• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2012년도 추계학술발표대회
• /
• pp.1575-1577
• /
• 2012

비즈니스 프로세스 프레임워크(Business Process Framework) 레이어 모델링 정보를 레파지토리에 저장하기위해서는 BPF 5-레이어의 복잡한 구조를 수작업으로 분석해야하는 어려움이 있다. 그래서 각 레이어 모델링 정보를 레파지토리에 효율적으로 저장하기 위해 비즈니스 프로세스 프레임워크 5-레이어 정보 메타모델을 제안한다. 제안한 메타모델 기반으로 레이어 정보를 모델링한다. 모델링된 레이어 정보를 모델변환하여 XMI(XML Metadata Interchange)로 변환하고 그 데이터를 레파지토리에 저장한다. 이 방법을 통해 레이어 정보를 모델링하고, XMI로 변환하면 정보를 쉽고 효율적으로 레파지토리에 저장이 가능하다.

• 한국정보과학회 언어공학연구회:학술대회논문집(한글 및 한국어 정보처리)
• /
• 한국정보과학회언어공학연구회 2017년도 제29회 한글 및 한국어 정보처리 학술대회
• /
• pp.92-96
• /
• 2017

딥 러닝 모델은 여러 히든 레이어로 구성되며, 히든 레이어의 깊이가 깊어질수록 레이어의 벡터는 높은 수준으로 추상화된다. 본 논문에서는 Encoder RNN의 레이어를 여러 층 쌓은 멀티 레이어 포인터 네트워크를 제안하고, 멀티 태스크 학습 기반인 멀티 레이어 포인터 네트워크를 이용한 한국어 의존 구문 분석 모델을 제안한다. 멀티 태스크 학습 모델은 어절 간의 의존 관계와 의존 레이블 정보를 동시에 구하여 의존 구문 분석을 수행한다. 실험 결과, 본 논문에서 제안한 모델이 기존 한국어 의존 구문 분석 연구들 보다 좋은 UAS 92.16%, LAS 89.88%의 성능을 보였다.

• 한국어정보학회:학술대회논문집
• /
• 한국어정보학회 2017년도 제29회 한글및한국어정보처리학술대회
• /
• pp.92-96
• /
• 2017

딥 러닝 모델은 여러 히든 레이어로 구성되며, 히든 레이어의 깊이가 깊어질수록 레이어의 벡터는 높은 수준으로 추상화된다. 본 논문에서는 Encoder RNN의 레이어를 여러 층 쌓은 멀티 레이어 포인터 네트워크를 제안하고, 멀티 태스크 학습 기반인 멀티 레이어 포인터 네트워크를 이용한 한국어 의존 구문 분석 모델을 제안한다. 멀티 태스크 학습 모델은 어절 간의 의존 관계와 의존 레이블 정보를 동시에 구하여 의존 구문 분석을 수행한다. 실험 결과, 본 논문에서 제안한 모델이 기존 한국어 의존 구문 분석 연구들 보다 좋은 UAS 92.16%, LAS 89.88%의 성능을 보였다.

• 한국콘텐츠학회논문지
• /
• 제8권1호
• /
• pp.272-281
• /
• 2008

3D 영상에 이펙트를 표현할 수 있는 레이어 채널을 삽입함으로써 애플리케이션 렌더링에 효과적으로 이용하도록 한다. 현재의 이펙트 렌더링은 영상과 이펙트의 개별 처리 및 혼합의 방식을 사용하기 때문에 저장 공간과 영상 처리에 있어서 개별 소스를 필요로 하고 있다. 그러나 영상과 레이어 채널을 하나로 묶어 처리함으로써 비용 절약과 영상 처리 면에서 큰 효과를 볼 수 있다. 개발은 영상에 레이어 채널을 삽입하기 위해서 영상 포맷의 변경, 레이어 채널이 나타나지 않도록 숨김 기능 추가, 영상 로드시 영상과 레이어 채널을 동시 접근 가능하도록 제어, 영상과 레이어 채널이 쉽게 혼합될 수 있도록 간편한 알파 블렌딩 처리 등의 방법으로 영상 포맷을 변경하여 레이어 채널을 숨기는 기법, 일반 영상 뷰어에서도 변경된 포맷의 영상을 볼 수 있도록 개발, 레이어 채널과 영상을 같이 묶음으로써 재사용성을 높이고 모든 프로그램에 이용 가능하도록 만든다. 그러면 영상 로드시에 영상과 레이어 채널을 동시에 불러드림으로써 처리 속도 향상시키고 3D 영상에 레이어 채널을 삽입함으로써 레이어 채널 영상을 위한 소스 저장 공간을 줄일 수 있다. 또한 3D 영상과 레이어 채널의 영상을 한 번에 다룰 수 있게 되어 효과적인 이펙트 표현 가능하고 실제 애플리케이션이 될 수 있는 멀티미디어 영상 등에 효과적으로 이용이 가능할 수 있을 것으로 기대한다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2003년도 추계학술발표논문집 (상)
• /
• pp.93-96
• /
• 2003

화상회의 시스템에서 대역폭의 이용률을 높이기 위한 연구로서 SARLM(Source Adaptive Receiver-Driven Multi-Layered Multicast)이 있다. 이 기법은 레이어의 병합(merging)과 분할(splitting)을 통해 새로운 레이어(layer)의 수와 각 레이어의 전송률을 결정하는데, 레이어의 병합 시 전체 수신자의 가용 대역폭(available bandwidth)의 이용률이 낮아지는 현상이 발생한다. 본 논문에서는 레이어의 병합 시 수신자의 가용 대역폭의 이용률을 개선한 기법을 제안한다. 제안하는 기법은 특정 레이어를 수신하는 수신자가 아주 적은 경우 하위 레이어의 수신자중 전송률의 많은 증가를 요청하는 수신자와 병합하고, 하위 레이어를 재그룹핑(regrouping) 한다. 실험 결과, 레이어의 병합 시 전체 수신자의 대역폭 이용률을 향상시킬 수 있었다.

• 한국정보전자통신기술학회논문지
• /
• 제12권1호
• /
• pp.92-98
• /
• 2019

본 논문에서는 몰포러지 연산을 기본으로 하는 몰포러지 신경망(MNN: Morphological Neural Network) 기반 딥러닝 시스템을 제안하였다. 딥러닝에 사용되는 레이어는 몰포러지 레이어, 풀링 레이어, ReLU 레이어, Fully connected 레이어 등이다. 몰포러지 레이어에서 사용되는 연산은 에로전, 다이레이션, 에지검출 등이다. 본 논문에서 새롭게 제안한 MNN은 기존의 CNN(Convolutional Neural Network)을 이용한 딥러닝 시스템과는 달리 히든 레이어의 수와 각 레이어에 적용되는 커널 수가 제한적이다. 레이어 단위 처리시간이 감소하고, VLSI 칩 설계가 용이하다는 장점이 있으므로 모바일 임베디드 시스템에 딥러닝을 다양하게 적용할 수 있다. MNN에서는 제한된 수의 커널로 에지와 형상검출 등의 연산을 수행하기 때문이다. 데이터베이스 영상을 대상으로 행한 실험을 통해 MNN의 성능 및 딥러닝 시스템으로의 활용 가능성을 확인하였다.

• 정보처리학회논문지:컴퓨터 및 통신 시스템
• /
• 제6권10호
• /
• pp.415-420
• /
• 2017

OS-level의 가상화 기술은 애플리케이션을 배포하기 위한 새로운 패러다임으로, 기존의 가상화 기술인 가상 머신을 대체할 수 있는 기술로서 주목받고 있다. 특히 컨테이너는 기존의 리눅스 컨테이너에 유니온 마운트 포인트(Union Mount Point) 와 레이어 구조의 이미지를 적용함으로써 보다 빠르고 효율적인 애플리케이션의 배포가 가능하다. 이러한 컨테이너의 특징들은 스냅숏 기능을 제공하는 레이어 구조의 파일 시스템에서만 사용될 수 있으며, 애플리케이션의 특징에 따라 적절한 레이어 파일 시스템을 선택하는 것이 요구된다. 따라서 본 논문에서는 대표적인 레이어 파일 시스템들의 특징을 조사한 뒤, 레이어 파일 시스템의 동작 원리인 Allocate-on-Demand 및 Copy-up 방식에 따른 파일 시스템의 쓰기 성능 평가를 수행한다. 또한 각 레이어 파일 시스템 방식의 블록 입출력 사용 데이터를 학습한 인공 신경망을 통해 임의의 애플리케이션에 대해 적합한 레이어 파일 시스템 방식을 결정하는 방법을 제시하고 이에 대한 타당성을 검토한다.

• 한국멀티미디어학회논문지
• /
• 제7권8호
• /
• pp.1078-1085
• /
• 2004

SARLM(Source Adaptive Receiver-Driven Multi-Layered Multicast)은 레이어 병합과 분할을 통해 수신자의 이질적인 대역폭 문제를 개선하고자 하였다. 그러나 이 기법은 레이어 병합 시에 상위 레이어의 수신자가 하위 레이어로 드롭되어 가용 대역폭의 이용률이 저하되는 문제가 있다. 본 논문에서는 수신자의 손실률 정도를 고려한 멀티캐스트 재그룹 기법을 제안한다. 제안 기법은 손실률에 따라 가중치를 부여하여, 상위 레이어와 하위 레이어 중 여유 대역폭이 많은 수신자를 그룹화하고, 하위 레이어와 상위 레이어 중 손실률이 높은 수신자를 그룹화한다. 실험 결과, 상위 레이어 수신자가 높은 전송률을 유지함으로써 수신자의 가용 대역폭 이용률이 향상됨을 알 수 있다.

• 한국정보과학회 언어공학연구회:학술대회논문집(한글 및 한국어 정보처리)
• /
• 한국정보과학회언어공학연구회 2021년도 제33회 한글 및 한국어 정보처리 학술대회
• /
• pp.617-621
• /
• 2021

의미역 결정은 문장 속에서 서술어와 그 논항의 관계를 파악하며, '누가, 무엇을, 어떻게, 왜' 등과 같은 의미역 관계를 찾아내는 자연어 처리 기법이다. 최근 수행되고 있는 의미역 결정 연구는 주로 말뭉치를 활용하여 딥러닝 학습을 하는 방식으로 연구가 이루어지고 있다. 최근 구글에서 개발한 사전 훈련된 Bidirectional Encoder Representations from Transformers (BERT) 모델이 다양한 자연어 처리 분야에서 상당히 높은 성능을 보이고 있다. 본 논문에서는 한국어 의미역 결정 성능 향상을 위해 한국어의 언어적 특징을 고려하며 사전 학습된 SNU KR-BERT를 사용하면서 한국어 의미역 결정 모델의 성능을 살펴보였다. 또한, 본 논문에서는 BERT 모델에서 과연 어떤 히든 레이어(hidden layer)에서 한국어 의미역 결정을 더 잘 수행하는지 알아보고자 하였다. 실험 결과 마지막 히든 레이어 임베딩을 활용하였을 때, 언어 모델의 성능은 66.4% 였다. 히든 레이어 별 언어 모델 성능을 비교한 결과, 마지막 4개의 히든 레이어를 이었을 때(concatenated), 언어 모델의 성능은 67.9% 이였으며, 11번째 히든 레이어를 사용했을 때는 68.1% 이였다. 즉, 마지막 히든 레이어를 선택했을 때보다 더 성능이 좋았다는 것을 알 수 있었다. 하지만 각 언어 모델 별 히트맵을 그려보았을 때는 마지막 히든 레이어 임베딩을 활용한 언어 모델이 더 정확히 의미역 판단을 한다는 것을 알 수 있었다.

• 한국콘텐츠학회논문지
• /
• 제13권12호
• /
• pp.38-47
• /
• 2013

다중 레이어 영상 모델인 Mixed Raster Content 모델 (MRC) 기반의 영상 부호화는 스크린 이미지와 같은 혼합 영상을 전경 레이어, 이진 마스크 레이어, 배경 레이어로 재구성한 뒤, 각 레이어마다 그 레이어의 신호 특성에 적합한 부호화기를 이용하여 영상을 압축하는 기법이다. 문자와 같은 계단 형태의 강한 에지를 갖는 영역의 위치 정보를 마스크 레이어에 저장하고, 그 위치의 색상 신호는 전경 레이어에 저장한다. 그리고 나머지 영역인 배경 영역의 색상 신호는 배경 레이어에 저장한다. 따라서 마스크 레이어가 전경과 배경의 분할 정보를 담게 되며, 이 분할 정보의 정확도에 따라 전체 부호화기의 압축 효율이 직접적인 영향을 받는다. 본 논문은 MRC 기반의 영상 부호화를 위한 새로운 레이어 분할 알고리즘을 제안한다. 제안 방법은 형태학적 필터인 top hat 변환을 이용하여 문자를 배경신호로부터 분할한다. 이때 문자의 경계를 에지 맵으로부터 추정하여 문자 색상과 배경과의 상대적 밝기를 결정하고 이를 통해 형태학적 필터링에 필요한 top hat 변환의 종류를 정확히 선택하도록 하였다. 실험을 통해 제안 방법이 비교 대상 알고리즘에 비해 우수한 분할 성능을 가짐을 보인다.