• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.05a
• /
• pp.298-300
• /
• 2023

자율주행 및 robot navigation 시스템에서 물체 인식 성능향상을 위해 대부분 MSF(Multi-Sensor Fusion) 기반 설계를 한다. 따라서 각 센서로부터 들어온 정보를 정합하는 것은 정확한 MSF 알고리즘을 위한 필요조건이다. 다양한 선행 연구에서 2D 데이터에 대한 공격을 진행했다. 자율주행에서는 3D 데이터를 다루어야 하므로 선행 연구에서 하지 않았던 3D 데이터 공격을 진행했다. 본 연구에서는 스케일링 공격 기반 카메라-라이다 센서 간 정합 모델의 정확도를 저하시키는 공격 방법을 제안한다. 제안 방법은 입력 라이다의 포인트 클라우드에 스케일링 공격을 적용하여 다운스케일링 단계에서 공격하고자 한다. 실험 결과, 입력 데이터에 공격하였을 때 공격 전보다 평균제곱 이동오류는 56% 이상, 평균 사원수 각도 오류는 98% 이상 증가했음을 보였다. 다운스케일링 크기 별, 알고리즘별 공격을 적용했을 때, 10×20 크기로 다운스케일링 하고 lanczos4 알고리즘을 적용했을 때 가장 효과적으로 공격할 수 있음을 확인했다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2022.07a
• /
• pp.251-254
• /
• 2022

본 논문은 XGBoost 알고리즘 기반의 침입탐지모델의 성능을 향상하기 위한 스케일링(scaling) 및 특성선택(feature selection) 기법을 제안한다. 머신러닝 모델 개발 중 전처리 단계에서 스케일링 및 특성선택을 수행하면 데이터세트의 조건수가 감소하여 모델의 성능을 향상할 수 있다. 각 과정별로 다양한 기법이 있지만 기존의 연구에서는 이러한 기법들을 적용한 결과를 비교·분석하지 않고 특정 기법을 적용한 결과만을 나열하였고 스케일링 및 특성선택에 대해 최적의 조합은 제시하지 못하였다. 따라서 본 논문에서는 다양한 전처리 기법들의 적용결과를 비교하고 최적의 조합을 제안한다. 또한 기존의 연구들이 특정 데이터세트에만 적용 가능한 전처리 기법을 제안하는데 비해 본 논문은 다양한 데이터세트에 대해 공통적으로 적용 가능한 전처리 기법을 제안함으로써 제안 기법의 범용성과 실세계 적용 가능성을 증명한다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2006.10c
• /
• pp.183-188
• /
• 2006

허밍을 통한 유사 검색 질의가 주어질 때 효과적으로 음악 데이터베이스를 검색하는 시스템에 대한 연구는 다양한 방향으로 진행되어 왔다. 최근에는 음악 데이터와 허밍 질의를 시계열 데이터로 보고 시계열 데이터 유사 검색과 관련하여 제안되어 왔던 여러 가지 거리 척도(distance measure)나 인덱싱 기법등을 적용하여 효과적으로 질의를 처리하려는 시도가 계속 되고 있다. 허밍 질의의 특성을 고려한 균일 스케일링(Uniform Scaling)을 사용하여 효과적인 유사 검색을 하는 방법은 가장 최근 제시된 방법 중 하나이다. 본 논문에서는 허밍을 통한 유사 검색 시스템인 Humming BIRD(Humming Based similaR miDi music retrieval system)를 제안하고 구현하였다. 슬라이딩 윈도우를 사용하여 음악의 임의의 부분에 대한 허밍 질의를 처리할 수 있도록 하였으며 효율적인 검색을 위해 중심을 일치시킨(center-aligned) 균일 스케일링을 제안하고 이 거리의 하한을 계산하는 하계 함수를 사용하여 탐색 공간(search space)을 효과적으로 줄여 더 빠르고 효과적인 유사 검색을 가능하도록 하였으며 실험을 통해 중심을 일치시킨된 균일 스케일링이 이전과 같은 검색 결과를 얻으면서도 효과적으로 검색함을 탐색 공간을 줄이는 가지치기 성능을 비교함으로써 보였다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2021.01a
• /
• pp.261-264
• /
• 2021

본 논문에서는 SR(Super-Resolution)을 계산하는데 필요한 데이터를 효율적으로 분류하고 분할하여 빠르게 SR연산을 가능하게 하는 쿼드트리 기반 최적화 기법을 제안한다. 제안하는 방법은 입력 데이터로 사용하는 연기 데이터를 다운스케일링(Downscaling)하여 쿼드트리 연산 소요 시간을 감소시키며, 이때 연기의 밀도를 이진화함으로써, 다운스케일링 과정에서 밀도가 손실되는 문제를 피한다. 학습에 사용된 데이터는 COCO 2017 Dataset이며, 인공신경망은 VGG19 기반 네트워크를 사용한다. 컨볼루션 계층을 거칠 때 데이터의 손실을 막기 위해 잔차(Residual)방식과 유사하게 이전 계층의 출력 값을 더해주며 학습한다. 결과적으로 제안하는 방법은 이전 결과 기법에 비해 약15~18배 정도의 속도향상을 얻었다.

• The Journal of Engineering Geology
• /
• v.33 no.4
• /
• pp.639-655
• /
• 2023

Recently, there has been a growing demand for underground space, leading to the utilization of earth retaining walls for deep excavations. Earth retaining walls are structures that are susceptible to displacement, and their measurement and management are carried out in accordance with the standards established by the Ministry of Land, Infrastructure, and Transport. However, managing displacement through measurement can be considered similar to post-processing. Therefore, in this study, we not only predicted the horizontal displacement of a retaining wall with ground anchors installed using machine learning, but also analyzed the impact of the prediction model based on data scaling and data splitting methods while learning measurement data using machine learning. Custom splitting was the most suitable method for learning and outputting measurement data. Data scaling demonstrated excellent performance, with an error within 1 and an R-squared value of 0.77 when the anchor tensile force and water pressure were standardized. Additionally, it predicted a negative displacement compared to a model that without scaling.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2020.05a
• /
• pp.72-74
• /
• 2020

센서 네트워크의 센서 개수가 늘어나고 데이터 수집 주기가 짧아지며 데이터의 용량도 늘어남에 따라 데이터를 수집하는 중앙서버의 과부하가 걸리는 현상이 발생할 수 있다. 본 논문에서 제안하는 시스템은 센서 데이터를 수집하는 모듈을 컨테이너화 하여 쿠버네티스로 관리한다. 또한 쿠버네티스의 오토 스케일링 기능을 이용하여 데이터 수집 모듈의 과부하가 발생할 경우 자동으로 수집 모듈을 복사하여 scale out 할 수 있다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2004.11a
• /
• pp.211-214
• /
• 2004

두 시스템간의 MPEG-2 데이터를 전송할 때 발생되는 여러 가지의 지연으로 인하여 데이터를 제때 재생하지 못하는 경우가 발생할 수 있다. 본 논문에서는 이러한 문제점을 보완하기 위하여 전송률을 제어하는 에이전트를 설계하고 네트워크 상태에 따라 MPEG-2의 스케일링 기법(시간적, 공간적 스케일링 기법)을 적용하여 전송률을 조절하는 전송률 제어방식을 제시한다. 특히 공간적 스케일링 기법에서는 충실도에 따라 그룹별로 계층화하는데 있어서 블록의 EOB 위치를 조정하여 MPEG-2 비디오 비트스트림을 네트워크 QoS에 따라 다양한 화질로 전송될 수 있도록 하고 있다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.05a
• /
• pp.598-600
• /
• 2023

CCTV가 범죄 예방 및 수사에 사용되는데, 수사를 위해 저화질 CCTV 영상에서 특정인의 얼굴 인식엔 어려움을 겪어 CCTV 본연의 역할의 희석된다. 따라서 본 논문은 저화질 영상을 고화질로 변환하여 얼굴 인식의 정확성을 높일 수 있는 알고리즘을 연구하는 것을 목적으로 한다. 기존에 연구된 인공지능 기반의 업스케일링 알고리즘을 분석하여 K-FACE 데이터셋에 적절한 모델을 제안한다. 이를 위해 2020년 이전과 이후의 AI 업스케일링 관련 연구를 비교 분석한다. 향후 제시된 모델을 대상으로 동일한 환경내에서 K-FACE 데이터셋을 학습시켜 통일된 기준의 지표 산출이 필요하다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2015.04a
• /
• pp.683-686
• /
• 2015

본 논문에서는 스케일링-불변 윤곽선 이미지 매칭의 시각화 도구를 제안한다. 윤곽선 이미지를 시계열로 나타낼 경우, 시계열 매칭 기술을 활용하여 대용량 윤곽선 이미지 매칭을 보다 빠르게 수행할 수 있다. 이러한 윤곽선 이미지 매칭에서, 스케일링 불변의 지원은 스케일된 유사 이미지를 검색하기 위한 중요한 요소이다. 본 논문에서는 스케일링-불변 윤곽선 이미지 매칭 시스템을 클라이언트-서버 모델을 기반으로 구현한다. 먼저, 클라이언트는 질의 이미지를 시계열로 변환하고, 스케일링 팩터 구간 및 허용치와 함께 서버에 전달하고, 매칭 결과로 반환된 이미지를 차트 형태로 시각화한다. 다음으로 서버는 다차원 인덱스를 활용하여 대용량 윤곽선 시계열 데이터에 대한 빠른 시계열 매칭을 수행한다. 구현 결과, 제안하는 윤곽선 이미지 매칭 시각화 도구는 질의 이미지와 스케일링-불변 결과 이미지를 세 가지의 차트를 통해 직관적으로 비교 및 분석 가능하게 하였다.

• Journal of the Korea Society of Computer and Information
• /
• v.26 no.4
• /
• pp.47-53
• /
• 2021

In this paper, we propose a quadtree-based optimization technique that enables fast Super-resolution(SR) computation by efficiently classifying and dividing physics-based simulation data required to calculate SR. The proposed method reduces the time required for quadtree computation by downscaling the smoke simulation data used as input data. By binarizing the density of the smoke in this process, a quadtree is constructed while mitigating the problem of numerical loss of density in the downscaling process. The data used for training is the COCO 2017 Dataset, and the artificial neural network uses a VGG19-based network. In order to prevent data loss when passing through the convolutional layer, similar to the residual method, the output value of the previous layer is added and learned. In the case of smoke, the proposed method achieved a speed improvement of about 15 to 18 times compared to the previous approach.