• The Journal of the Korea institute of electronic communication sciences
• /
• v.18 no.2
• /
• pp.299-304
• /
• 2023

Among artificial intelligence techniques, deep learning is a model that has been used in many places and has proven its effectiveness. However, deep learning models are not used effectively in everywhere. In this paper, we will show the limitations of deep learning models through comparison of regression analysis and deep learning models, and present a guide for effective use of deep learning models. In addition, among various techniques used for optimization of deep learning models, data normalization and data shuffling techniques, which are widely used, are compared and evaluated based on actual data to provide guidelines for increasing the accuracy and value of deep learning models.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.114-114
• /
• 2022

딥러닝의 학습 및 예측성능을 개선하기 위해서는 딥러닝 기법 내 연산과정의 개선과 함께 학습 및 예측에 사용되는 데이터의 전처리 과정이 중요하다. 본 연구에서는 딥러닝의 성능을 개량하기 위해 제안된 메타휴리스틱 최적화 알고리즘-딥러닝 결합모형과 데이터 전처리 기법을 통해 댐의 수위를 예측하였다. 수위예측을 위해 Multi-Layer Perceptron(MLP), 메타휴리스틱 최적화 알고리즘인 Harmony Search(HS)와 딥러닝을 결합한 MLP using a HS(MLPHS) 및 Exponential Bandwidth Harmony Search with Centralized Global Search(EBHS-CGS)와 딥러닝을 결합한MLP using a EBHS-CGS(MLPEBHS)를 통해 댐의 수위를 예측하였다. 메타휴리스틱 최적화 알고리즘-딥러닝 결합모형의 학습 및 예측성능을 개선하기 위해 학습 및 예측을 위한 자료를 기반으로 데이터 전처리기법을 적용하였다. 적용된 데이터 전처리 기법은 정규화, 수위구간별 사상(Event)분리 및 수위 변동에 대한 자료의 구분이다. 수위예측을 위한 대상유역은 금강유역에 위치한 대청댐으로 선정하였다. 대청댐의 수위예측을 위해 대청댐 상류에 위치하는 수위관측소 3개소를 선정하여 수위자료를 취득하였다. 각 수위관측소에서 취득한 수위자료를 입력자료로 설정하였으며, 대청댐의 수위자료를 출력자료로 설정하여 메타휴리스틱 최적화 알고리즘-딥러닝 모형의 학습을 진행하였다. 각 수위관측소 및 대청댐에서 취득한 수위자료는 2010년부터 2020년까지 총 11년의 일 단위 수위자료이며, 2010년부터 2019년까지의 자료를 학습자료로 사용하였으며, 2020년의 자료를 예측 및 검증자료로 사용하였다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2020.07a
• /
• pp.656-659
• /
• 2020

초해상화 딥러닝 기법은 학습 시 수렴하기까지 최소 수백 번의 에폭을 필요로 하며 오랜 시간이 걸린다. 최근, 영상 인식용 딥러닝 모델에서는 학습 수렴 속도를 향상시키기 위해 픽셀, 채널간 불필요한 상호연관 정보를 제거하는 Deconvolution 기술이 제안되었다. 본 논문에서는 최초로 Deconvolution 기술을 초해상화 딥러닝 방법에 적용하여 학습 수렴 속도 증가를 시도했다. 영상 인식 딥러닝 기법과 다르게 초해상화 딥러닝 기법은 이미지 특성 추출 부분과 이미지 복원 부분의 정보를 보존하는 것이 중요하기 때문에, EDSR을 Baseline 모델로 사용하여 양쪽 끝의 레이어는 기존의 Convolution 연산을 그대로 유지하고, 중간 레이어의 ResBlock 내의 Convolution 연산만 Deconvolution 연산으로 바꿔서 구성하였다. 초해상화 벤치마크 데이터셋을 사용한 실험 결과, 수렴속도가 빨라지지 않는 결과를 도출했다. 본 논문에서는 Deconvolution 기술이 Baseline 모델의 성능을 개선하지 못하는 이유를 초해상화 분야에서 기본적으로 적용되는 Residual Learning 기법 때문으로 분석했다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2018.05a
• /
• pp.28-28
• /
• 2018

본 연구에서는 최근 급격히 발달하고 있는 인공지능 및 딥러닝 기술에 대한 소개와 수문기상을 포함한 수자원 분야에의 적용사례를 검토하였다. 본 연구의 목적은 우리 삶의 일부가 되어 가고 있는 인공지능 및 딥러닝 기술을 이해하고 보다 실효적인 측면에서 수자원 분야에 적용 활용하기 위한 연구 가이드라인을 제시하기 위함이다. 이를 위해 최근 널리 사용되는 인공지능 및 딥러닝 기법을 조사 분석하였다. 분석을 통해 수자원 분야에서 이러한 기술이 요구되는 분야와 신기술(emerging techniques)을 조망해 보고 기존 기술이 인공지능 및 딥러닝 기법의 적용으로 대체 가능한 정도를 가늠해 보았다. 이를 통해 인공지능 및 딥러닝 기술 적용의 장점과 한계를 고찰하고 향후 집중 연구가 필요한 기술을 제시하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2022.05a
• /
• pp.505-508
• /
• 2022

딥러닝 기술이 발전하면서 적용되는 산업 분야가 늘어남에 따라 딥러닝 모델에서 역으로 학습 데이터를 추출하는 등 다양한 딥러닝 모델 공격 이슈가 발생하고 있다. 이러한 위협에 대응하기 위해 딥러닝 학습에 사용되는 데이터의 노출을 방지할 수 있도록 사용자 프라이버시를 보호하는 기법의 중요성이 대두되고 있다. 동형암호는 학습 데이터를 보호할 수 있는 기법 중 하나로, 복호화 과정없이 암호화된 상태로 연산, 탐색, 분석 등을 수행할 수 있는 차세대 암호 알고리즘이다. 본 논문에서는 동형암호 기반의 딥러닝 기법 연구 동향에 대해 알아본다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2019.01a
• /
• pp.301-302
• /
• 2019

본 연구에서는 주차장의 CCTV와 사용자의 스마트폰을 연동하여서 주차장의 전체적인 화면을 사용자의 스마트폰의 화면에 보여주며, YOLO 딥러닝 기법을 이용하여 주차된 차량 수를 산출하여서 전체적인 차량 댓수와 주차장소의 복잡도를 계산하여 사용자에게 제공하고자 한다. YOLO 딥러닝 기법은 CNN 기반으로 정확도 높은 객체 추출이 가능하고, 영역을 고려한 R-CNN 알고리즘을 사용하여 객체 분류에 필요한 경계 상자의 수를 줄일 수 있다. 한편, YOLO 딥러닝 기법을 이용하여 주차된 자동차를 인식하고, 주차면에 대한 영역에 대한 학습을 수행하여 주차된 자동차와 빈 주차면을 계산하여 제공한다. 주차장에 설치된 기존의 CCTV를 이용하여 저렴한 비용으로 딥러닝 기법을 CCTV 영상에 적용하여 주차장과 주차면 상황을 고객에게 실시간으로 알려주는 앱을 개발하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.36-36
• /
• 2022

2010년대 후반에 딥 러닝 관련 기술이 발전하고 복잡한 강우-유출 현상을 모의하는데 적합하다는 점이 알려지면서 많은 수문관련 연구에서 딥러닝 기법을 통하여 수문모델링을 대체 가능함을 제시하여 왔다. 그러나, 이러한 가능성은 단순 모의효율을 통한 분석이므로 실제 수문관리 현장에 대한 적용을 위한 고찰이 필요한 시점이다. 이에 본 연구에서는 딥러닝 기법을 통하여 수문모의의 가능성을 고찰하고 개선점을 고찰하고자 한다. 이를 위하여 수문자료에 많이 적용되는 LSTM 기법과 수문모형인 TANK모형을 이용하여 경상남도의 형산강 유역을 대상으로 2013년부터 2020년까지의 유출량을 모의하고 그 결과를 비교 분석하였다. 형산강 유역에 대한 수문모의를 수행한 결과, LSTM 기법을 이용한 수문모의가 TANK모형에 비하여 높은 모의효율을 보여주었다. 그러나, 높은 모의효율에도 불구하고 유역의 물리적인 강우-유출과정을 모사하는 수문모형과 달리 LSTM 기법은 인간이 이해할 수 없는 과정을 통하여 학습하고 구조화되므로 기존과 다른 경향의 입력자료로 인한 예측오류가 발생할 가능성과 그에 따른 인간의 판단불가에 따른 문제를 내포하고 있음을 고찰하였다. 따라서, 딥러닝을 이용하여 수문모델링 분야에 수문모형을 전면적으로 대체하기에는 어려움이 있을 것이다. 본 연구에서는 현재까지의 딥러닝을 이용하여 수문모형을 대체하기 위해서는 ① 국민의 생활에 직접적으로 영향을 미치는 분야가 아닌 단순 연구목적이나 위험성 분석 등에 적용하거나, ② 딥러닝의 모의결과에 대해 사용자가 검토하거나 판단할 수 있는 의사결정 체계를 구축하거나, ③ 도출된 결과에 대한 윤리적 검토나 책임소재에 대한 사회적 합의 등이 선결되어야 할 것이다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.360-360
• /
• 2023

최근 태풍 및 집중호우로 인한 국내 홍수 피해 규모 및 빈도는 증가하고 있는 추세이며 이에 대한 대응과 수해 방지 대책 수립에 많은 어려움을 겪고 있다. 이와 같은 홍수 피해를 경감시키기 위해서는 유출 모의에 따른 유역 홍수 방어 대책 수립이 이루어져야 하나, 하천 상류 등과 같은 미계측유역이 존재하며 정확한 유출량 산정에 많은 어려움이 따른다. 통상, 미계측유역 유출량 산정은 비유량법, 지역회귀방법, 수문모형에 의한 모의 등이 있다. 그러나 기존의 통계적 방법은 기왕 자료간 관계의 선형성만을 고려한다는 한계가 있으며, 물리적 방법은 다양한 자료 활용에 대한 유연성이 낮다는 한계가 있다. 딥러닝 기반 방법은 자료 내 존재하는 비선형성과 입·출력간 인과관계를 반영하여 모의할 수 있다는 장점이 있다. 본 연구에서는 이러한 미계측유역 유출량 산정을 위해 국내 유역을 대상으로 딥러닝 모형에 대한 적용성을 평가하고자 한다. 알려진 미계측유역 유출량 산정 기법들과 물리적 요소를 고려한 개선된 딥러닝 구조를 활용한 기법에 대한 평가를 수행하였다. 미계측유역에 대한 첨두유출 모의 및 유출용적에 대한 평가를 수행하였으며, 홍수 유출이벤트에 대한 도시적 평가를 통해 딥러닝 기반 미계측유역 유출 모의 기법의 적용성을 평가하였다. 평가 결과, 물리적 요소를 고려한 딥러닝 기반 방법의 정확도가 상대적으로 높은 정확도를 보였으며 첨두 유출 모의를 잘 반영하는 것으로 나타났다. 향후, 유역의 다양한 특성을 활용하는 유출 모의 기법 개발 및 평가가 이루어져야 될 것으로 판단된다.

• Review of KIISC
• /
• v.29 no.3
• /
• pp.22-28
• /
• 2019

딥러닝 기법이 영상 분야를 시작으로 여러 분야에서 빠르게 적용되고 있고, 관련된 다양한 연구도 함께 같이 발전하고 있다. 정보보안 분야 역시 악성코드를 위주로 다양한 데이터에 대해서 딥러닝 기법을 적용하기 위한 많은 연구들이 진행되고 있지만, 본 논문에서는 IDPS에서 탐지된 이벤트들에 대해서 정/오탐을 자동으로 식별할 수 있는 딥러닝 기반의 분류방법을 소개 하고자 한다.

• Korean Journal of Remote Sensing
• /
• v.38 no.6_2
• /
• pp.1589-1605
• /
• 2022

Phase unwrapping is an essential procedure for interferometric synthetic aperture radar techniques. Accordingly, a lot of phase unwrapping methods have been developed. Deep-learning-based unwrapping methods have recently been proposed. In this paper, we reviewed state-of-the-art deep-learning-based unwrapping approaches in terms of 1) the approaches to predicting unwrapped phases, 2) deep learning model structures for phase unwrapping, and 3) training data generation. The research trend of the approaches to predicting unwrapped phases was introduced by categorizing wrap count segmentation, phase jump classification, phase regression, and deep-learning-assisted method. We introduced the case studies of deep learning model structure for phase unwrapping, and model structure optimization to relate the overall phase information. In addition, we summarized the research trend of the training data generation approaches in the views of phase gradient and noise in the main. And the future direction in deep-learning-based phase unwrapping was presented. It is expected that this paper is used as guideline for exploring future direction of deep-learning-based phase unwrapping research in Korea.