで細分化して代表標本モデルとして選定し、１７０ｃｍのモデルを５０ｋｇ～９０ｋｇまで細分化して代表標本モデルとして選定するなど、同一の身長を有するモデルを体重によって細分化して代表標本モデルとして選定することができる。

【0096】

Ｓ５０３段階で、サービスサーバー２００は多様な身体特徴を有するモデルがすべてのサイズの同一のファッションアイテムを直接着用してモデル標本データを生成することができる。

【0097】

同じ身長と体重を有するモデルであっても身体特徴によって全くフィットが異なり得る。例えば、ＡモデルとＢモデルが身長と体重が同一であるが、Ａモデルは上体に比べて下体が発達しＢモデルは下体に比べて上体が発達した場合があり得る。この時、Ａモデルは同じ身長と体重を有する人より下衣は相対的に大きいサイズの服を、上衣は相対的に小さいサイズの服が似合い得る。反面、Ｂモデルは同じ身長と体重を有する人より下衣は相対的に小さいサイズの服を、上衣は相対的に大きいサイズの服が似合い得る。

【0098】

モデル標本データはより正確な予想フィットデータを使用者に提供するために、多様な身体特徴を有するモデルの着用ショットを含むことができる。モデル標本データに反映された身体特徴が多いほど使用者はより正確な予想フィットデータを確認することができる。したがって、サービスサーバー２００は周期的にモデル標本データをアップデートして多様な身体特徴または最新トレンドが反映された予想フィットデータを提供することができる。

【0099】

Ｓ５０５段階で、サービスサーバー２００は生成された基本標本データおよびモデル標本データを標本データとしてサービスサーバー２００に保存することができる。

【0100】

図６は、図４のＳ4０１段階の他の実施例を詳細に説明するためのフローチャートである。

【0101】

図６は、標本データが３Ｄスキャニングデータを通じて生成される過程を説明するためのフローチャートである。すなわち、モデルが直接ファッションアイテムを着用したデータではなく、多様な身長、体重、身体特徴を有するモデルの身体３Ｄスキャニングデータとファッションアイテム３Ｄスキャニングデータから標本データが獲得され得る。

【0102】

具体的には、Ｓ６０１段階で、サービスサーバー２００は事前に特定のファッションアイテムが人間に与える感じであるフィットに関する特徴ラベルを定義することができる。特定ラベルにはオーバーフィットラベル、スリムフィットラベル、正装フィットラベル、ルーズフィットラベル、ジャストフィットラベル、基本フィットラベルなどが含まれ得る。

【0103】

Ｓ６０３段階で、サービスサーバー２００はファッションアイテムの３Ｄスキャニングデータを生成することができる。３Ｄスキャニングデータとは、３Ｄステレオカメラ（３Ｄ Ｓｔｅｒｅｏ ｃａｍｅｒａ）、３Ｄ深度カメラ（３Ｄ Ｄｅｐｔｈ ｃａｍｅｒａ）など、既存の２Ｄではできなかったイメージの各ピクセルの深さ値を計算して物体の３Ｄイメージを撮影したデータであり得る。

【0104】

具体的には、サービスサーバー２００はファッションアイテムを多様な角度で撮影し、総丈、肩幅、胸の断面、袖の長さ、腰周り、太ももの断面、裾幅の断面、股上などファッションアイテムのサイズを立体的に確認できるファッションアイテム３Ｄスキャニング情報を生成することができる。

【0105】

Ｓ６０５段階で、サービスサーバー２００は多様な身長、体重、身体特徴を有するモデルの身体の３Ｄイメージである身体３Ｄスキャニングデータを生成することができる。

【0106】

撮影された３Ｄスキャニングデータは、標本データ生成時に必要な時ごとに繰り返し使われ得るため、特定身体情報の身体３Ｄスキャニングデータは初期にただ一度だけ撮影されれば充分であり得る。

【0107】

初期標本データのデータベース生成時にすべての身体情報を反映することは現実的に困難であり得る。したがって、以後任意の時間ごとにまたは周期的に新しい３Ｄスキャニングデータを生成して標本データをアップデートすることができる。

【0108】

また、図面に図示されてはいないが、ファッションアイテム３Ｄデータおよび身体３Ｄデータはカメラを通じて実際に撮影されたイメージだけでなく、フォトショップ（登録商標）などのイメージ編集プログラムを通じてデザインされたイメージを含むことができる。

【0109】

すべての身体特徴、ファッションアイテムをカメラで撮影して編集することは非常に多くの時間と努力が必要とされ得る。イメージ編集プログラムを通じてファッションアイテム３Ｄスキャニングデータおよび身体３Ｄスキャニングデータを生成することによって、標本データのデータベースを短期間で効率的に構築できる効果がある。

【0110】

Ｓ６０７段階で、サービスサーバー２００はファッションアイテム３Ｄスキャニングデータおよび身体３Ｄスキャニングデータに含まれたベクトル値を演算し、予想されるフィットに関する情報を含む特徴ベクトル値を抽出することができる。

【0111】

特徴ベクトル値の抽出には多様な技法が使われ得る。例えば、サービスサーバー２００は身体３Ｄスキャニングデータとファッションアイテム３Ｄスキャニングデータを重複させた時、肩線の位置、腰空間の余裕分、袖がどれくらい短かいか長いか、上衣が下衣をどれくらい覆うのか、足首の露出程度、着用後服にシワがどれくらいできるかなどにより、どのようなフィットが導き出されるかを判断することができる。

【0112】

特徴ベクトル値に対応する特徴ラベルは使用者の身体情報、ファッションアイテム情報とともに標本データとして生成され得る。特徴ラベルは特定のファッションアイテムが人間に与える感じであるフィットをテキストで表現したものであり得る。例えば、特徴ラベルにはオーバーフィットラベル、スリムフィットラベル、正装フィットラベル、ルーズフィットラベル、ジャストフィットラベル、基本フィットラベルなどが含まれ得る。

【0113】

Ｓ６０９段階で、サービスサーバー２００は生成された特徴ベクトル値に対応する特徴ラベルを該当ファッションアイテムにタグして、標本データを生成することができる。標本データはファッションアイテム情報、基本身体情報および身体特徴情報を含む身体情報、特徴ラベル情報を含むことができる。

【0114】

Ｓ６１１段階で、サービスサーバー２００は生成された標本データをサービスサーバー２００に保存することができる。サービスサーバー２００に保存された標本データは使用者が予想フィットデータを要請したり、必要に応じて予想フィットデータを提供する時に使われ得る。標本データは任意の時点または周期的に最新のフィットに関わるトレンドとより多様な身体特徴を反映するためにアップデートされ得る。

【0115】

図７は、オフライン売り場で具現される本発明の実施例を説明するためのフローチャートである。

【0116】

図７を参照すると、Ｓ７０１段階でサービスサーバー２００はオフライン売り場の鏡に設置されたカメラを通じて収集された使用者の身体情報を保存することができる。

【0117】

オフライン売り場で使用者がファッションアイテムを着用して鏡を見ると、鏡に設置されたカメラが使用者の着用ショットを撮影することができる。写真を撮影するタイミングは鏡を見るのと同時に、鏡を見た時点から一定の時間が経過した後、または鏡を見る間周期的に撮影され得る。ただし、これは例示に過ぎず、写真を撮影する時点は多様な方法で遂行され得る。

【0118】

収集された使用者身体情報はサービスサーバー２００に伝送され得る。Ｓ７０３段階で、サービスサーバー２００は使用者身体情報および標本データに基づいて予想フィットデータを生成することができる。予想フィットデータは、図４に対する説明で前述した通り、使用者身体情報とファッションアイテム情報が一致する標本データに含まれた特徴ラベル情報を予想フィットデータとして決定する過程によって生成され得る。

【0119】

Ｓ７０５段階で、サービスサーバー２００は使用者、オフライン売り場および／またはファッションアイテムのブランド会社に予想フィットデータを提供することができる。

【0120】

使用者に伝送された予想フィットデータは、使用者が実際類似するサイズまたは類似するスタイルの衣装を着た時、仮想フィッティングとして活用され得る。消費者は仮想フィッティングを通じて、数多くの服を直接着てみなければならない煩雑さを減らすことができ、ショッピングに所要する時間を減らし得る効果がある。

【0121】

また、オフライン売り場またはファッションアイテムのブランド会社に伝送された時には、該当オフライン売り場またはブランド会社の顧客情報として管理され得る。これを通じてオフライン売り場、ブランド会社は顧客オーダーメード型サービスを提供することができ、変化するトレンドの把握が容易であり、使用者のニーズをより正確に反映できる効果がある。

【0122】

本明細書と図面に掲示された本発明の実施例は、本発明の技術内容を容易に説明し本発明の理解を助けるために特定例を提示したものに過ぎず、本発明の範囲を限定しようとするものではない。ここに掲示された実施例の他にも発明の技術的思想に基づいた他の変形例が実施可能であることは本発明が属する技術分野で通常の知識を有する者に自明である。

【国際調査報告】