• 감성과학
• /
• 제16권1호
• /
• pp.29-42
• /
• 2013

본 연구에서는 피사체의 깊이와 깊이 표현의 상세레벨(detail level)을 각기 다르게 조정한 깊이맵을 이용하여 2D-to-3D 입체변환을 수행하고, 변환된 입체 이미지를 기반으로 시청자 평가 실험을 진행하여 피사체의 절대적 깊이 변화와 배경간의 깊이 차이에 따라 깊이맵의 상세레벨이 깊이감, 볼륨감, 불편감에 미치는 효과를 분석하였다. 주객체의 깊이는 3 레벨로 조정하였고, 또한, 주객체와 배경과의 상대적 깊이 차이도 하나의 독립변인으로 분석하기 위하여 3 레벨로 조정하였다. 깊이맵의 깊이 표현의 상세레벨을 다시 3레벨로 나누어, 이들 조건을 만족하는 18개의 깊이맵을 정의하고 이를 기반으로 실험을 위한 입체영상을 생성하였다. 18개의 입체영상을 실험참가자에게 보여 주고 설문을 통하여 각 영상별로 실험자들이 느끼는 주관적 입체감, 볼륨감, 불편감을 조사하였다. 그 결과 주 피사체의 절대적 위치와 피사체-배경간의 상대적 거리차이가 달라짐에 따라 깊이맵의 상세도가 깊이감, 볼륨감, 불편감에 미치는 영향력이 달라지는 결과를 얻었다. 단색 깊이맵의 경우는 주객체의 절대적 깊이위치에 상관없이 전반적으로 볼륨감을 크게 훼손하고, 스크린의 안쪽에 객체가 위치하는 경우, 다른 상세레벨의 깊이맵에 비해 깊이감도 크게 저하시키는 효과를 보이기 때문에 주객체의 절대적 위치와 상관없이 사용을 피하는 것이 바람직 한 것으로 분석되었다. 또한, 세밀한 깊이맵과 간략한 깊이맵을 적용하였을 때 실험자가 입체감을 크게 다르게 느끼지 못하는 것으로 나타남에 따라 입체변환시 모든 장면에 너무 과도하게 상세한 깊이맵을 구성할 필요가 없는 것으로 분석되었다.

• 한국건설관리학회:학술대회논문집
• /
• 한국건설관리학회 2002년도 학술대회지
• /
• pp.99-106
• /
• 2002

최근 건설 정보 통합 모델에 설계 요소를 반영하는 개념이 발표되고, 4D CAD 시스템을 이용한 정보 통합에 대한 연구들이 수행되었으며, 현재까지 그 활용분야를 넓히고 있다. 하지만, 이러한 형태의 정보통합은 특정 응용 프로그램을 중심으로 이루어지기 때문에 각 조직만의 독특한 내용적 특성을 반영할 수 없으며, 기존의 프로그램과 다른 새로운 프로그램의 도입 및 개발에 따른 유지, 보수 비용을 요구하는 등의 단점이 있다. 본 연구에서는 이러한 문제들을 해결하기 위하여 정보통합을 위한 새로운 접근 방법으로써 '프로덕트 모델 중심의 설계, 시공 정보 통합 방법론'을 제시하고 이에 대한 비교 평가를 위하여 기존의 방법론에 대한 선행 연구를 수행하였다. 이를 위하여 현재 설계, 공정 정보의 통합을 위하여 널리 사용되고 있는 4D CAD 개념을 조사, 분석하였다. 연구 분석 결과 기존의 통합 방법론은 여러가지 장점이 있었지만, 전체 건설사업의 생애주기 중 후반부에 통합이 이루어지기 때문에 정보 활용의 기회가 적으며, 후속단계에서 원시정보의 활용이 미흡하고, 통합 정보의 활용 범위가 상용프로그램이 제공하는 기능으로 제한되고, 3차원 프로덕트 모델에 대한 관리가 곤란하였다. 이러한 단점을 해결하기 위한 설계, 시공 정보의 통합을 위한 새로운 방법론을 제시하였다. 제안된 방법론은 '일관된 객체 기반의 그래픽 모델링', '이질적인 프로덕트 정보들의 저장', '프로덕트 모델을 활용한 정보의 생성, 통합', '확장된 프로덕트 모델의 관리' 등의 4 부분으로 나누어서 제안하였으며, 마지막으로 이들에 대한 활용 개념을 기존의 업무에서의 활용과 새롭게 보충되는 업무에서의 활용으로 나누어서 제안하였다. 6장에서는 본 논문의 전체적인 요약과 후속 연구 주제들과 이를 위한 제안을 하였다. 본 연구를 통해서 특정 응용프로그램 중심의 통합이 아닌 프로덕트 모델 중심의 설계, 시공정보 통합을 위한 새로운 통합 방법론을 제시하였으며, 본 방법론을 통해서 실제로 사용하고 있는 프로그램들을 활용하면서, 각 조직의 환경에 적합한 정보 통합을 통해 건설 생산성 향상을 기대할 수 있게 되었다.

• 한국측량학회지
• /
• 제38권4호
• /
• pp.363-373
• /
• 2020

정사영상 생성을 위한 많은 연구들이 진행되어 왔다. 기존의 방법은 정사영상을 제작할 경우, 폐색지역을 탐지하고 복원하기 위해 항공영상의 외부표정요소와 정밀 3D 객체 모델링 데이터가 필요하며, 일련의 복잡한 과정을 자동화하는 것은 어렵다. 본 논문에서는 기존의 방법에서 탈피하여 딥러닝(DL)을 이용하여 엄밀정사영상을 제작하는 새로운 방법을 제안하였다. 딥러닝은 여러 분야에서 더욱 급속하게 활용되고 있으며, 최근 생성적 적대 신경망(GAN)은 영상처리 및 컴퓨터비전 분야에서 많은 관심의 대상이다. GAN을 구성하는 생성망은 실제 영상과 유사한 결과가 생성되도록 학습을 수행하고, 판별망은 생성망의 결과가 실제 영상으로 판단될 때까지 반복적으로 수행한다. 본 논문에서 독일 사진측량, 원격탐사 및 공간정보학회(DGPF)가 구축하고 국제 사진측량 및 원격탐사학회(ISPRS)가 제공하는 데이터 셋 중에서 라이다 반사강도 데이터와 적외선 정사영상을 GAN기반의 Pix2Pix 모델 학습에 사용하여 엄밀정사영상을 생성하는 두 가지 방법을 제안하였다. 첫 번째 방법은 라이다 반사강도영상을 입력하고 고해상도의 정사영상을 목적영상으로 사용하여 학습하는 방식이고, 두 번째 방법에서도 입력영상은 첫 번째 방법과 같이 라이다 반사강도영상이지만 목적영상은 라이다 점군집 데이터에 칼라를 지정한 저해상도의 영상을 이용하여 재귀적으로 학습하여 점진적으로 화질을 개선하는 방법이다. 두 가지 방법으로 생성된 정사영상을 FID(Fréchet Inception Distance)를 이용하여 정량적 수치로 비교하면 큰 차이는 없었지만, 입력영상과 목적영상의 품질이 유사할수록, 학습 수행 시 epoch를 증가시키면 우수한 결과를 얻을 수 있었다. 본 논문은 딥러닝으로 엄밀정사영상 생성 가능성을 확인하기 위한 초기단계의 실험적 연구로서 향후 보완 및 개선할 사항을 파악할 수 있었다.

• 대한전자공학회논문지SP
• /
• 제42권5호
• /
• pp.29-40
• /
• 2005

디지털 홀로그램의 저변이 확대됨에 따라서 3차원 영상의 구성을 위한 스테레오 영상의 압축기술에 대한 국제적인 표준이 3DAV라는 형태로 진행되는 것과 같이 디지털 홀로그램의 압축 기술에 대한 논의도 활발히 이루어질 것으로 보인다. 3DAV의 경우애도 볼 수 있듯이 기존에 존재하는 여러 가지 기술들을 접목하거나 변형한 형태, 혹은 그들의 혼합된 형태로 논의될 가능성이 크다. 또한 디지털 홀로그램의 압축을 위한 전용 시스템을 구성하는 기존의 기술을 배제하고 개발하는 것은 현실적으로 어렵다. 따라서 다양한 영상압축 기술들과 디지털 홀로그램과의 상관관계에 대한 방향을 제시하고자 한다. 본 논문에서는 기존의 비디오 및 영상압축 도구들을 이용하여 디지털 홀로그램을 효율적으로 부호화하는 기술을 제안하고자 한다. Fringe 패턴의 형태로 표현되는 디지털 홀로그램의 생성 원리를 이용하여 비디오 데이터로 가공한 후에 부호화하는 방식을 이용한다. 여기에는 생성된 디지털 홀로그램을 부호화하기 위해 적절한 형태로 변형하는 전처리 과정, 객체 영상의 모든 정보를 포함하는 공간적인 분할, 디지털 홀로그램의 생성원리와 부합되는 주파수 변환기술, 비디오 데이터로 구성하기 위한 스캔방법, 부호화를 위한 주파수 계수의 분류, 그리고 하이브리드 형태의 압축기술 등이 고려되어 하나의 알고리즘을 구성한다. 압축을 위한 부호화 도구에는 정지영상 압축을 위한 JPEG2000을 비롯하여 동영상 압축을 위한 MPEG-2, MPEG-4, 및 H.264와 같은 국제 표준 압축 알고리즘들과 여러 무손실 압축 기술들이 포함된다. 실험 결과를 살펴보면 제안한 알고리즘은 기존의 기술에 비해서 4배에서 8배 이상의 높은 압축율에서 더 좋은 복원 성능을 보였다. 따라서 제안한 기술은 디지털 홀로그램의 부호화를 위한 좋은 연구 사례가 될 것으로 사료된다. 체중 부하에 의해서 생역학적인 변화를 일으키지 않고 얼마나 유지 할 수 있는지는 보다 장기적인 추시 관찰이 필요할 것으로 사료된다.이 생식소의 에너지 요구에 반응하여 변하는 것으로 추정된다.60일 후 $625{\pm}19.76{\mu}m$로 성장하였고, 생존율은 23%로 가장 높게 나타나 치패사육시 가장 적정한 수온은 $15^{\circ}C$라 판단되었다.다. 시도는 긍정적으로 평가되어야 한다. 그러므로 앞으로는 제품디자인 뿐만이 아닌 다른 다양한 분야들에게로 그 범위가 확대되어 디자인 문화적 정체성을 확립하는 연구가 뒤따라야 할 것이다.. 즉, 제품디자인의 결정요인 분석결과는 QFD의 접근방법에, 제품 디자인 파급효과 분석결과는 컨조인트 분석에 각각 보완적 기여를 할 수 있다. 이와 동시에, 실증적 분석결과는 Ettlie(1997)의 디자인 통합(DI) 이론에 대한 실증적 기반을 제공할 수 있다. 마지막으로, 성공적인 디자인 경영(DM)을 위해서는 최고 경영자의 지원뿐만 아니라 부처 간 의사소통의 장애요인을 제거하고 CFT(cross-functional team)를 운영함으로써 동시적 엔지니어링(CE) 및 제품 및 공정 디자인의 개발이 제품 개발의 속도를 가속화하고 디자인 품질을 높이며 시장 성공을 보증할 수 있도록 해야 한다.임과 채팅은 긍정적인 상호관련을 가진 것으로 나타난 반면 전자메일 서비스 이용은 성적 만족과 부정적인 상호관련을 가진 것으로 분석되었다. 이는 대학생들이 지루하게 느끼거나 외로움을 느낄 때 전자메일을 주로 이용하지만 성적 만족을 위해 전자메일을 이용하지 않고 있다는 사실을 보여주는 것이다. (3) 인터넷 이용 이후 다른 미디어와 면대면 커뮤니케이션과의 관계 인터넷을 이용한 후 응답자들의 전통적인 미디어(텔레비전, 라디오, 신문, 잡지, 편지,

• 지능정보연구
• /
• 제26권2호
• /
• pp.1-25
• /
• 2020

본 연구에서는 모바일 기기를 이용하여 획득한 가스계량기 사진을 서버로 전송하고, 이를 분석하여 가스 사용량 및 계량기 기물 번호를 인식함으로써 가스 사용량에 대한 과금을 자동으로 처리할 수 있는 응용 시스템 구조를 제안하고자 한다. 모바일 기기는 일반인들이 사용하는 스마트 폰에 준하는 기기를 사용하였으며, 획득한 이미지는 가스 공급사의 사설 LTE 망을 통해 서버로 전송된다. 서버에서는 전송받은 이미지를 분석하여 가스계량기 기물 번호 및 가스 사용량 정보를 추출하고, 사설 LTE 망을 통해 분석 결과를 모바일 기기로 회신한다. 일반적으로 이미지 내에는 많은 종류의 문자 정보가 포함되어 있으나, 본 연구의 응용분야인 가스계량기 자동 검침과 같이 많은 종류의 문자 정보 중 특정 형태의 문자 정보만이 유용한 분야가 존재한다. 본 연구의 응용분야 적용을 위해서는 가스계량기 사진 내의 많은 문자 정보 중에서 관심 대상인 기물 번호 및 가스 사용량 정보만을 선별적으로 검출하고 인식하는 관심 문자열 인식 기술이 필요하다. 관심 문자열 인식을 위해 CNN (Convolutional Neural Network) 심층 신경망 기반의 객체 검출 기술을 적용하여 이미지 내에서 가스 사용량 및 계량기 기물번호의 영역 정보를 추출하고, 추출된 문자열 영역 각각에 CRNN (Convolutional Recurrent Neural Network) 심층 신경망 기술을 적용하여 문자열 전체를 한 번에 인식하였다. 본 연구에서 제안하는 관심문자열 기술 구조는 총 3개의 심층 신경망으로 구성되어 있다. 첫 번째는 관심 문자열 영역을 검출하는 합성곱신경망이고, 두 번째는 관심 문자열 영역 내의 문자열 인식을 위해 영역 내의 이미지를 세로 열 별로 특징 추출하는 합성곱 신경망이며, 마지막 세 번째는 세로 열 별로 추출된 특징 벡터 나열을 문자열로 변환하는 시계열 분석 신경망이다. 관심 문자열은 12자리 기물번호 및 4 ~ 5 자리 사용량이며, 인식 정확도는 각각 0.960, 0.864 이다. 전체 시스템은 Amazon Web Service 에서 제공하는 클라우드 환경에서 구현하였으며 인텔 제온 E5-2686 v4 CPU 및 Nvidia TESLA V100 GPU를 사용하였다. 1일 70만 건의 검침 요청을 고속 병렬 처리하기 위해 마스터-슬레이브 처리 구조를 채용하였다. 마스터 프로세스는 CPU 에서 구동되며, 모바일 기기로 부터의 검침 요청을 입력 큐에 저장한다. 슬레이브 프로세스는 문자열 인식을 수행하는 심층 신경망으로써, GPU에서 구동된다. 슬레이브 프로세스는 입력 큐에 저장된 이미지를 기물번호 문자열, 기물번호 위치, 사용량 문자열, 사용량 위치 등으로 변환하여 출력 큐에 저장한다. 마스터 프로세스는 출력 큐에 저장된 검침 정보를 모바일 기기로 전달한다.