• Proceedings of the Korea Information Processing Society Conference
• /
• 2020.05a
• /
• pp.504-507
• /
• 2020

ReLU(Rectified Linear Unit) 함수는 제안된 이후로 대부분의 깊은 인공신경망 모델들에서 표준 활성함수로써 지배적으로 사용되었다. 이후에 ReLU 를 대체하기 위해 Leaky ReLU, Swish, Mish 활성함수가 제시되었는데, 이들은 영상 분류 과업에서 기존 ReLU 함수 보다 향상된 성능을 보였다. 따라서 초해상화(Super Resolution) 과업에서도 ReLU 를 다른 활성함수들로 대체하여 성능 향상을 얻을 수 있는지 실험해볼 필요성을 느꼈다. 본 연구에서는 초해상화 과업에서 안정적인 성능을 보이는 EDSR(Enhanced Deep Super-Resolution Network) 모델의 활성함수들을 변경하면서 성능을 비교하였다. 결과적으로 EDSR 의 활성함수를 변경하면서 진행한 실험에서 해상도를 2 배로 변환하는 경우, 기존 활성함수인 ReLU 가 실험에 사용된 다른 활성함수들 보다 비슷하거나 높은 성능을 보였다. 하지만 해상도를 4 배로 변환하는 경우에서는 Leaky ReLU 와 Swish 함수가 기존 ReLU 함수대비 다소 향상된 성능을 보임을 확인하였다. 구체적으로 Leaky ReLU 를 사용했을 때 기존 ReLU 보다 영상의 품질을 정량적으로 평가할 수 있는 PSNR 과 SSIM 평가지표가 평균 0.06%, 0.05%, Swish 를 사용했을 때는 평균 0.06%, 0.03%의 성능 향상을 확인할 수 있었다. 4 배의 해상도를 높이는 초해상화의 경우, Leaky ReLU 와 Swish 가 ReLU 대비 향상된 성능을 보였기 때문에 향후 연구에서는 다른 초해상화 모델에서도 성능 향상을 위해 활성함수를 Leaky ReLU 나 Swish 로 대체하는 비교실험을 수행하는 것도 필요하다고 판단된다.

• Proceedings of the Korean Information Science Society Conference
• /
• 1999.10b
• /
• pp.539-541
• /
• 1999

기존의 문장종속형 화자인식 기법에서는 음성 신호의 각 분석 프레임이 같은 기여도를 갖는 것으로 간주한다. 화자인식 시스템의 성능향상을 위해서는 음운정보보다는 인식의 단서가 되는 화자의 개인성 정보가 잘 반영되도록 하는 것이 중요하다. 본 논문에서는 HMM (hidden Markov model)을 기반으로 한 문장종속형 화자확인 시스템의 성능향상을 위해 프레임별로 인식의 단서가 되는 개인성 정보의 양을 측정하는 방법과, 이를 화자확인 시스템에 적용하는 기법을 제안한다. 제안한 방법을 적용한 결과, 기존의 우도비(likelihood ratio) 정규화 점수를 사용하는 방법에 비해 동일오류율(EER; equal error rate)을 평균 34% 감소시켜 인식율 향상을 얻을 수 있다.

• Proceedings of the Acoustical Society of Korea Conference
• /
• autumn
• /
• pp.45-48
• /
• 2001

립리딩은 잡음 환경 하에서 음성 인식 성능을 향상을 위해 영상정보를 이용한 바이모달(bimodal)음성인식으로 연구되었다[1][2]. 그 일환으로 이미 영상정보를 이용한 립리딩은 구현되었다. 그러나 현재까지의 시스템들은 환경의 변화에 강인하지 못하다. 본 논문에서는 이미지 기반 립리딩 방법을 적용하여 입술 영역을 보다 안정적으로 찾아 성능을 향상 시켰다. 그러나 이 방법은 많은 데이터량을 처리해야 하므로 전처리 과정이 필요하다. 전처리로 입력영상을 그레이 레벨로 변환하는 방법과, 입술을 반으로 접는 방법, 그리고 주성분 분석(PCA: Principal Component Analysis)을 사용하였다. 또한 인식성능 향상을 위해 음성에서 잡음 제거나 분석$\cdot$합성에 효과적인 성능을 보이는 RASTA(Relative Spectral)필터를 적용하여 시간 영역에서의 변화가 적은 성분이나 급변하는 성분, 그 밖의 잡음 등을 제거하였다. 그 결과 $72.7\%$의 높은 인식 성능을 보였다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2005.11b
• /
• pp.655-657
• /
• 2005

기계학습에서 분류는 훈련 예제들로 학습하여 생성한 분류기를 활용하여 새로운 예제에 어느 한 범주를 부여하는 것을 말한다. 일반적으로 분류의 성능 즉 정확도의 향상은 학습 알고리즘을 개선하거나 훈련예제 집합을 변형시킴으로써 가능하다. 본 논문에서 소개하는 가상예제를 이용한 분류기 성능 향상 방안은 후자에 속한다. 실세계 분류문제에서 많은 수의 훈련예제들을 수집하는 일은 대상문제에 따라 비용이 많이 드는 경우가 있다. 또한 적은 수의 훈련예제를 학습해 생성한 분류기는 분류성능이 좋지 않을 수 있다. 본 논문에서는 이런 문제를 해결하기 위해서 가상예제를 생성해 훈련예제 집합에 추가하는 방안을 제안하고자 한다. 가상예제를 이용한 분류성능 향상방안이 $Na{\ddot{i}}ve$ Bayes 학습 알고리즘 성능 개선에 효과가 있음을 실험을 통해 확인하였다.

• Proceedings of the KIEE Conference
• /
• 2002.07d
• /
• pp.2061-2063
• /
• 2002

상용 DVD 플레이어에서 불량디스크에 대한 재생성능을 향상시키는 기술은 제조업체에게는 다른 어떤 것보다 우선하는 중요한 성능상의 지표이다. 불량디스크를 유형별로 나누어 보면 스크래치 디스크, 지문 디스크, 틸트 불량디스크 등으로 구분할 수 있다. 본 논문에서는 이러한 불량디스크 중 틸트 불량 디스크에 대한 플레이어의 재생성능을 향상시키는 기법을 제안한다. 즉 디스크의 재생도중 검출되는 지터데이터를 궤환하여 별도로 구동되는 틸트모터를 제어함으로써 재생성능의 향상을 꽤한다. 또한 실험을 통하여 그 유효성을 검증한다.

• The Journal of Korean Institute of Electromagnetic Engineering and Science
• /
• v.12 no.3
• /
• pp.417-424
• /
• 2001

This paper proposes new symbol mapping method that can enhance the performance of trellis coded M-ary PSK compared with conventional symbol mapping methods in AWGN environment. Since the basic criteria of TCM design is Maximum Euclidean distance in AWGN, conventional symbol mapping method keep this basic criteria. In this paper, proposed new symbol mapping method uses both Euclidean distance and Hamming distance to design, while conventional methods make use of only optimal Euclidean distance. New symbol mapping method show the better BER performance than the other through computer simulation and error equations.

• Proceedings of the Korean Information Science Society Conference
• /
• 2010.06c
• /
• pp.22-25
• /
• 2010

관계형 데이터베이스의 데이터와 처리요청이 증가할수록 해당 데이터의 처리속도는 떨어지게 마련이다. 처리해야할 범위가 넓어도 빠른 속도로 결과를 처리할 수 있다면 데이터베이스 시스템의 효용성의 크게 증대될 것이다. 만약 조건에 맞는 데이터가 100만 건이 나왔다고 한다면 굳이 모든 것을 액세스를 한 다음에 그 결과를 출력할 필요는 없기 때문이다. 그러므로 사람의 눈으로 확인할 일부분만 결과를 먼저 제공하고 나머지는 다음 데이터를 원할 때 처리해서 제공하는 방식은 실제로 처리할 데이터는 아주 소량이 되므로 조건 범위와 무관하게 처리량을 크게 줄일 수 있는 장점이 있다. 본 논문에서는, 관계형 데이터베이스 환경에서 부분 범위처리를 통한 성능향상의 개념과 그 분석을 통한 관계형 데이터베이스 성능 향상 모델을 제시한다. 이는 설계에서부터 애플리케이션 개발에 이르기까지 많은 부분에 성능향상을 미치게 될 것으로 보인다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2007.11a
• /
• pp.315-318
• /
• 2007

랜덤 테스트(RT)는 가능한 입력 도메인에서 임의의 입력 값을 선택하여 테스트 케이스를 생성하고 테스트를 수행하는 기본적인 블랙 박스 테스트 기법이다. 랜덤 테스트의 성능을 향상 시키기 위해서 오류 패턴을 고려한 다양한 Adaptive Random Testing (ART) 알고리즘들이 제안되어 왔다. 그 중 Distance-Based ART (D-ART), Restricted Random Testing (RRT)이 좋은 성능을 보이고 있지만, 수행시간이 너무 느리다는 단점이 있어, 이를 대체할 수 있는 여러 ART 방법들이 제안되고 있다. 그 중, Adaptive Random Testing through Iterative Partitioning (IP-ART)가 가장 좋은 성능과 빠른 수행시간을 보인다. 본 논문에서는 IP-ART 의 성능을 더욱 향상시킬 수 있는 방법을 제안하고, 시뮬레이션을 통하여 향상된 성능을 평가해 보았다.

• Bulletin of the Korean Space Science Society
• /
• 2011.04a
• /
• pp.25.5-26
• /
• 2011

이 연구에서는 네트워크 기반의 다중기준국을 이용하여 육상교통환경에서 항법위성의 궤도력에 따른 위치결정 성능향상의 정도를 분석하였다. 위성항법보정시스템(Differential Global Positioning System)을 활용하였을 경우 항법위성의 궤도력 오차정보가 소거되지 않는다는 가정 하에 방송궤도력이 아닌 International GNSS Service(IGS) 정밀궤도력중 신속궤도력(Ultra-Rapid)을 이용하여 궤도력 오차에 따라 위치결정 정확도가 향상됨을 확인하였다. 일반적으로 사용하는 위성항법보정시스템을 활용한 위치결정 방법은 기준국과 사용자의 거리에 따라서 그 성능이 달라진다. 이는 궤도 오차, 대류층 및 전리층 오차 등이 거리에 의존적이기 때문이다. 다중기준국을 활용하는 방법은 거리가 멀어짐에 따라 소거되지 않는 오차등을 극복하기 위한 기술이며 사용자 주변을 둘러싼 기준국들의 측정값을 조합하여 보상을 하거나 정확하게 모델링하여 사용자에게 오차정보를 보정정보로 전송하여 위치결정의 성능을 향상시키는 방법이다. 분석된 결과는 네트워크 기반의 다중기준국 환경에서 사용자와 기준국간의 거리에 따른 공간이격 오차정보 보정정보 생성 연구에 활용하며 이를 통해 육상교통 사용자의 위치결정 정확도 성능을 향상하는데 기여할 것으로 기대된다.

• Annual Conference on Human and Language Technology
• /
• 2021.10a
• /
• pp.320-325
• /
• 2021

BERT는 사전 학습 단계에서 다음 문장 예측 문제와 마스킹된 단어에 대한 예측 문제를 학습하여 여러 자연어 다운스트림 태스크에서 높은 성능을 보였다. 본 연구에서는 BERT의 사전 학습 문제 중 다음 문장 예측 문제에 대해 주목했다. 다음 문장 예측 문제는 자연어 추론 문제와 질의 응답 문제와 같이 임의의 두 문장 사이의 관계를 모델링하는 문제들에 성능 향상을 위해 사용되었다. 하지만 BERT의 다음 문장 예측 문제는 두 문장을 특수 토큰으로 분리하여 단일 문자열 형태로 모델에 입력으로 주어지는 cross-encoding 방식만을 학습하기 때문에 문장을 각각 인코딩하는 bi-encoding 방식의 다운스트림 태스크를 고려하지 않은 점에서 아쉬움이 있다. 본 논문에서는 기존 BERT의 다음 문장 예측 문제를 확장하여 bi-encoding 방식의 다음 문장 예측 문제를 추가적으로 사전 학습하여 단일 문장 분류 문제와 문장 임베딩을 활용하는 문제에서 성능을 향상 시키는 Bi-Cross 사전 학습 기법을 소개한다. Bi-Cross 학습 기법은 영화 리뷰 감성 분류 데이터 셋인 NSMC 데이터 셋에 대해 학습 데이터의 0.1%만 사용하는 학습 환경에서 Bi-Cross 사전 학습 기법 적용 전 모델 대비 5점 가량의 성능 향상이 있었다. 또한 KorSTS의 bi-encoding 방식의 문장 임베딩 성능 평가에서 Bi-Cross 사전 학습 기법 적용 전 모델 대비 1.5점의 성능 향상을 보였다.