태깅 시스템은 인터넷 사용자로 하여금 태그라고 불리는 메타데이터를 글, 사진, 동영상 등에 부여하도록 하여서 컨텐츠의 검색 및 브라우징을 편리하게 하는 시스템이다. 컨텐츠의 브라우징을 위해서 태그 클라우드라는 시각적 인터페이스가 널리 쓰이고 있다. 태그 클라우드는 가장 빈도수가 높은 태그들을 알파벳 순으로 보여주고 폰트의 크기로 그 태그들의 빈도수를 반영한다. 하지만 기존의 태그 선택 방법은 몇 가지 단점들이 알려져 있다. 그래서 이 논문은 참신한 컨텐츠들을 찾을 수 있도록 Freshness라는 태그 클라우드를 위한 새로운 태그 선택 방법을 정의하였다. Freshness는 태그 동시 발생 확률 분포(tag co-occurrence probability distribution)가 동적으로 변화하는 것을 Kullback-Leibler divergence로 평균한 값이다. Allblog, Eolin, Technorati 등 세 개의 웹사이트로부터 실제 태그 데이터를 수집하여 우리의 태그 클라우드를 생성하는 시스템, 'Fresh Tag Cloud'를 구축하였다. 이 태그 클라우드를 Allblog에서 수집한 데이터에서 전통적인 태그 클라우드와 비교했을 때 중복평균이 87.5% 감소하여서 성능이 더 향상된 것을 확인할 수 있다.

폭소노미(Folksonomy)는 자유롭게 선택된 키워드의 집합인 태그를 이용하여 이루어지는 협업적 분류로서 웹 2.0의 대표 요소이다. 폭소노미는 기존 분류 방법인 택소노미(Taxonomy)에 비해 적은 비용으로 구축할 수 있다는 장점이 있으나 택소노미에 비해 계층적, 체계적 구조가 부족하다는 단점을 가지고 있다. 이에 폭소노미에 존재하는 집단 지성을 학습하여 웹 자원을 분류할 수 있는 분류기를 구축할 수 있다면 기존 방법인 택소노미를 적은 비용으로 구축할 수 있을 것이다. 본 논문에서는 Slashdot.org에 구축되어 있는 폭소노미를 대상으로 일반적 모델을 정의하고 이 안에서 안정성이 존재함을 보임으로써 분류기를 생성할 수 있는 집단 지성이 폭소노미에 실제로 존재함을 보인다. 그리고 이 집단 지성으로부터 형성되는 범주 별 태그의 특징인 안정성 값을 이용하여 SVM으로 분류기를 구축하는 방법을 제안한다. 실제로 우리가 제안하는 방법으로 폭소노미로부터 높은 정확도로 택소노미를 구축하였음을 실험을 통해 확인하였다.

최근 Chen 등은 태그 인증 시 서버의 전수조사를 막기 위해 제곱근을 구하는 어려움에 기반한 이차잉여를 이용한 상호인증기법을 제안하였다. 하지만 리더가 인증시작 시 악의적으로 같은 랜덤 값을 보내는 경우 태그의 위치가 노출되는 문제가 발생한다. 또한 제한된 연산능력을 가진 저가태그에 해쉬함수와 제곱연산을 동시에 수행해야 하는 어려움이 존재한다. 따라서 본 논문에서는 Chen 등의 기법을 살펴보고, 이 기법이 갖는 문제점을 지적한다. 또한 태그에서 인증 시마다 랜덤 값을 새롭게 생성하여 위치추적에 안전하며, Chen 등의 기법과 달리 제곱연산만을 사용함으로써 보다 효율적인 이차잉여기반의 상호인증 기법을 제안한다. 제안하는 기법은 중앙 서버의 전수조사 없이 태그 인증이 가능하며 인증 시마다 비밀값의 갱신 없이도 전방향안전성을 만족하여 비밀값 동기화 과정이 필요 없다.

본 논문에서는 분산해시테이블 기반의 구조적 P2P 오버레이 네트워크에서 효율적인 컨텐트의 공유와 검색을 위한 라우팅 기법을 제안한다. 기존의 익명성을 기반으로 하는 P2P 시스템과는 달리, 본 논문에서 제안하는 기법은 사회적 관계에 기반한 라우팅 테이블의 생성과 라우팅 알고리즘을 설계하고 이를 평가한다. 본 논문의 중요성은 사회적 관계에 기반한 분산 환경에서의 컨텐트 공유를 통해, 무임승차의 문제를 완화하고 악성 피어에 의한 네트워크 공격 위험을 줄일 수 있다는 점에 있다.

안전-필수 분야에 사용되는 소프트웨어의 신뢰도(dependability)를 보장하기 위해 소프트웨어의 테스팅과 확인 및 검증활동이 매우 중요하다. 본 연구에서는 위험수준이 높은 소프트웨어 모듈을 소프트웨어 수명수기 초기에 예측하여, 테스팅과 확인 및 검증 활동에 대한 자원할당을 도울 수 있게 해준다. 다중 클래스 분류를 지원하는 SVM(Support Vector Machine)을 이용하여 소프트웨어 모듈의 잠재위험수준 을 예측한다 잠재위험수준이 상대적으로 높게 나온 모듈들에 대해 테스팅과 확인 및 검증을 집중적으로 실시함으로써 보다 효과적으로 소프트웨어의 품질을 향상시킬 수 있다. 또한, 원전의 계측제어계통에 사용되는 안전-필수 소프트웨어의 안전성 심사를 위한 대상 모듈을 샘플링할 때 활용할 수 있을 것으로 기대된다.

소프트웨어 프로세스 개선의 효율을 높이기 위해 하나의 개선 모델을 사용하기 보다 둘 이상의 서로 보완 가능한 개선 모델의 통합 모델이 사용될 수 있으며, 그중에 하나가 CMMI(Capability Maturity Model Integralion)와 소프트웨어 식스 시그마의 통합 모델이다. 하지만 소프트웨어 식스 시그마 도구는 그 수가 많고 통계적 지식을 요구하므로 소규모 조직에서 모든 소프트웨어 식스 시그마 도구를 적용하는 것은 어려운 실정이다. 본 논문에서는 조직의 비즈니스 가치를 달성에 도움을 주는 소프트웨어 식스 시그마 도구를 선정하는 프로세스를 제시함으로 소규모 조직에서도 적은 비용과 빠른 성과로 인해 점증적인 소프트웨어 식스 시그마 도구의 도입을 통한 효율적인 CMMI의 구현이 가능케 된다.

본 논문에서는 조영전 CT 와 조영후 CTA 영상 의 움직임을 보정하기 위하여 연산에 효율적인 다중 GPU 기반 영상정합 기법을 제안한다. 제안방법은 크게 다중 GPU 기반 정합과 뇌혈관 가시화의 두 단계로 구성된다. 우선, 복셀기반정합을 수행하기 위하여 GPU 내부의 병렬성뿐 아니라 GPU 간 병렬성도 고려함으로써 유사도값을 계산한다. 그리고 나서 CTA 영상데이터에서 최적변환행렬에 의하여 변환된 CT 영상데이터를 다중 GPU를 이용하여 차감하고, 차감된 결과를 GPU 기반 볼륨렌더링기법을 이용하여 가시화한다. 본 논문에서 제안한 방법을 화질과 수행시간측면에서 기존방법에 대한 우수성을 나타내기 위하여 5쌍의 조영전 뇌 CT 영상과 조영후 뇌 CTA 영상데이터를 사용하여 비교하였다. 실험결과 제안방법은 뇌혈관이 잘 가시화되어 혈관질환을 정확히 진단할 수 있었다. 다중 GPU 기반 방법은 CPU 기반 방법에 비하여 11.6배, 단일 GPU 기반 방법에 비하여 1.4배 빠른 결과를 보여주었다.

3D 가상공간이 협업을 지원하기 위해서는 관계자들 간에 직접적으로 의사를 표현할 수 있는 기술을 필요로 한다. 이때 의사표현으로 사용되는 Annotation은 내용표현이 쉽고, 빠를 뿐만 아니라 다양한 형태의 면에 대해서도 의미의 내용이 정확히 전달될 수 있도록 입력 가능해야 하고, 나아가 3차원의 의미를 지니는 내용에 대해서도 다양한 각도에서 이를 인식할 수 있도록 표현되어야 한다. 이 논문에서는 다양한 형태의 면에서도 입력이 가능한 Sketch-Box를 이용한 Sketch Annotation 기법을 제안하고 있으며, 이 Sketch-Box는 3D Annotation으로서 3차원의 의미를 지니는 내용도 효과적으로 전달할 수 있다.

가상 환경 표현의 기술은 실물의 정확한 표현보다는 화면 안에 잘 보일 수 있는 형태로 묘사되어 왔다. 컴퓨터 그래픽스 기술의 발전으로 다양한 분야에서 컴퓨터그래픽스 물체 표현의 활용이 증대함에 따라서 단지 가시화의 기능 뿐 아니라 정확한 측정 정보를 요구하는 응용이 늘고 있다. 본 논문에서는 가상세계에서 정확한 측정 정보를 제공할 수 있도록 물리적 단위 체계를 적용할 수 있는 방법을 제안한다. 본 논문에서의 물리적 단위 속성의 명세는 웹에서의 3D 구현 기술인 X3D를 기반으로 정의하였다. 물리적 속성 중에서 X3D 장면 내에서 물리적 길이 속성을 정의하는 노드의 구성에 대하여 기술하고, 길이 외의 질량, 시간, 온도 등과 같은 다양한 물리적 속성의 단위를 국제 단위체계인 SI 단위계 (International System of Units)를 기반으로 각 객체에 정의할 수 있는 방법에 대하여 기술한다.

배경 모델링 및 물체 검출 기술은 실시간 비디오 처리 기술에서 중요한 부분을 차지하고 있다. 그동안 많은 연구들이 진행되었지만 안정적인 성능을 위해서는 아직도 상당한 계산량을 요구한다. 이 때문에 고해상도 영상 처리나 객체 추적, 행동 분석 및 대상 인식 등의 알고리즘과 함께 사용되는 경우, 실시간 처리에 어려움이 있다. 본 논문에서는 가장 일반적으로 쓰이는 배경 모델링 기법 중의 하나인 혼합정규모델(mixtures of Gaussian)을 근사화한 효과적인 다봉(multimodal) 배경 모델링 및 물체 검출 방법을 제안한다. 근사화의 타당성과 각 과정들을 유도 및 검증하였고, 실험을 통해 제안하는 알고리즘이 기존 방법의 안정성과 유연성을 유지하면서 3배 이상의 처리 속도를 나타냄을 보였다.

본 연구는 Apoptosis세포들의 형상을 검출하기 위하여 전통적인 세포측정법과는 다른 영상기반 접근법을 제안한다. 이 방법은 세포측정 법의 단점을 극복하고 Apoptosis 세포들을 정확하게 인식할 수 있다. 본 연구에서 K-means 군집화 방법이 Apoptosis 세포의 거시적인 분할을 행하는 데 사용되었으며, '스네이코'라고 불리는 액티브 윤곽선 모델이 정밀한 경계선 검출을 위해 사용되었다. 그리고 Apoptosis세포들의 물리적 특징, 형태적 특징 그리고 무늬특징들을 포함하는 몇가지 특징들이 추출되었다. 마지막으로 Mahalanobis 거리 분류기가 Apoptosis세포와 비Apoptosis 세포로서 분할영상들을 분류한다.