• 한국방송∙미디어공학회:학술대회논문집
• /
• 한국방송∙미디어공학회 2020년도 추계학술대회
• /
• pp.29-32
• /
• 2020

Due to the lack of improper image acquisition process, noise induction is an inevitable step. As a result, objective image quality assessment (IQA) plays an important role in estimating the visual quality of noisy image. Plenty of IQA methods have been proposed including traditional signal processing based methods as well as current deep learning based methods where the later one shows promising performance due to their complex representation ability. The deep learning based methods consists of several convolution layers and down sampling layers for feature extraction and fully connected layers for regression. Usually, the down sampling is performed by using max-pooling layer after each convolutional block. We reveal that this max-pooling causes information loss despite of knowing their importance. Consequently, we propose a better IQA method that replaces the max-pooling layers with strided convolutions to down sample the feature space and since the strided convolution layers have learnable parameters, they preserve optimal features and discard redundant information, thereby improve the prediction accuracy. The experimental results verify the effectiveness of the proposed method.

• 한국정보과학회논문지:시스템및이론
• /
• 제37권1호
• /
• pp.8-18
• /
• 2010

기존의 전통적인 저장 서버는 중복 데이터 블록에 의해서 저장 공간과 네트워크 대역폭의 낭비가 발생되고 있다. 이와 같은 문제를 해결하기 위하여, 다양한 중복 제거 메커니즘이 제시되었으나, 대부분 Contents-Defined Chunking (CDC) 기법을 사용하는 백업 서버에 한정되었다. 왜냐하면 CDC 기법은 앵커를 사용하여 중복 블록을 쉽게 추적할 수 있기 때문에 파일의 업데이트를 관찰하기 유리한 백업 시스템에서 널리 사용되고 있는 것이다. 본 논문에서는 저장 시스템 성능을 개선하기 위하여, 새로운 중복 제거 메커니즘을 제시하고 있다. 범용적인 중복제거 서버를 구축하기 위한 효율적인 알고리즘에 초점을 맞추고 있으며, 이를 통하여 백업 서버, P2P 서버, FTP 서버와 같은 다양한 시스템에 활용이 가능하게 하는 것을 목표로 한다. 실험 결과 제안한 알고리즘이 중복 영역의 블록을 찾아내는 시간을 최소화하고 효율적으로 저장 시스템을 관리하는 것을 보였다.

• 한국정보과학회논문지:시스템및이론
• /
• 제27권8호
• /
• pp.741-751
• /
• 2000

슈퍼스칼라 프로세서에서 명령어 수준 병렬성(Instruction Level Parallelism)을 적극적으로 활용하기 위해서는 명령들 사이에 존재하는 제어 종속관계 및 데이타 종속관계를 극복하는 것이 필수적이다. 데이타 값 예측은 하나의 명령 결과가 생성되기 전에 미리 결과 값을 예측하고 이 예측된 결과를 사용하여 데이타 종속관계가 있는 명령들을 투기적으로 실행(speculative execution)하는 기법이다. 본 논문에서는 동적 분류 능력을 갖는 혼합형 데이타 값 예측기를 제안한다. 제안된 예측기는 최근 값 예측기, 스트라이드 예측기 및 2 단계 예측기를 결합한 혼합형으로 구성되며, 예측되는 명령은 하드웨어에 의한 동적 분류에 의해 각 예측기로 할당된다. 각 명령들의 특성에 따라 각 예측기로 실행 시에 동적 분류됨으로써 각 예측기는 기존의 혼합형 방식보다도 더욱 효과적으로 활용될 수 있다. 제안된 방식의 타당성 검증을 위해 실행구동방식(execution-driven) 시뮬레이터를 사용하여 SPECint95 벤치마크를 시뮬레이션하여 비교한다. 실험 결과 Instruction Per Cycle 비교실험에서 2 단계 예측기 보다 0.36, 혼합형 예측기 보다 0.0l8의 성능을 보였고, 제안된 방식이 기존의 혼합형 방식보다 예측 정확도가 평균 16%가 향상되었고, 하드웨어 비용을 측정한 결과 45%의 감소효과를 얻었다.

• 한국운동역학회지
• /
• 제12권2호
• /
• pp.109-130
• /
• 2002

따라서 본 연구의 목적은 국가대표 수준급 대학 우수 야구 투수를 대상으로 한 3차원 영상분석을 통한 데이터를 가지고 직구 커브볼에 대한 구간별 운동학적 패턴을 비교 분석하여 자료를 제시하는데 있다. 본 연구는 부산 D대학교 우완 오버핸드 투수 가운데 국가대표 2명과 수준급 대학선수 2명, 총 4명을 대상으로 직구 커브 투구시 구간별로 나타나는 여러 운동학적 변인의 차이를 비교 분석한 결과 다음과 같은 결론을 얻었다. 직구 및 커브볼 투구시 구간별, 국면별 투구시간은 거의 비슷하게 나타냈으며, 직구의 총 소요시간은 1.78${\pm}$0.07초이며 커브 총 소요시간은 1.77${\pm}$0.11초로 나타났다. 직구 및 커브볼 투구시 Z(상 하)방향에 대한 신체 중심의 위치변화는 구간별, 국면별 거의 차이가 나지 않았다. 직구 및 커브볼 투구시 왼쪽 다리의 무릎높이는 각각 $125.38{\pm}11.85cm,\;124.95{\pm}11.63cm$로 큰 차이가 없었다. 신장대비율(%H)로는 직구, 커브 각각 68.42${\pm}$5.53(%H), 68.40${\pm}$5.45(%H)로 나타났다. 직구 및 커브볼 투구시 스트라이드 거리는 각각 140.35${\pm}$4.96cm, 144.83${\pm}$1.69cm로 커브 투구시 더 많은 스트라이드 거리를 보였다. 직구 및 커브볼 투구시 왼쪽 슬관절 ST 구간과 LKU 구간, HBP 구간에서는 별 차이가 없었지만 LFC, MCP, BRP구간에서는 직구보다 커브 투구시 슬관절 각도가 더 굴곡 된 것으로 나타났다. 직구 및 커브볼 투구시 오른팔 견관절 각도는 ST 구간과 LKU구간, HBP 구간에서는 별차이가 없었다. 직구 및 커브볼 투구시 오른팔 주관절 각도는 ST 구간과 LKU구간, HBP 구간에서는 별차이 가 없었다. LFC구간과 MCP구간에서는 직구보다 커브가 다소 많이 굴곡되었고, BRP구간에서 는 직구, 커브 모두 다 근소한 차로 신전 된 것으로 나타났다. 직구 및 커브볼 투구시 오른팔 수관절 각도는 LFC 구간과 MCP 구간에서는 커브가 직구보다 더 신전되었다. 그리고 BRP 구간은 직구가 커브보다 더 신전 된 것으로 나타났다.

• 한국컴퓨터정보학회논문지
• /
• 제29권9호
• /
• pp.1-7
• /
• 2024

본 논문은 MNIST 데이터셋을 활용한 손글씨 숫자 인식에서 합성곱 신경망(CNN)과 배치정규화(BN)를 결합한 모델을 제안한다. LeCun et al.의 LeNet-5 모델의 성과를 뛰어넘는 것을 목표로 6계층 신경망 구조를 설계하였다. 제안된 모델은 28×28 픽셀 이미지를 입력으로 받아 합성곱, 맥스 풀링, 완전연결계층을 거쳐 처리하며, 특히 배치정규화계층을 도입하여 학습 안정성과 성능을 향상시켰다. 실험에서는 60,000개의 훈련 이미지와 10,000개의 테스트 이미지를 사용하였으며, Momentum 최적화 알고리즘을 적용하였다. 모델 구성에서는 30개의 필터, 필터 사이즈 5×5, 패딩 0, 스트라이드 1을 사용하였고, ReLU 활성화 함수를 채택하였다. 훈련 과정에서는 미니배치 사이즈 100, 총 20 에포크, 학습률 0.1로 설정하였다. 결과적으로 제안된 모델은 99.22%의 테스트 정확도를 달성하여 LeNet-5의 99.05%를 상회하였으며, F1-score 0.9919를 기록하여 모델의 성능을 입증하였다. 또한, 본 논문에서 제안한 6계층 모델은 LeCun et al.의 LeNet-5(7계층 모델)와 Ji, Chun and Kim(10계층 모델)이 제안한 모델보다 더 단순한 구조로 모델의 효율성을 강조하였다. 본 연구의 결과는 AI 비전 검사기 등 실제 산업 응용에서 활용 가능성을 보여주며, 특히 스마트팩토리에서 부품의 불량 상태를 판별하는 데 효과적으로 적용될 수 있을 것으로 기대된다.