• Journal for History of Mathematics
• /
• v.24 no.2
• /
• pp.31-46
• /
• 2011

[ ${\ll}$ ]n divisions of figures(${\pi}{\varepsilon}{\rho}{\acute{\iota}}\;{\delta}{\iota}{\alpha}{\iota}{\rho}{\acute{\varepsilon}}{\sigma}{\varepsilon}{\omega}{\nu}\;{\beta}{\iota}{\beta}{\lambda}{\acute{\iota}}o{\nu}$)${\gg}$ is one of the works written by Euclid, but little known to us. In this paper, we introduce this Euclid's book on divisions of figures with its brief history, analyse its contents, and discuss how to use it in mathematics education.

• Proceedings of the Korean Information Science Society Conference
• /
• 2006.06c
• /
• pp.178-180
• /
• 2006

임베디드 시스템이 복잡해지고 Time-to-Market이 요구되면서 HW/SW 통합설계 방법론(codesign)이 제시되었다. 통합설계 과정 중, HW/SW 분할 과정은 시간 성능, 비용, 전력 등의 모든 요구사항을 만족시키기는 불가능하므로 특정 목적함수에 근거한 알고리즘을 이용하여 진행된다. 하지만 고정된 분할 알고리즘을 이용해서는 이해관계자들의 요구사항을 최대한 반영하기 어렵다. 본 논문에서는 이해관계자들의 의견을 최대한 반영하고, 이를 만족시키는 모델을 유도하기 위하여 WinWin negotiation model을 적용된 요구사항 절충을 고려한 HW/SW 분할 방법론을 제안하였다. WinWin 모델을 통해서 도출된 요구사항에 가장 적합한 목적함수를 가지는 분할 알고리즘을 선택하여 HW/SW 분할 과정을 진행하는 방법이다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.11a
• /
• pp.11-13
• /
• 2023

의미론적 분할(Semantic Segmentation)은 이미지 내의 객체 및 배경을 픽셀 단위로 분류하는 작업으로 정밀한 탐지가 요구되는 분야에서 활발히 연구되고 있다. 기존 어텐션 기법은 의미론적 분할의 다운샘플링(Downsampling) 과정에서 발생하는 정보손실을 완화하기 위해 널리 사용됐지만 고정된 Convolution 필터의 형태 때문에 객체의 형태에 따라 유동적으로 대응하지 못했다. 본 논문에서는 이를 보완하고자 Deformable Convolution과 셀프어텐션(Self-attention) 구조기반 어텐션 모듈을 사용한 의미론적 분할 모델을 제안한다.

• Journal of KIISE
• /
• v.43 no.7
• /
• pp.812-819
• /
• 2016

This paper introduces and analyzes the theoretical basis and method of the conventional initial-value assignment problem and feasibility of image segmentation. The paper presents topological evidence and a method of appropriate initial-value assignment based on topology theory. Subsequently, the paper shows minimum conditions for feasibility of image segmentation based on separation axiom theory of topology and a validation method of effectiveness for image modeling. As a summary, this paper shows image segmentation with its mathematical validity based on topological analysis rather than statistical analysis. Finally, the paper applies the theory and methods to conventional Gaussian random field model and examines effectiveness of GRF modeling.

• Education of Primary School Mathematics
• /
• v.14 no.1
• /
• pp.27-41
• /
• 2011

This study is the consideration to 'The Data' and 'On Divisions' of Euclid which is the historical start of analysis and synthesis. 'The Data' and 'On Divisions' compared to Euclid's Elements is not interested. In this study, analysis and synthesis were examined for significance. In this study, means for 'analysis' and 'synthesis' were examined through an analysis of 'The Data' and 'On Divisions'. First, the various terms including analysis and synthesis were examined and the concepts of the terms were analyzed. Then, analysis was divided into 'external analysis' and 'internal analysis'. And synthesis was divided into 'theoretical synthesis' and 'empirical synthesis'. On the basis of this classification problem presented in elementary textbooks and the practical applications were explored.

• The Journal of the Korea institute of electronic communication sciences
• /
• v.12 no.3
• /
• pp.451-456
• /
• 2017

Semantic segmentation, which is the most basic and complicated problem in computer vision, classifies each pixel of an image into a specific object and performs a task of specifying a label. MRF and CRF, which have been studied in the past, have been studied as effective methods for improving the accuracy of pixel level labeling. In this paper, we propose a semantic partitioning method that combines CNN, a kind of deep running, which is in the spotlight recently, and CRF, a probabilistic model. For learning and performance verification, Pascal VOC 2012 image database was used and the test was performed using arbitrary images not used for learning. As a result of the study, we showed better partitioning performance than existing semantic partitioning algorithm.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2018.11a
• /
• pp.84-86
• /
• 2018

요즘 자율주행과 같은 최신 기술의 발전과 더불어 촬영된 영상 장면에 대한 깊이있는 이해가 필요하게 되었다. 특히, 기계학습 기술이 발전하면서 카메라로 찍은 영상에 대한 의미론적 분할 기술에 대한 연구도 활발히 진행되고 있다. FuseNet은 인코더-디코더 구조를 이용하여 장면 내에 있는 객체에 대한 의미론적 분할 기술을 적용할 수 있는 신경망 모델이다. FuseNet은 오직 RGB 입력을 받는 기존의 FCN보다 깊이정보까지 활용하여 RGB 정보를 기반으로 추출한 특징지도와의 요소합 연산을 통해 멀티 모달 구조를 구현했다. 의미론적 분할 연구에서는 객체의 전역 컨텍스트가 고려되는 것이 중요한데, 이를 위해 여러 계층을 깊게 쌓으면 연산량이 많아지는 단점이 있다. 이를 극복하기 위해서 기존의 합성곱 방식을 벗어나 새롭게 제안된 팽창 합성곱 연산(Dilated Convolution)을 이용하면 객체의 수용 영역이 효과적으로 넓어지고 연산량이 적어질 수 있다. 본 논문에서는 컨볼루션 연산의 새로운 방법론적 접근 중 하나인 팽창된 합성곱 연산을 이용해 의미론적 분할 연구에서 새로운 멀티 모달 네트워크의 성능 향상 방법을 적용하여 계층을 더 깊게 쌓지 않더라도 파라미터의 증가 없이 해상도를 유지하면서 네트워크의 전체 성능을 향상할 수 있는 최적화된 방법을 제안한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2016.05a
• /
• pp.548-548
• /
• 2016

수위-유량관계 곡선식은 시계열 수위자료를 유량자료로 변환해줄 수 있는 회귀식으로 측정단면의 형태, 단면 상 하류의 지형요인 등으로 인하여 영향을 고려하기 위하여 기간분할 혹은 구간분할을 수행한다. 구간분할을 위하여 측정단면의 변화를 고려한 관계자의 주관적인 판단이 주요 근거로 이용되고 있다. 따라서 본 연구에서는 기존에 개발된 수위-유량관계 곡선식의 자동구 구간분할방법에 대한 적용성 검토를 수행하였다. 객관화된 분할근거의 제시를 위하여 주관성을 배제하고 관측데이터를 기반으로 수위 증가에 따른 변동계수를 계산하였고, 변동계수가 정규분포를 따르는 것으로 가정 하에 계산된 변동계수가 전 단계에서 계산된 95% 신뢰구간 이내에 존재하지 않는 경우 구간을 분할하였다. 즉, 변동계수를 이용하여 집단 간의 특성을 비교하였으며, 변동 계수의 분포를 이용하여 분할을 위한 기준 값을 제시하였다. 방법론의 추정능력 검토를 위하여 가상의 곡선으로부터 생성된 데이터에 제안된 방법론을 적용하였고, 실제 유역에 적용성 검토를 위하여 금강에 위치한 무주 및 산계교 수위관측소 지점에 적용하였다. 결과적으로 자동으로 분할된 관계곡선식을 사용하여 추정의 정확도를 높일 수 있을 뿐만 아니라 외삽을 하는 경우 역시 그 정확도를 향상할 수 있음을 확인하였다. 마지막으로 실측값을 활용한 수위-유량관계 곡선식의 구축 시 구간 분할 전 후의 잔차데이터에 대하여 Shapiro-wilk 정규성 검정을 수행하였으며, 구간분할 후 잔차가 정규성을 갖게 되는 것으로 나타났다.

• The Journal of the Korea Contents Association
• /
• v.21 no.3
• /
• pp.23-32
• /
• 2021

Semantic image segmentation technology in the field of computer vision is a technology that classifies an image by dividing it into pixels. This technique is also rapidly improving performance using a machine learning method, and a high possibility of utilizing information in units of pixels is drawing attention. However, this technology has been raised from the early days until recently for 'lack of detailed segmentation' problem. Since this problem was caused by increasing the size of the label map, it was expected that the label map could be improved by using the edge map of the original image with detailed edge information. Therefore, in this paper, we propose a post-processing algorithm that maintains semantic image segmentation based on learning, but modifies the resulting label map based on the edge map of the original image. After applying the algorithm to the existing method, when comparing similar applications before and after, approximately 1.74% pixels and 1.35% IoU (Intersection of Union) were applied, and when analyzing the results, the precise targeting fine segmentation function was improved.

• Smart Media Journal
• /
• v.13 no.2
• /
• pp.52-61
• /
• 2024

In the shipyard, aerial images are acquired at regular intervals using Unmanned Aerial Vehicles (UAVs) for the management of external storage yards. These images are then investigated by humans to manage the status of the storage yards. This method requires a significant amount of time and manpower especially for large areas. In this paper, we propose an automated management technology based on a semantic segmentation foundation model to address these challenges and accurately assess the status of external storage yards. In addition, as there is insufficient publicly available dataset for external storage yards, we collected a small-scale dataset for external storage yards objects and equipment. Using this dataset, we fine-tune an object detector and extract initial object candidates. They are utilized as prompts for the Segment Anything Model(SAM) to obtain precise semantic segmentation results. Furthermore, to facilitate continuous storage yards dataset collection, we propose a training data generation pipeline using SAM. Our proposed method has achieved 4.00%p higher performance compared to those of previous semantic segmentation methods on average. Specifically, our method has achieved 5.08% higher performance than that of SegFormer.