• 방송공학회논문지
• /
• 제24권1호
• /
• pp.186-189
• /
• 2019

영상 인페인팅(image inpainting)이란 입력 영상에 훼손되거나 빈 영영이 존재할 경우 이 영역을 자연스럽게 채워 영상을 복원해내는 영상처리 기법이다. 본 논문에서는 기존의 예제 기반(exemplar-based) 영상 인페인팅의 단점 중 하나인 텍스쳐 가비지(texture garbage)의 생성을 억제할 수 있는 새로운 영상 인페인팅 기법을 제시한다. 기존 기법과 달리 영상의 텍스쳐는 통계적으로 정적(stationary)이라는 가정 하에 정적인 소스 패치만을 후보 패치로 샘플링 한다. 이를 통해 주변 신호와 일치하지 않는 신호인 텍스쳐 가비지가 타겟 영역에 복사되는 것을 방지할 수 있다. 실험을 통해 제안 기법을 이용한 텍스쳐 합성이 기존 기법에 비해 더욱 자연스러운 영상 인페인팅 결과를 생성함을 확인한다.

• 한국컴퓨터정보학회논문지
• /
• 제28권10호
• /
• pp.67-76
• /
• 2023

딥러닝 모델이 컴퓨터 비전 분야에서 혁신적인 성과를 이루어내고 있으나, 적대적 예제에 취약하다는 문제가 지속적으로 제기되고 있다. 적대적 예제는 이미지에 미세한 노이즈를 주입하여 오분류를 유도하는 공격 방법으로서, 현실 세계에서의 딥러닝 모델 적용에 심각한 위협이 될 수 있다. 본 논문에서는 객체의 엣지를 강조하여 학습된 분류 모델과 기본 분류 모델 간 예측 값의 차이를 이용하여 적대적 예제를 탐지하는 모델을 제안한다. 객체의 엣지를 추출하여 학습에 반영하는 과정만으로 분류 모델의 강건성을 높일 수 있으며, 모델 간 예측값의 차이를 통하여 적대적 예제를 탐지하기 때문에 경제적이면서 효율적인 탐지가 가능하다. 실험 결과, 적대적 예제(eps={0.02, 0.05, 0.1, 0.2, 0.3})에 대한 일반 모델의 분류 정확도는 {49.9%, 29.84%, 18.46%, 4.95%, 3.36%}를 보인 반면, Canny 엣지 모델은 {82.58%, 65.96%, 46.71%, 24.94%, 13.41%}의 정확도를 보였고 다른 엣지 모델들도 이와 비슷한 수준의 정확도를 보여, 엣지 모델이 적대적 예제에 더 강건함을 확인할 수 있었다. 또한 모델 간 예측값의 차이를 이용한 적대적 예제 탐지 결과, 각 epsilon별 적대적 예제에 대하여 {85.47%, 84.64%, 91.44%, 95.47%, 87.61%}의 탐지율을 확인할 수 있었다. 본 연구가 관련 연구 분야 및 의료, 자율주행, 보안, 국방 등의 응용 산업 분야에서 딥러닝 모델의 신뢰성 제고에 기여할 것으로 기대한다.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제34권5호
• /
• pp.476-486
• /
• 2007

본 논문에서는 영역 기반 복원 방법을 통하여 한 장의 저해상도 얼굴 영상으로부터 고해상도 얼굴 영상을 복원하는 방법을 제안한다. 제안된 방법은 예제 기반 복원과 얼굴 영상을 형태 정보와 질감 정보로 나누어 표현하는 변형 가능 얼굴 모형에 기반한다. 먼저, 예제 기반 복원 방법의 성능을 개선하기 위하여, 전역 복원 결과와 국부적 복원 결과를 결합하는 영역 기반 복원 방법을 제안한다. 또한, 변형 가능 얼굴 모형의 장점을 해상도 복원에 적용하기 위하여, 확장된 변형 가능 얼굴 모형을 정의한다. 제안된 모형에서 얼굴 영상은 저해상도 얼굴 영상, 보간법을 통해 개선한 고해상도 얼굴 영상, 그리고 원래의 고해상도 얼굴 영상의 쌍으로 구성되며, 이는 다시 확장된 형태 정보와 확장된 질감 정보로 나뉜다. 다양한 실험을 통하여, 제안된 방법이 저해상도 얼굴 영상으로부터 고해상도 얼굴 영상을 효과적으로 복원함을 입증하였으며, 이 방법을 사용하여 원거리 감시 시스템에서 획득된 저해상도 얼굴 영상을 고해상도 얼굴 영상으로 합성함으로써, 얼굴 인식 시스템의 성능을 높일 수 있는 가능성을 확인하였다.

• 한국컴퓨터정보학회논문지
• /
• 제14권10호
• /
• pp.189-197
• /
• 2009

웹 서비스 기술이 안정화됨에 따라 기업내 혹은 기업간 웹 서비스들을 통합한 합성된 웹 서비스의 연구가 활발히 진행되고 있다. 또한, 비기능적 속성은 다르지만 유사한 기능을제공하는 웹 서비스들의 증가로 인하여 품질관리는 중요한 이슈로 여겨지고 있다. 품질관리를 위해서는 모니터링 기능이 필요하다. 본 논문에서는 중개자를 통한 합성된 웹 서비스의 품질 모니터링 시스템의 설계를 제안한다. 이 시스템은 OWL-S를 사용하여 합성된 서비스의 프로세스를 명세하며 WS-Policy를 사용하여 다양한 요구사항인 정책(각 서비스 입력 출력값, 품질요소 및 품질요소 값 등)을 명세하여 합성된 서비스 프로세스모델에 첨부한다. 또한, 센서를 이용하여 명세한 정책과실제로 모니터링된 데이터의 값을 비교하여 불일치하면 위반사항이 발생하였음을 웹 서비스 제공자 및 사용자에게 통보함으로서 품질을 관리한다. 제안한 시스템의 검증을 위하여 여행 예약 시스템 예제를 가지고 평균 응답시간과 타임아웃 정책을 적용하여 모니터링한 결과를 보여 준다.

• 대한전자공학회논문지SD
• /
• 제45권11호
• /
• pp.83-88
• /
• 2008

본 논문에서는 상위수준 합성에서의 비트단위 지연시간을 고려한 새로운 스케줄링 기법을 제안한다. 기존의 상위수준 합성을 위한 비트단위 지연시간 계산 방법은 특정 resource에서만 제한적으로 이용할 수 있었다. 하지만 본 연구에서는 다양한 resource에 대해서도 적용할 수 있는 효율적인 비트단위 지연시간 계산 방법을 개발하여, 이를 스케줄링에 적용하였다. 스케줄링 알고리즘은 리스트 스케줄링을 기반으로 하였으며, 스케줄링 과정에서 비트단위 지연시간을 고려하여 chaining을 수행한다. 또한 resource 제약조건하에서 성능을 더욱 향상시키기 위해 multi-cycle chaining을 수행할 수 있다. 잘 알려진 몇 가지 DSP 예제에 대한 실험 결과는 제안한 방법이 기존의 리스트 스케줄링에 비하여 평균 14.7% 성능을 향상시킬 수 있음을 보인다.

• 지구물리와물리탐사
• /
• 제26권2호
• /
• pp.84-93
• /
• 2023

지도 학습 기반 딥러닝 탄성파 역산은 소규모 영역을 대상으로 하는 합성 자료 예제에서 성공적인 역산 성능을 보여주었다. 지도 학습 기반 딥러닝 탄성파 역산은 시간 영역 파동장을 입력, 지하 속도 모델을 출력으로 사용하는데, 시간 영역 파동장은 다양한 파동 정보를 포함하고 있어 자료의 크기가 상당히 크다. 따라서 대량의 데이터로 훈련하는 지도 학습 기반 딥러닝 탄성파 역산을 현장 규모의 자료에 적용하는 연구는 아직까지 수행되지 못하고 있다. 본 연구에서는 지도 학습 기반 딥러닝 탄성파 역산 기법을 현장 규모의 자료에 적용하기 위해 시간 영역 파동장 대신 라플라스 영역 파동장을 입력으로 사용하여 지하 속도 모델을 예측하였다. 시간 영역 파동장 대신 라플라스 영역 파동장을 사용하면 결과의 해상도는 다소 떨어지지만 입력 자료의 크기가 크게 감소하여 신경망 훈련이 빨라지게 된다. 또한, 큰 격자 간격을 사용할 수 있어 현장 자료 크기의 속도 모델을 효율적으로 예측할 수 있으며 이를 통해 얻은 결과는 후속 역산의 초기 모델로 사용될 수 있다. 신경망 훈련을 위해 현장 자료 크기를 가지는 대량의 합성 속도 모델과 라플라스 영역 파동장을 생성한 후 인공 합성 자료만으로 신경망을 훈련시켰다. 또한, 해양 탄성파 탐사를 시뮬레이션하기 위해 견인 스트리머 취득 조건을 채택하였다. 테스트 자료와 벤치마크 모델을 이용한 수치 예제에서 훈련된 신경망을 테스트한 결과, 적절한 배경 속도 모델들을 얻을 수 있었다.

• 한국전기전자재료학회논문지
• /
• 제35권2호
• /
• pp.134-142
• /
• 2022

기존의 시행착오를 거쳐 소재를 개발하는 방법은 조금씩 한계를 보이고 있는데, 왜냐하면 산업과 기술이 고도화되고 기능성 소재가 가져야 하는 특성은 복잡해지면서 그 요구치가 높아지고 있기 때문이다. 이를 극복하기 위해 데이터 기반의 인공신경망으로 복잡한 소재 공간을 빠르게 탐색하여 소재 개발을 가속화하고자 하는 연구들이 진행되고 있다. 특히 결정그래프 합성곱 인공신경망은 결정 소재의 구조에 따른 특성을 학습하는 인공신경망으로 소재의 특성(생성 에너지, 밴드갭, 부피 탄성 계수 등)을 양자역학 기반의 제일원리 계산보다 빠르게 예측한다. 본 논문에서는 46,629개의 결정구조 데이터와 그 생성 에너지를 공공데이터베이스에서 불러와 결정그래프 합성곱 인공신경망 모델을 학습시키고 이를 특성 예측에 적용해 보는 예제를 설명한다. 이를 통해 간단한 프로그래밍 지식으로 소재 특성 예측 모델을 재현해 보고 원하는 데이터 셋과 연구 분야에 적용할 수 있을 것으로 기대된다. 인공지능 모델의 개발은 앞으로 더 복잡한 특성을 가져야만 하는 소재의 개발을 위해 넓은 범위의 소재를 탐색해야만 하는 과정을 획기적으로 단축시켜 소재 개발의 가속화를 촉진시킬 것으로 생각된다.

• 한국컴퓨터정보학회논문지
• /
• 제29권2호
• /
• pp.31-41
• /
• 2024

딥러닝 모델(Deep Learning Model)은 컴퓨터 비전(Computer Vision) 분야의 이미지(Image) 분류 및 객체 탐지와 같은 작업에서 뛰어난 성과를 보이며, 실제 산업 현장에서 다양하게 활용되고 있다. 최근 다양한 알고리즘(Algorithm)의 적대적 예제를 이용하여 딥러닝 모델의 취약성을 지적하며, 강건성 향상 방안을 제시하는 연구들이 활발하게 진행되고 있다. 적대적 예제는 오분류를 유도하기 위해 작은 노이즈(Noise)가 추가된 이미지로서, 딥러닝 모델을 실제 환경에 적용 시 중대한 위협이 될 수 있다. 본 논문에서는 다양한 알고리즘의 적대적 예제를 대상으로 에지 학습 분류 모델의 강건성 및 이를 이용한 적대적 예제 탐지 모델의 성능을 확인하고자 하였다. 강건성 실험 결과, FGSM(Fast Gradient Sign Method) 알고리즘에 대하여 기본 분류 모델이 약 17%의 정확도를 보였으나, 에지(Edge) 학습 모델들은 60~70%대의 정확도를 유지하였고, PGD(projected gradient descent)/DeepFool/CW(Carlini-Wagner) 알고리즘에 대해서는 기본 분류 모델이 0~1%의 정확도를 보였으나, 에지 학습 모델들은 80~90%의 정확도를 유지하였다. 적대적 예제 탐지 실험 결과, FGSM/PGD/DeepFool/CW의 모든 알고리즘에 대해서 91~95%의 높은 탐지율을 확인할 수 있었다. 본 연구를 통하여 다양한 적대적 알고리즘에 대한 방어 가능성을 제시함으로써, 컴퓨터 비전을 활용하는 여러 산업 분야에서 딥러닝 모델의 안전성 및 신뢰성 제고를 기대한다.

• 한국시뮬레이션학회논문지
• /
• 제21권4호
• /
• pp.81-90
• /
• 2012

본 논문은 지상무기체계 교전을 모의하기 위한 시뮬레이션 시스템 구축에 관한 연구이다. 본 논문에서는 에이전트 시뮬레이션 설계 방법론에 기반하여 시뮬레이션 시스템 아키텍처를 제안한다. 제안된 아키텍처의 각 개체는 에이전트 기반으로 모듈화된 컴포넌트들을 조합하여 구성된다. 이와 같은 개체 구성 방법은 개체의 재사용성과 조합성을 향상시키고, 결과적으로 시뮬레이션 시스템의 개발에 투입되는 시간, 비용, 및 노력을 감소시킨다. 지상무기체계 교전의 모의는 환경의 영향을 반영하는 것이 매우 중요하다. 제안된 아키텍처의 합성전장환경은 전장의 환경 데이터를 가지며 시뮬레이션 시스템의 전투개체와 계속적으로 상호작용한다. 이러한 아키텍처를 기반으로 구축된 시뮬레이션 시스템은 목적에 따라 다양한 지상무기체계 교전 시나리오의 신속한 모의가 가능하고, 개체들의 행위 수행에 환경 영향이 반영되어 신뢰성 있는 시뮬레이션 결과를 도출할 수 있다. 본 논문은 제안된 아키텍처를 기반으로 예제 시스템을 구축하여 그 효용성을 증명하였다.

• 조명전기설비학회논문지
• /
• 제18권6호
• /
• pp.176-182
• /
• 2004

본 논문에서는 시간지연을 갖는 고차모델을 저차모델로 간소화하기 위한 주파수 전달함수 합성법을 제안한다. 모델축소는 축소시스템의 분자다항식에 의해 가중된 오차함수를 최소화하는 것에 기반을 두고 있다. 제안된 방법은 보다 우수한 저주파수 적합도를 제공한다. 그리고 네 개의 예제가 제안된 방식의 유용성을 나타내기 위해서 주어진다.