선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구는 패션 아이템 이미지의 색채와 소재에 대한 속성 체계를 제안함을 목적으로 하였다. 수집된 패션 아이템의 자유 서술된 메타데이터를 분석하여 색채와 소재의 속성 체계를 구성하고 이 체계를 실제 데이터 레이블(label)에 적용하여 체계의 실제적인 유용성을 확인하고 문제점을 보완하여 최종 체계를 제안하였다.
- Park and Choi(2019)는 패션 아이템의 형태 속성에 대한 분류 체계를 제안하였다. 본연구는 형태 분류 체계의 후속연구로 표면 특성인 색채와 소재 특성을 체계화하고자 한다. 형태는 누구나 동일하게 느끼고 판단하는 항상성이 있어 표준화가 비교적 용이하나 색채와 소재 특성으로 드러나는 표면 특성은 표준화하기 까다로운 정성적인 영향력이 큰 디자인 요소이다(Arnheim, 2004).
- 그러므로 정확하고 다양한 주석을 보유한 이미지 데이터 셋은 패션 AI 연구와 AI 기반의 패션 비즈니스를 위해 필수적인 조건이며 이는 체계적 속성 분류 체계를 바탕으로 가능해진다. 이에 본 연구는 기존에 제시된 패션 아이템의 형태 속성 분류 체계의 후속작업으로 패션 아이템 이미지의 색채와 소재의 속성 분류 체계를 제안하였다.
- 수집된 패션 아이템은 동일기간에 패션 디자인 전공 학부학생 15명이 색채, 소재 특성을 각각 자유롭게 기술하였다. 패션 아이템의 여러 가지 속성 중 소비자가 어떤 속성을 인식하는지 확인하기 위하여 속성을 자유롭게 기술하도록 하였다.
제안 방법
- Park and Choi(2019)에 의해 제안된 패션 아이템의 형태 속성 분류 체계는 각각의 의류 카테고리에 속성 체계를 동일하게 적용시킬 수 있으며, 항목 아래 두 단계의 계층 구조로 실제로는 3단계의 속성 체계 효과를 갖는다. 각 의류의 특성을 표현하기 위한 항목은 소비자가 패션 아이템에 대해 기술한 메타데이터와 패션 전문가의 지식을 결합하여 구성되어 전문성을 충족하였으며, 항목 아래 속성은 General-level과 Specific-level의 두 단계로 구성되었다. G-level(General-level)은 속성의 공통점을 기준으로 그루핑된 것으로 좀 더 보편적이며 S-level(Specific-level)보다 넓은 상위 범주의 분류인 반면, 하위범주인 S-level은 속성을 좀 더 구체적이고 세부적으로 분류한 것으로 정교한 이미지 인식 기술을 요구하는 단계이며 트렌드의 변화나 기타 다른 이유로 인해 세부 속성 차원에 추가 속성이 생길 경우, S-level 수준에 속성 추가가 가능하도록 하여 유연성을 충족하였다.
- 구성된 분류 체계의 유용성을 확인하기 위하여 2018년 11월부터 2019년 8월까지 패션 아이템 이미지 1,600개를 추가로 수집하고 앞에서 구성한 분류체계에 따라 3명의 주석자가 속성을 기술한 후, 기술된 메타데이터의 일관성을 중심으로 2인의 패션 전문가가 분석하였다. 먼저, 동일한 패션 아이템 이미지의 색채와 소재 속성에 대해 작성자 간 차이가 나타나는지를 확인하였는데, 색채 속성은 작성자에 따른 차이가 나타났으며, 소재 속성은 대체로 일관된 내용으로 기술되었다.
- 소비자가 패션 아이템 이미지의 색채와 소재에 대해 자유 기술한 메타데이터를 수집하고 파이썬 프로그램으로 메타데이터의 단어를 추출한 뒤, 빈도분석을 통해 색채와 소재의 속성 기술을 위한 주요 항목(dimension)을 도출하였다. 도출된 주요 항목을 바탕으로 분류 체계를 구성하고 각 항목별 세부 속성의 위계관계를 구성하여 패션 아이템 색채와 소재의 속성 분류 체계를 제안하였다. 마지막으로 분류 체계의 일관된 적용을 위하여 속성 기술의 주요 기준을 설정하였다.
- 둘째, 파이썬을 이용하여 자유 기술된 메타데이터에서 어휘를 추출하였다. 추출된 어휘 중 속성과 관련이 없는 접속사, 조사, 숫자 등을 제거하여 색채 속성 관련텍스트 15,367개, 소재 속성 관련텍스트 28,275개를 분석에 사용하였다.
- 배색의 방법은 크게 공통적 속성을 강조하는 유사조화방법과 대비되는 속성을 강조하는 대비조화방법으로 나뉘며, 배색에 따라 디자인 효과에 큰 차이가 있다(Rhee, 2003). 따라서 G-level의 배색 속성은 유사배색과 대비배색의 두 가지로 분류하고, 더 구체적으로 색이 배열되는 방법을 포인트 배색, 칼라 블러킹 배색, 블랜딩 배색, 그라데이션 배색의 4가지로 분류하여 유사배색과 대비배색의 아래 S-level에 각각 배치하였다. 일부분에 배색이 있는 경우는 포인트 배색, 넓은 면적이 색채로 구분되는 경우는 칼라 블러킹 배색, 여러 가지 색채가 면적 구분이 뚜렷하게 구분되지 않고 혼합되어 있는 경우는 블랜딩 배색, 여러 가지 색채가 점진적인 변화를 보이는 경우는 그라데이션 배색으로 정의하였다.
- 이들을 명도와 채도 단계를 기반으로 상, 하, 좌, 우의네 그룹으로 묶으면 공통적인 색채 성격으로 구분될 수 있다. 따라서 톤 항목은 성격에 따라 연하고 흰 Light tone 그룹, 선명하고 밝은 Bright tone 그룹, 흐리고 탁한 Dull tone 그룹, 어둡고 딱딱한 Dark tone 그룹으로 나누어 G-level을 구성하고 각 그룹 아래 12개의 구체적인 톤을 배치하였다. 형광색은 모든 색에서 형광 톤으로 표현할 수 있으므로 Light tone 그룹에 형광 톤을 추가하였다.
- 도출된 주요 항목을 바탕으로 분류 체계를 구성하고 각 항목별 세부 속성의 위계관계를 구성하여 패션 아이템 색채와 소재의 속성 분류 체계를 제안하였다. 마지막으로 분류 체계의 일관된 적용을 위하여 속성 기술의 주요 기준을 설정하였다.
- 먼저 색채 속성 체계는 컬러 위치, 색상, 톤, 배색의 4가지 항목으로 구성하였다. 메타데이터에서 추출된 항목 중 무늬는 색채와 소재 메타데이터 모두에서 기술되었으나 무늬의 생성이 주로 원단의 직조나, 편직 또는 프린트를 통해 형성된다는 점을 감안하여 무늬를 소재 속성 체계 항목으로 구성하였다.
- 단색이 아닌 프린트나 선염 직물 또는 부분적으로 색이 다른 원단을 함께 사용한 의복은 배색의 방법을 선택해야한다. 먼저 유사배색인지 대비배색인지를 판단하고 색채가 배열된 방법을 선택한다. 속성 기술에서 차이가 드러난 부분은 첫째, 유사와 대비의 기준이었고, 두 번째는 색채의 배열 방법인 S-level의 포인트, 블랜딩, 칼라 블러킹의 구분이었다.
- 먼저 색채 속성 체계는 컬러 위치, 색상, 톤, 배색의 4가지 항목으로 구성하였다. 메타데이터에서 추출된 항목 중 무늬는 색채와 소재 메타데이터 모두에서 기술되었으나 무늬의 생성이 주로 원단의 직조나, 편직 또는 프린트를 통해 형성된다는 점을 감안하여 무늬를 소재 속성 체계 항목으로 구성하였다. 무늬의 종류나 특성은 소재 속성 체계에서 기술하며, 무늬에 의한 배색 관계는 색채에서 기술한다.
- 소재의 이미지는 원료가 되는 섬유의 종류, 실의 특성, 조직, 염색 및 최종 가공에 이르기까지 여러 단계를 거치면서 형성되므로 소재 속성 체계는 각 단계가 모두 포함되도록 소재의 위치, 재질, 무늬, 구조, 시각적 질감의 5개 항목으로 구성하였다. 무늬는 소재의 표면에서 선염 혹은 프린트로 구현되므로 소재의 항목으로 구성하였으며, 직물의 물성뿐 아니라 염색 및 최종 가공에 이르기까지 여러 단계를 거쳐 형성되는 촉각 및 시각적 촉감은 주로 정서적 반응에 영향을 주는 항목으로 시각적 질감으로 명명하고 속성 체계를 구성하였다.
- 무늬는 직조나 프린트에 따라 수없이 많은 변형이 생성되므로 [Table 2]의 무늬 속성 그룹과 무늬 관련 선행연구(Kim & Pak, 2010; Kim, 2015; Kwon & Kim, 2012)를 참고하여 무늬의 성격에 따라 줄무늬, 체크무늬, 자연 무늬, 에스닉 무늬, 사물 무늬, 기하학 무늬, 추상 무늬, 글자 무늬로 크게 분류하고 편직에 의해 생성되는 니트류의 무늬 종류를 추가하여 G-level을 구성하였다.
- 본 연구에서 제시된 분류 체계는 소비자의 메타데이터와 패션 전문 지식을 결합하여 기존에 사용되고 있는 패션 속성을 기준에 따라 그룹화하고 단계를 분류하여 위계적인 속성 체계로 구성되었다. 이는 기계학습이나 딥러닝의 특성인 순차적이고 단계적 학습의 필요성이 고려된 것이며 분류 체계 범주 구분의 특성인 명확성, 영속성, 배타성, 일관성, 포괄성, 유연성 등을 충족한다.
- 앞 절에서 의복의 색채 특성을 체계화하기 위한 첫 번째 단계로 메타데이터에서 빈도가 높게 언급된 단어를 추출하여 색채 특성 표현을 위해 주요하게 여겨지는 항목을 도출하였다. 색채 메타데이터로부터 얻은 주요 항목은 색상, 톤, 배색, 무늬, 위치이며 각 항목 아래 배치될 속성값을 Park and Choi(2019)의 속성 체계에서 제시된 두 단계의 속성 단계로 위계화하기 위해서 먼저 색채 메타데이터에 기술된 모든 속성을 색상, 톤, 배색, 무늬, 위치의 항목으로 나누어[Table 2]와 같이 정리하였다. 의복은 복잡하고 다양한 속성을 가진 상품으로 항목 아래 포함되는 속성값들은 출현 빈도의 높고 낮음에 따라 선별하는 것보다는 다양한 속성값들을 최대한 풍부하게 포함하여 속성을 명확하게 표현하는 것이 더욱 중요하다.
- 속성 분류 체계 구성을 위해 소비자가 기술한 패션 아이템 이미지에 대한 메타데이터를 분석하여 의류의 색채와 소재의 속성을 설명하기 위한 필수 항목들을 선정하고 메타데이터와 선행연구를 바탕으로 항목별 속성값을 구성하였다. 색채 속성 체계는 컬러 위치, 색상, 톤, 배색의 4가지 항목으로 구성하였으며, 각 항목별로 색채가 암시하는 감성적 차이가 충분히 구별될 수 있도록 G-level을 구성하였다. 색채의 배색은 무늬와 패턴 등으로 인해 매우 복잡하고 다양한 경우의 수가 존재하므로 컬러 배색의 속성 표현을 위해 효율적이고 체계적인 단순화가 필요한 항목이므로 G-level은 분위기를 좌우하는 유사와 대비의 속성을 구분하고 S-level에서 색채 배열 방법을 구분하여 의복의 배색뿐 아니라 다양하고 복잡한 무늬의 색까지 효율적이고 구체적으로 표현할 수 있도록 하였다.
- 색채 속성 체계는 컬러 위치, 색상, 톤, 배색의 4가지 항목으로 구성하였으며, 각 항목별로 색채가 암시하는 감성적 차이가 충분히 구별될 수 있도록 G-level을 구성하였다. 색채의 배색은 무늬와 패턴 등으로 인해 매우 복잡하고 다양한 경우의 수가 존재하므로 컬러 배색의 속성 표현을 위해 효율적이고 체계적인 단순화가 필요한 항목이므로 G-level은 분위기를 좌우하는 유사와 대비의 속성을 구분하고 S-level에서 색채 배열 방법을 구분하여 의복의 배색뿐 아니라 다양하고 복잡한 무늬의 색까지 효율적이고 구체적으로 표현할 수 있도록 하였다.
- 셋째, 수집된 패션 아이템 이미지는 패션 디자인이 표현 가능한 모든 속성을 포함하고 있지 않으므로, 색채와 소재에 관련된 패션 전문서적 및 연구를 참고하여 색채와 소재의 속성 분류 체계를 두 단계로(G-level, S-level) 구성하여 패션 디자인에서 나올 수 있는 최대 속성을 포함하도록 체계화하였다. G-level은 상위 범주, S-level은 하위 범주로 S-level은 유행에 따라 추가되는 구체적인 디테일을 추가할 수 있다.
- 소재의 이미지는 원료가 되는 섬유의 종류, 실의 특성, 조직, 염색 및 최종 가공에 이르기까지 여러 단계를 거치면서 형성되므로 소재 속성 체계는 각 단계가 모두 포함되도록 소재의 위치, 재질, 무늬, 구조, 시각적 질감의 5개 항목으로 구성하였다. 무늬는 소재의 표면에서 선염 혹은 프린트로 구현되므로 소재의 항목으로 구성하였으며, 직물의 물성뿐 아니라 염색 및 최종 가공에 이르기까지 여러 단계를 거쳐 형성되는 촉각 및 시각적 촉감은 주로 정서적 반응에 영향을 주는 항목으로 시각적 질감으로 명명하고 속성 체계를 구성하였다.
- 속성 분류 체계 구성을 위해 소비자가 기술한 패션 아이템 이미지에 대한 메타데이터를 분석하여 의류의 색채와 소재의 속성을 설명하기 위한 필수 항목들을 선정하고 메타데이터와 선행연구를 바탕으로 항목별 속성값을 구성하였다. 색채 속성 체계는 컬러 위치, 색상, 톤, 배색의 4가지 항목으로 구성하였으며, 각 항목별로 색채가 암시하는 감성적 차이가 충분히 구별될 수 있도록 G-level을 구성하였다.
- 본 연구는 패션 아이템 이미지의 색채와 소재에 대한 속성 체계를 제안함을 목적으로 하였다. 수집된 패션 아이템의 자유 서술된 메타데이터를 분석하여 색채와 소재의 속성 체계를 구성하고 이 체계를 실제 데이터 레이블(label)에 적용하여 체계의 실제적인 유용성을 확인하고 문제점을 보완하여 최종 체계를 제안하였다. 구체적인 방법은 다음과 같다.
- 앞 절에서 의복의 색채 특성을 체계화하기 위한 첫 번째 단계로 메타데이터에서 빈도가 높게 언급된 단어를 추출하여 색채 특성 표현을 위해 주요하게 여겨지는 항목을 도출하였다. 색채 메타데이터로부터 얻은 주요 항목은 색상, 톤, 배색, 무늬, 위치이며 각 항목 아래 배치될 속성값을 Park and Choi(2019)의 속성 체계에서 제시된 두 단계의 속성 단계로 위계화하기 위해서 먼저 색채 메타데이터에 기술된 모든 속성을 색상, 톤, 배색, 무늬, 위치의 항목으로 나누어[Table 2]와 같이 정리하였다.
- 이렇게 유사성과 공통점에 따라 묶여진 그룹이 G-level을 이루고 개별 속성값들은 관련된 G-level의 각 그룹 아래 배치되며 이들이 S-level이 된다. 연구에 사용된 메타데이터는 20~30대 여성 대상의 온라인 쇼핑몰에서 선택된 의복들에 대해 기술된 내용임으로 각 항목 아래 속성값 중에는 의복의 색채 표현에서 기본적이고 필수적인 내용임에도 포함되지 않은 것이 있을 수 있으므로 패션 전문가 3인이 감수하여 빠지거나 부족한 내용을 보완하여 의복의 색채 속성 체계를 [Fig. 1]과 같이 구성하였다.
- 상위 10위까지의 빈도분석 결과를 [Table 1]에 정리하였다. 의복은 다양하고 복잡한 특성을 가진 상품으로 색채와 소재에 대해 기술한 메타 데이터도 다양한 속성이 모두 기술되었기 때문에 1% 미만의 빈도를 보이는 단어가 대부분이었으므로 1% 이상의 빈도를 보이는 단어들 중 상위 10위까지의 속성을 중심으로 색채와 소재의 주요 속성을 파악하였다.
- 메타데이터에 나타난 속성값들을 항목별로 배열하면 [Table 2]와 같다. 이들을 두 단계의 계층 구조를 만들기 위해 속성값들 간의 유사성과 공통점에 따라 그룹화하였다. 이렇게 유사성과 공통점에 따라 묶여진 그룹이 G-level을 이루고 개별 속성값들은 관련된 G-level의 각 그룹 아래 배치되며 이들이 S-level이 된다.
- 또한 브라운은 다른 색에 비해 떠오르는 색이 명확하지 않으며 어떤 색이 혼합되어 만들어지는지 연상하기 어려운 성향을 띈다(Heo & Park 2016). 이러한 점을 고려하여 무채색 그룹과 먼셀의 5가지 기본색에 오렌지와 브라운을 추가하여 8가지 색상 그룹을 G-level에 배치하였고, 표현 가능한 다양하고 정밀한 색상들은 각 그룹 하위의 S-level에 배치하였다.
- 소재를 기술한 메타데이터 분석에서 얻은 주요 항목은 재질, 구조, 물성의 세 가지 항목이며 각 항목과 관련된 속성값 중 연구에 사용한 메타데이터에 기술된 내용은 [Table 3]과 같다. 이를 바탕으로 소재의 속성 체계는 재질, 구조, 물성을 기반으로 위치와 무늬를 추가하여 소재의 위치, 재질, 무늬, 구조, 시각적 질감의 5개 항목으로 구성하였다. 무늬는 소재의 표면에서 선염 혹은 프린트로 구현되므로(Lee & Kim, 2011) 소재의 항목으로 구성하였으며, 메타데이터 분석에서 물성으로 명명한 항목을 ‘시각적 질감’으로 변경하였다.
- 색채와 소재는 의복을 구성하는 원단에서 드러나는 특성이기 때문에 색채와 소재의 속성 체계 구성에서 중요한 문제는 각 속성 항목을 합리적으로 구성하여 색채와 소재의 특성이 효과적이고 체계적으로 표현되고 일관성 있게 기술할 수 있도록 하는 것이다. 이를 위한 첫 단계로 자유 기술된 메타데이터의 주요 단어를 분석하여 소비자가 의복의 색채와 소재에 대해 어떤 속성을 인식하고 있는지를 확인하였다.
- 색상 속성값의 배치에서 가장 중요한 점은 색상이 가지는 감성적 차이가 충분히 드러나면서 기계적 인식에서 보편적인 공통점이 파악 가능하도록 그룹화된 G-level의 합리적 구성이다. 이를 위해 색상을 먼저 무채색과 유채색으로 구분하였으며, 유채색은 먼셀의 색 체계에 기초하여 레드, 옐로우, 그린, 블루, 퍼플의 5가지 기본색 그룹과 오렌지와 브라운의 두 가지 색상 그룹을 추가하여 8개의 색상 그룹을 G-level에 배치하였다. 2015년에 개정된 KS 색명 표기(Korean Agency for Technology and Standards [KATS],2015)에 따르면 주황의 영문명이 Orange에서 Yellow Red로 변경되었다.
- 이상과 같이 분류 체계에 따라 속성을 기술하고 그 내용을 분석한 결과 작성자에 따라 메타데이터 내용의 차이가 발생한 항목을 분석하여 속성을 일관성 있게 기술하기 위한 기준을 좀 더 구체적으로 정의하였다. 본 연구에서 구성한 속성 체계는 두 단계의 속성값을 가지는 계층적 속성 체계로 이루어져 있다.
- 속성 기술은 패션 디자인 전공 학생 3명이 분류 체계를 숙지하고 그에 따라 기술하였다. 이후 패션 전공 전문가 2인이 1,600개 이미지와 기술된 내용을 확인하여 동일한 이미지에 대해 속성의 서술 차이가 큰 항목을 추출하고 이미지 속성을 일관성 있게 기술하기 위한 시각적 기준을 정리하였다.
- , 2003). 재질은 이러한 단계 중에서 섬유와 혼용율에 관련된 항목으로 크게 천연 재질, 합섬 재질, 혼방 재질로 분류하여 G-level을 구성하였다. 천연 재질의 S-level에는 면, 모 등과 같이 섬유와 실의 단계를 거쳐 직조되는 원단뿐 아니라 가죽과 모피 등의 비직조 원단까지 포함시켰으며, 혼방 재질의 경우 주 재질을 중심으로 표현하며 이에 따라 S-level에는 주 재질로 사용 가능한 섬유를 중심으로 혼방 재질을 배치하였다.
- [Table 3]의 구조 속성 그룹을 기본으로 실이나 직조 방법에 따라 G-level을 분류하였다. 직물 구조의 기본인 평직, 트윌직, 수자직과 파일직, 그리고 직조 단계를 거치지 않고 직물이 형성되는 난우븐, 편직물인 니트와 레이스를 G-level 속성값으로 배치하고 하위인 S-level에 각 조직의 변형 조직을 속성값으로 배치하였다.
- 추출된 어휘 중 속성과 관련이 없는 접속사, 조사, 숫자 등을 제거하여 색채 속성 관련텍스트 15,367개, 소재 속성 관련텍스트 28,275개를 분석에 사용하였다. 추출된 어휘의 빈도수를 조사하고 동일 특성을 묶어 항목으로 나누고 분류 체계의 기본 틀을 구성하였다.
- 따라서 톤 항목은 성격에 따라 연하고 흰 Light tone 그룹, 선명하고 밝은 Bright tone 그룹, 흐리고 탁한 Dull tone 그룹, 어둡고 딱딱한 Dark tone 그룹으로 나누어 G-level을 구성하고 각 그룹 아래 12개의 구체적인 톤을 배치하였다. 형광색은 모든 색에서 형광 톤으로 표현할 수 있으므로 Light tone 그룹에 형광 톤을 추가하였다. 일반적으로 색의 삼요소에 의해 구체적인 색의 이미지를 떠올리는 것은 상당히 어렵지만 톤은 일상생활의 느낌으로 명도와 채도의 복합개념으로 우리가 색을 지각할 때는 두 가지를 함께 지각하게 되어 보다 직관적이고 수월하다(Oh & Park, 2000).
대상 데이터
- 넷째, 구성된 분류 체계의 유용성을 확인하기 위해 2018년 11월부터 2019년 8월까지 패션 아이템 이미지 1,600개를 추가로 수집하고 이를 분류 체계에 따라 속성 관련 메타데이터를 기술하였다. 속성 기술은 패션 디자인 전공 학생 3명이 분류 체계를 숙지하고 그에 따라 기술하였다.
- 패션 아이템 이미지는 패션 디자인 전공 전문가 3인이각 디자인 특성이 겹치지 않도록 하여 각 200개씩 총 2,000개를 수집하였으며, 네이버 트랜드의 검색 순위 상위권에 속하는 스타일난다, 임블리, 난닝구, 육육걸즈, 앙투 등에서 수집하였다. 수집된 패션 아이템은 동일기간에 패션 디자인 전공 학부학생 15명이 색채, 소재 특성을 각각 자유롭게 기술하였다. 패션 아이템의 여러 가지 속성 중 소비자가 어떤 속성을 인식하는지 확인하기 위하여 속성을 자유롭게 기술하도록 하였다.
- 연구방법은 다음과 같다. 첫째, 메타데이터 서술을 위한 패션 아이템은 2017년 9월 1일부터 2018년 5월 30일까지 검색 순위가 높은 20~30대 여성 쇼핑몰로부터 10개의 아이템(코트, 재킷, 점퍼, 블라우스, 셔츠, 니트, 스커트, 바지, 원피스, 조끼)에 대한 이미지를 수집하였다. 패션 아이템은 복잡하고 다양한 속성으로 이루어져 있으므로 속성이 중복되지 않게 아이템을 선정하고자 트렌드에 민감하고 디테일이 많이 사용된 20~30대 여성복을 대상으로 선택하였다.
- 둘째, 파이썬을 이용하여 자유 기술된 메타데이터에서 어휘를 추출하였다. 추출된 어휘 중 속성과 관련이 없는 접속사, 조사, 숫자 등을 제거하여 색채 속성 관련텍스트 15,367개, 소재 속성 관련텍스트 28,275개를 분석에 사용하였다. 추출된 어휘의 빈도수를 조사하고 동일 특성을 묶어 항목으로 나누고 분류 체계의 기본 틀을 구성하였다.
- 수집된 단어들에서 구두점과 숫자를 제거하고, 의미를 표현하는 데 큰 역할을 하지 않는 접속사 등의 기능어, 의미 없는 단어들을 제거하였고, 의미가 유사한 단어를 통합하고 동일한의미를 가진 한글과 외래어 표기는 동일단어로 통합하였다. 출현 빈도분석을 위해 단어들을 정제한 결과 색채는 총 15,367개, 소재는 총 28,275개의 단어가 추출되었다. 상위 10위까지의 빈도분석 결과를 [Table 1]에 정리하였다.
- 패션 아이템은 복잡하고 다양한 속성으로 이루어져 있으므로 속성이 중복되지 않게 아이템을 선정하고자 트렌드에 민감하고 디테일이 많이 사용된 20~30대 여성복을 대상으로 선택하였다. 패션 아이템 이미지는 패션 디자인 전공 전문가 3인이각 디자인 특성이 겹치지 않도록 하여 각 200개씩 총 2,000개를 수집하였으며, 네이버 트랜드의 검색 순위 상위권에 속하는 스타일난다, 임블리, 난닝구, 육육걸즈, 앙투 등에서 수집하였다. 수집된 패션 아이템은 동일기간에 패션 디자인 전공 학부학생 15명이 색채, 소재 특성을 각각 자유롭게 기술하였다.
- 첫째, 메타데이터 서술을 위한 패션 아이템은 2017년 9월 1일부터 2018년 5월 30일까지 검색 순위가 높은 20~30대 여성 쇼핑몰로부터 10개의 아이템(코트, 재킷, 점퍼, 블라우스, 셔츠, 니트, 스커트, 바지, 원피스, 조끼)에 대한 이미지를 수집하였다. 패션 아이템은 복잡하고 다양한 속성으로 이루어져 있으므로 속성이 중복되지 않게 아이템을 선정하고자 트렌드에 민감하고 디테일이 많이 사용된 20~30대 여성복을 대상으로 선택하였다. 패션 아이템 이미지는 패션 디자인 전공 전문가 3인이각 디자인 특성이 겹치지 않도록 하여 각 200개씩 총 2,000개를 수집하였으며, 네이버 트랜드의 검색 순위 상위권에 속하는 스타일난다, 임블리, 난닝구, 육육걸즈, 앙투 등에서 수집하였다.
데이터처리
- 구체적인 방법은 다음과 같다. 소비자가 패션 아이템 이미지의 색채와 소재에 대해 자유 기술한 메타데이터를 수집하고 파이썬 프로그램으로 메타데이터의 단어를 추출한 뒤, 빈도분석을 통해 색채와 소재의 속성 기술을 위한 주요 항목(dimension)을 도출하였다. 도출된 주요 항목을 바탕으로 분류 체계를 구성하고 각 항목별 세부 속성의 위계관계를 구성하여 패션 아이템 색채와 소재의 속성 분류 체계를 제안하였다.
이론/모형
- G-level(General-level)은 속성의 공통점을 기준으로 그루핑된 것으로 좀 더 보편적이며 S-level(Specific-level)보다 넓은 상위 범주의 분류인 반면, 하위범주인 S-level은 속성을 좀 더 구체적이고 세부적으로 분류한 것으로 정교한 이미지 인식 기술을 요구하는 단계이며 트렌드의 변화나 기타 다른 이유로 인해 세부 속성 차원에 추가 속성이 생길 경우, S-level 수준에 속성 추가가 가능하도록 하여 유연성을 충족하였다. 본 연구에서는 Park and Choi(2019)의 형태 속성 분류 체계에 근거하여 색채와 소재 속성 분류체계 연구를 진행하였다.
성능/효과
- 구성된 분류 체계의 유용성을 확인하기 위하여 2018년 11월부터 2019년 8월까지 패션 아이템 이미지 1,600개를 추가로 수집하고 앞에서 구성한 분류체계에 따라 3명의 주석자가 속성을 기술한 후, 기술된 메타데이터의 일관성을 중심으로 2인의 패션 전문가가 분석하였다. 먼저, 동일한 패션 아이템 이미지의 색채와 소재 속성에 대해 작성자 간 차이가 나타나는지를 확인하였는데, 색채 속성은 작성자에 따른 차이가 나타났으며, 소재 속성은 대체로 일관된 내용으로 기술되었다. 분류 체계에 따른 보편적이고 일관된 태깅 혹은 주석을 위해서는 가이드라인과 분류 체계의 지속적인 업그레이드가 필요함을 알 수 있으며 이를 반영하여 분류 체계를 보완하였다.
- 메타데이터에서 소재의 시각적 질감 항목은 대부분 속성이 중복으로 선택되었음을 확인하였다. 본 연구에서 제시한 분류 체계는 항목별 배타성을 부여하여 한 가지 속성값만을 선택하도록 정의하였으므로 시각적 질감도 가장 두드러지는 속성만을 선택하여 기술하는 것이 타당하지만, 하나의 의복에서 표현되는 표면감과 감성은 다양하게 표현되기 때문에 소재의 시각효과는 경우에 따라 중복으로 선택할 수 있음을 고려해야할 것으로 판단된다.
- 소재 특성을 기술한 메타데이터에서 추출된 단어 중에서는 ‘신축성, 비침, 두께, 가벼움, 부드러움’ 등 소재의 물성과 관련된 단어가 가장 높은 빈도를 보였으며, 다음으로는 ‘면, 폴리에스터’ 등 직물의 원료인 재질과 관련된 단어들이다.
- 먼저 유사배색인지 대비배색인지를 판단하고 색채가 배열된 방법을 선택한다. 속성 기술에서 차이가 드러난 부분은 첫째, 유사와 대비의 기준이었고, 두 번째는 색채의 배열 방법인 S-level의 포인트, 블랜딩, 칼라 블러킹의 구분이었다. 첫째, 유사와 대비의 기준은 색상과 톤 모두를 기준으로 사용한다.
- 자유 기술된 메타데이터에서 파이썬을 이용하여 단어를 추출하고 빈도를 분석한 결과 색채 특성 관련 텍스트는 총 900종류의 단어 24,515개가 수집되었으며 소재 특성 관련 텍스트는 총 899종류의 단어 38,616개가 수집되었다. 수집된 단어들에서 구두점과 숫자를 제거하고, 의미를 표현하는 데 큰 역할을 하지 않는 접속사 등의 기능어, 의미 없는 단어들을 제거하였고, 의미가 유사한 단어를 통합하고 동일한의미를 가진 한글과 외래어 표기는 동일단어로 통합하였다. 출현 빈도분석을 위해 단어들을 정제한 결과 색채는 총 15,367개, 소재는 총 28,275개의 단어가 추출되었다.
- 자유 기술된 메타데이터에서 파이썬을 이용하여 단어를 추출하고 빈도를 분석한 결과 색채 특성 관련 텍스트는 총 900종류의 단어 24,515개가 수집되었으며 소재 특성 관련 텍스트는 총 899종류의 단어 38,616개가 수집되었다. 수집된 단어들에서 구두점과 숫자를 제거하고, 의미를 표현하는 데 큰 역할을 하지 않는 접속사 등의 기능어, 의미 없는 단어들을 제거하였고, 의미가 유사한 단어를 통합하고 동일한의미를 가진 한글과 외래어 표기는 동일단어로 통합하였다.
- 제시된 분류 체계의 유용성을 확인하기 위한 이미지 태깅을 실시한 결과, 메타데이터는 작성자에 따라 같은 이미지에 대한 속성의 내용에 차이가 있는 것을 확인하였다. 특히, 복잡한 무늬와 배색을 표현할 때, 개인적 차이가 최소화되어야 하며, AI가 학습 시 일정한 기준에 따라 규칙이 형성 될 수 있도록 표현의 표준화와 단순화, 그리고 기준 정립이 중요함을 알 수 있다.
- 속성 기술에서 차이가 드러난 부분은 첫째, 유사와 대비의 기준이었고, 두 번째는 색채의 배열 방법인 S-level의 포인트, 블랜딩, 칼라 블러킹의 구분이었다. 첫째, 유사와 대비의 기준은 색상과 톤 모두를 기준으로 사용한다. 예를 들어, 무채색의 경우, 대비배색은 블랙과 화이트의 배색뿐 아니라 화이트와 그레이, 그레이와 블랙, 그레이와 그레이 배색의 경우에도 명도 단계에 따라 차이가 두드러지는 경우는 대비배색으로 판단한다.
후속연구
- 그러나 각각의 연구에서는 서로 다른 속성 체계를 이용해 연구가 진행되어 후속연구에서 일관되게 적용하기에 어려움이 있으며, AIFT의 “FashionAI Dataset”도 의류의 모든 속성을 포함하고 있지 않아 광범위하게 사용하기에 부족함이 있다.
- 또한, 면, 모, 폴리에스터 등의 재질에 관련된 정보는 소재에 대한 가장 기본적인 정보이다. 그러므로 소비자는 소재의 속성 중 태나 감성에 영향을 주는 여러 가지 물성, 조직 그리고 기본적인 재질에 대한 정보를 인식함을 알 수 있으며 소재의 속성 체계 항목 구성에 이러한 속성 항목이 주요 항목으로 포함되어야 할 것으로 판단된다.
- 의복은 지속적으로 새로운 유행이 등장하므로 형태, 장식의 변화가 빈번히 일어날 뿐만 아니라 소재의 경우 최신 소재나 가공법에 의해 속성이 추가될 수 있으므로 분류 체계는 지속적으로 S-level의 속성값을 최신 버전으로 업데이트하는 후속연구가 필요하다. 또한 패션 아이템의 감성 분류 체계에 대한 후속연구를 통해 패션 아이템의 이미지를 구성하는 통합된 분류 체계의 완성이 가능할 것으로 사료된다.
- 메타데이터에서 소재의 시각적 질감 항목은 대부분 속성이 중복으로 선택되었음을 확인하였다. 본 연구에서 제시한 분류 체계는 항목별 배타성을 부여하여 한 가지 속성값만을 선택하도록 정의하였으므로 시각적 질감도 가장 두드러지는 속성만을 선택하여 기술하는 것이 타당하지만, 하나의 의복에서 표현되는 표면감과 감성은 다양하게 표현되기 때문에 소재의 시각효과는 경우에 따라 중복으로 선택할 수 있음을 고려해야할 것으로 판단된다.
- 이는 기계학습이나 딥러닝의 특성인 순차적이고 단계적 학습의 필요성이 고려된 것이며 분류 체계 범주 구분의 특성인 명확성, 영속성, 배타성, 일관성, 포괄성, 유연성 등을 충족한다. 속성 분류 체계는 패션 아이템의 표준화된 태깅이나 주석 작업에 필수적인 요건으로, 이를 통해 패션 아이템의 색채와 소재 속성에 대한 메타데이터가 일관성을 확보하여 보다 더 신뢰할 수 있는 양질의 패션 AI의 학습 데이터를 얻을 수 있을 것으로 기대한다. 의복은 지속적으로 새로운 유행이 등장하므로 형태, 장식의 변화가 빈번히 일어날 뿐만 아니라 소재의 경우 최신 소재나 가공법에 의해 속성이 추가될 수 있으므로 분류 체계는 지속적으로 S-level의 속성값을 최신 버전으로 업데이트하는 후속연구가 필요하다.
- 속성 분류 체계는 패션 아이템의 표준화된 태깅이나 주석 작업에 필수적인 요건으로, 이를 통해 패션 아이템의 색채와 소재 속성에 대한 메타데이터가 일관성을 확보하여 보다 더 신뢰할 수 있는 양질의 패션 AI의 학습 데이터를 얻을 수 있을 것으로 기대한다. 의복은 지속적으로 새로운 유행이 등장하므로 형태, 장식의 변화가 빈번히 일어날 뿐만 아니라 소재의 경우 최신 소재나 가공법에 의해 속성이 추가될 수 있으므로 분류 체계는 지속적으로 S-level의 속성값을 최신 버전으로 업데이트하는 후속연구가 필요하다. 또한 패션 아이템의 감성 분류 체계에 대한 후속연구를 통해 패션 아이템의 이미지를 구성하는 통합된 분류 체계의 완성이 가능할 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.