• Annual Conference of KIPS
• /
• 2021.05a
• /
• pp.314-315
• /
• 2021

최근 딥러닝 분야에서 모델 학습을 가속화하기 위해, 실수 표현 시 사용하는 비트 수를 줄이는 양자화 연구가 활발히 진행되고 있다. 본 논문은 추천 시스템 모델 중 하나인 행렬 분해 모델(Matrix Factorization, MF)에 대한 양자화 수행 시, 발생할 수 있는 학습 정확도 손실을 방지하기 위한 정밀도 변환 방안을 제시한다. 우리는 실세계 데이터셋을 이용한 실험을 통해, 제안 방안이 적용된 MF 모델은 양자화 기법이 적용되지 않은 모델과 비슷한 추천 정확도를 보이며, 약 30% 개선된 속도로 학습됨을 확인할 수 있었다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2020.01a
• /
• pp.145-146
• /
• 2020

현재 4차 산업 혁명 시대에서 가장 중요한 화두는 빅데이터(Big Data), 인공지능이며, 이를 이용한 분야로 생산, 제조 분야에서도 인공지능 영상 인식 기술을 활용한 생산품을 자동으로 분류하고 나아가 품질검사도 할 수 있도록 개발하고 있다. 또한, 로봇을 공장의 생산라인에 운영하여 노동력 감소에 따른 보완이 되고, 제조과정의 효율성 증가와 생산시간 감소로 생산성을 높일 수 있다. 이를 위해 본 논문에서는 실시간 객체감지 기술인 YOLO-v3 알고리즘을 이용해서 PCB보드 인식, 분류할 수 있는 시스템을 개발하였다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2022.06a
• /
• pp.1232-1235
• /
• 2022

최근 자동차, 철도차량 등 사용자가 있는 기계 시스템에서의 고장 발생 시 사용자의 안전과 관련된 사고로 이어질 수 있어 부품에 대한 모니터링 및 고장 여부 판단은 매우 중요하다. 이러한 부품 중에서 베어링은 회전체와 회전하지 않는 물체 사이에서 회전이 원활하게 이루어질 수 있도록 하는 부품인데, 베어링에 결함이 발생하게 될 경우, 기계 시스템이 정지하거나, 마찰 열에 의해 화재 등의 치명적인 위험이 발생한다. 본 논문에서는 Resnet과 오토인코더를 활용하여 진동 신호 기반의 베어링의 고장을 감지하고 분류할 수 있는 모델을 제안한다. 제안 방법은 raw data를 이미지로 변환하여 입력으로 사용하는데, 이러한 접근을 통해 수집된 데이터의 손실을 최소화하고 데이터가 가지는 정보를 최대한 분석에 활용할 수 있다. 제안 모델의 검증을 위하여 공개된 데이터셋으로 학습/검증 하였고, 제안 방법이 기존 방법과 비교하여 더 높은 F1 Score와 정확도를 보임을 확인하였다.

• Annual Conference of KIPS
• /
• 2022.11a
• /
• pp.487-489
• /
• 2022

농축산업계는 현재 고효율의 자동화 시스템을 구축하기 위해 많은 연구들이 진행되고 있다. 가축들에 대한 실시간 건강 관리 시스템 구현을 위해 딥러닝, 인공지능 기술들을 활용한 스마트 축사개발에 박차를 가하고 있다. 가축들의 건강은 수익과 직결되는 것은 물론, 사람의 건강까지 위협할 수 있기 때문에 철저한 관리가 필요한 실정이나 여러 기술적 어려움에 부딪히고 있다. 본 연구소는 이를 해결하기 위해 다양한 변수들을 설정, 수집하여 가축들의 건강을 관측하는 기술을 개발하고 있다. 이 논문에서는 악조건에서 수집된 데이터로 우리 내 돼지를 Tracking 한 실험 결과를 소개하고자 한다.

• Annual Conference of KIPS
• /
• 2022.11a
• /
• pp.411-413
• /
• 2022

임상 환경에서 진료시간의 대부분은 환자의 증상을 듣고, 추가 증상을 이끌어내는데 사용된다. 이를 병력 청취라고 하며, 진료에 있어서 가장 기본적이고 필수적인 활동이다. 하지만 병력 청취에 대한 연구가 1940 년대부터 계속되고 있음에도 아직까지 표준이 정립되지 않았으며, 다양한 분야에 접목되는 딥러닝 기술 또한 병력 청취와 관련해서는 연구가 부족한 현실이다. 본 논문에서는 Symptom2Vec 을 새롭게 제안하였으며, 이를 활용하여 질병에 따른 증상의 평균 cosine 유사도 점수(0.962)로 병력 청취의 기준을 확립하였다. 또한 most similar word Top5 를 확인하는 것을 통해 환자의 증상에 따른 유사 증상을 묻는 병력 청취가 가능한 것을 확인하였다. 이를 통해 실제 임상 환경에서의 자동화된 병력 청취 시스템을 제안한다.

• Annual Conference of KIPS
• /
• 2023.11a
• /
• pp.621-623
• /
• 2023

본 연구는 당뇨병성 망막증의 자동 분류를 위해 딥러닝 모델을 활용한다. CLAHE 를 사용한 전처리로 이미지의 대비를 향상시켰으며, ResNet50 모델을 기반으로 한 전이학습을 통해 모델의 성능을 향상했다. 또한, 데이터의 불균형을 고려하여 정확도 뿐만 아니라 민감도와 특이도를 평가함으로써 모델의 분류 성능을 종합적으로 평가하였다. 실험 결과, 제안한 방법은 당뇨병성 망막증 분류 작업에서 높은 정확도를 달성하였으나, 양성 클래스의 식별에서 일부 한계가 있었다. 이에 데이터의 품질 개선과 불균형 데이터 처리에 초점을 맞춘 향후 연구 방향을 제시하였다.

• Annual Conference of KIPS
• /
• 2023.11a
• /
• pp.230-231
• /
• 2023

악성코드를 탐지하는 기법 중 동적 분석데이터와 같은 시계열 데이터는 프로그램마다 호출되는 API의 수가 모두 다르다. 하지만 딥러닝 모델을 통해 분석할 때는 모델의 입력이 되는 데이터의 크기가 모두 같아야 한다. 이에 본 논문은 TF-IDF(Term Frequency-Inverse Document Frequency)와 슬라이딩 윈도우 기법을 이용해 프로그램의 동적 특성을 유지하면서 데이터의 길이를 일정하게 만들 수 있는 전처리 기법과 LSTM(Long Short-Term Memory) 모델을 통해 정확도(Accuracy) 95.89%, 재현율(Recall) 97.08%, 정밀도(Precision) 95.9%, F1-score 96.48%를 달성했다.

• Annual Conference of KIPS
• /
• 2024.10a
• /
• pp.912-913
• /
• 2024

본 논문은 'AI 튜터와 함께하는 매칭 플랫폼' 개발 과정에서의 데이터 수집 및 정제에 대해 다룬다. 이 플랫폼은 사용자에게 개인화된 멘토 매칭 및 강의 추천 서비스를 제공하며, 이를 위해 웹크롤링을 통해 데이터를 수집하고, 그 데이터를 정제하는 과정을 거쳤다. 특히, 요리 레시피 데이터를 기반으로 한 취미 레벨 테스트 기능이 포함되어 있으며, 정제된 데이터를 통해 딥러닝 기반의 추천 알고리즘과 AI 튜터링 시스템을 구축했다. 본 연구는 이러한 시스템이 사용자 맞춤형 학습 경험을 제공하는 데 어떻게 기여하는지 논의한다.

• Annual Conference of KIPS
• /
• 2024.10a
• /
• pp.843-844
• /
• 2024

본 논문은 일상생활 속에서 카메라를 통해 사용자의 표정을 분석하여 감정을 인식한다. 분석한 감정을 바탕으로 맞춤형 힐링 콘텐츠를 제공한다. 이 시스템은 인공지능. 딥러닝, H/W, 애플리케이션 등 여러 기술을 활용하여 사용자에게 모바일 앱 형태로 서비스를 제공한다. 바쁘게 돌아가는 현대 사회에서 자신의 감정을 감추고 살아가는 사람들이 많다. 그런 사람들이 자신의 공간에서라도 정확한 감정을 인식하고, 힐링을 받는 것을 목표로 한다.

• Information Systems Review
• /
• v.25 no.1
• /
• pp.27-46
• /
• 2023

Research on restaurant recommender systems has been proposed due to the development of the food service industry and the increasing demand for restaurants. Existing restaurant recommendation studies extracted consumer preference information through quantitative information or online review sensitivity analysis, but there is a limitation that it cannot reflect consumer semantic preference information. In addition, there is a lack of recommendation research that reflects the detailed attributes of restaurants. To solve this problem, this study proposed a model that can learn the interaction between consumer preferences and restaurant attributes by applying deep learning techniques. First, the convolutional neural network was applied to online reviews to extract semantic preference information from consumers, and embedded techniques were applied to restaurant information to extract detailed attributes of restaurants. Finally, the interaction between consumer preference and restaurant attributes was learned through the element-wise products to predict the consumer preference rating. Experiments using an online review of Yelp.com to evaluate the performance of the proposed model in this study confirmed that the proposed model in this study showed excellent recommendation performance. By proposing a customized restaurant recommendation system using big data from the restaurant industry, this study expects to provide various academic and practical implications.