• Proceedings of the Korea Information Processing Society Conference
• /
• 2014.11a
• /
• pp.729-732
• /
• 2014

본 논문에서는 부분 노이즈 제거를 지원하는 윤곽선 이미지 매칭의 성능 최적화 문제를 다룬다. 윤곽선 이미지 매칭에서 이미지의 노이즈를 제거하는 것은 직관적이고 정확한 매칭을 위해 매우 중요한 요소이다. 그러나, 윤곽선 이미지 매칭에서 부분 노이즈 제거를 지원하기 위해서는 매우 많은 계산이 빈번하게 발생한다. 본 논문에서는 기존 부분 노이즈 제거 윤곽선 이미지 매칭 연구를 좀 더 구체화하여 성능 향상을 위해 유사 거리의 하한을 제안한다. 실험 결과, 부분 노이즈 제거 윤곽선 이미지 매칭 성능을 수 배에서 수십 배까지 향상시킨 것으로 나타났다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.10b
• /
• pp.712-714
• /
• 2004

인터넷상의 대부분 이미지 검색엔진들은 이미지의 실제 내용보다는 이미지 파일명이나 부가적인 색인과 같은 문자 정보에 의존하여 이미지 검색을 하고 있다. 한편 이미지의 색상 정보를 비교에 사용하는 RGB 히스토그램 방법은 수행시간은 짧지만 형태는 고려하지 않기 때문에 높은 정확도는 기대하기 어렵다. 본 논문에서는 이미지의 실제 내용을 비교하여 비정형의 복잡한 물체를 검색하는 새로운 이미지 검색 알고리즘을 제안한다. 제안하는 알고리즘은 이미지의 색상과 형태 정보를 담은 타일 서열을 local alignment 알고리즘으로 정렬하여 이미지 검색을 한다 비정형 물체인 음식 사진을 사용한 실험에서 기존의 방법 RGB 히스토그램을 이용한 방법보다 월등히 향상된 정확도를 나타내었다.

• Journal of the Korea Academia-Industrial cooperation Society
• /
• v.10 no.9
• /
• pp.2409-2414
• /
• 2009

Hosting the contest in the way of total marketing systems is one of means for host's purpose achievement. So in the research, the improvement of company image by contest will need feature of participant, host and the interested parties. As the 6 factors such as reliability, contribution etc. about Korail image would be driven. We suggest the host must present a intent and purpose of contest, and the development of program that company image improves would be needed.

• Proceedings of the Korean Information Science Society Conference
• /
• 1998.10b
• /
• pp.262-264
• /
• 1998

이미지 데이터베이스를 구성하여 사용자가 원하는 정보를 추출하는 의미 기반 검색을 지원하기 위해서는 이미지 내용에 관한 의미 정보들이 데이터 모델로 구조화되어야 한다. 본 논문에서는 다양한 정적 이미지 내용 정보들을 분류하고 그를 체계적으로 표현하기 위한 이미지 데이터 모델을 소개한다. 특히 본 이미지 데이터 모델은 그래프 이론을 이용하여 이미지내에 포함된 시각 객체들의 내용 정보를 표현하고 객체들간의 의미 관계를 정의한다. 이는 이미지 내용에 대한 정확한 정보 표현과 질의에 대한 이미지 검색 효율을 향상시킬 수 있으며 객체들간의 의미 관계를 이용한 질의와 검색을 가능하게 한다.

• Journal of the Korea Society of Computer and Information
• /
• v.11 no.1 s.39
• /
• pp.63-69
• /
• 2006

There are many new studies on the contents for mobile devices that are all connected to networks in a seemingly ubiquitous environment. The purpose of this paper is to propose a framework for obtaining Internet content intended for computers on mobile devices. In other words, the primary concern of this paper is to select the best images for optimal performance and convert them into images that can be effectively reproduced on mobile devices. For this, the performance of the server is to be optimized through selecting high-priority images among the many available images and converting them while considering the display pixel rates (DPR) and the image distribution areas.

• Smart Media Journal
• /
• v.13 no.3
• /
• pp.27-35
• /
• 2024

This study deals with a method of combining image generation using Semi Supervised Learning based on GAN (Generative Adversarial Network) and image classification using ResNet50. Through this, a new approach was proposed to obtain more accurate and diverse results by integrating image generation and classification. The generator and discriminator are trained to distinguish generated images from actual images, and image classification is performed using ResNet50. In the experimental results, it was confirmed that the quality of the generated images changes depending on the epoch, and through this, we aim to improve the accuracy of industrial accident prediction. In addition, we would like to present an efficient method to improve the quality of image generation and increase the accuracy of image classification through the combination of GAN and ResNet50.

• Proceedings of the Korean Society for Information Management Conference
• /
• 2006.08a
• /
• pp.183-189
• /
• 2006

이 연구에서는 색상 자질을 이용하여 이미지를 검색할 때 이미지를 분할하여 각 영역별로 색인하여 검색하는 것의 유용성을 알아보고 분할된 영역간의 유사도 산출 기법을 제안하였다. 실험결과, 질의 이미지의 특정 영역과 최대의 유사도를 갖는 검색 이미지의 영역을 이미지간 유사도 산출 방법으로 이용하고, 이미지 영역을 세분할수록 이미지 검색 성능이 향상되었다. 특히 검색 성능이 좋지 않은 질의 이미지의 경우, 이 연구에서 제안한 기법이 더욱 유용하였다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2011.07a
• /
• pp.479-481
• /
• 2011

기존의 무손실 압축은 일반적으로 채널간의 상관관계를 거의 이용하지 않고, 각각의 채널을 따로 압축하였다. 본 논문에서는 컬러 이미지가 갖는 채널 간의 상관관계를 이용하여 무손실 압축의 성능을 향상시키는 방법을 제안하였다. 제안하는 방법에서는 채널 간 상관관계를 표현할 수 있도록 비대칭 샘플링을 이용하여 모자이크 이미지와 나머지 이미지로 나누어 압축을 수행하였고, 압축된 모자이크 이미지의 정보를 이용해서 나머지 이미지를 예측하여 압축할 정보의 양을 감소시켰다. 압축 성능을 평가하는데 일반적으로 사용되는 데이터들에 대하여 실험한 결과, 기존의 압축표준인 JPEG2000 lossless에 대해 평균 4.75%의 성능 향상을 보여주었다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2023.01a
• /
• pp.303-305
• /
• 2023

본 논문에서는 트랜스포머를 사용한 이미지 캡셔닝 방법과 비디오 캡셔닝 방법을 제안한다. 트랜스포머의 입력으로 사전 학습된 이미지 클래스 분류모델을 거쳐 추출된 특징을 트랜스포머의 입력으로 넣고 인코더-디코더를 통해 이미지와 비디오의 캡션을 출력한다. 이미지 캡셔닝의 경우 한글 데이터 세트를 학습하여 한글 캡션을 출력하도록 학습하였으며 비디오 캡셔닝의 경우 MSVD 데이터 세트를 학습하여 학습 후 출력 캡션의 성능을 다른 비디오 캡셔닝 모델의 성능과 비교하였다. 비디오 캡셔닝에서 성능향상을 위해 트랜스포머의 디코더를 변형한 GPT-2를 사용하였을 때 BLEU-1 점수가 트랜스포머의 경우 0.62, GPT-2의 경우 0.80으로 성능이 향상됨을 확인하였다

• The Journal of the Korea Contents Association
• /
• v.21 no.8
• /
• pp.1-9
• /
• 2021

Deep learning in computer vision has made accelerated improvement over a short period but large-scale learning data and computing power are still essential that required time-consuming trial and error tasks are involved to derive an optimal network model. In this study, we propose a similar image classification performance improvement method based on CR (Confusion Rate) that considers only the characteristics of the data itself regardless of network optimization or data reinforcement. The proposed method is a technique that improves the performance of the deep learning model by calculating the CRs for images in a dataset with similar characteristics and reflecting it in the weight of the Loss Function. Also, the CR-based recognition method is advantageous for image identification with high similarity because it enables image recognition in consideration of similarity between classes. As a result of applying the proposed method to the Resnet18 model, it showed a performance improvement of 0.22% in HanDB and 3.38% in Animal-10N. The proposed method is expected to be the basis for artificial intelligence research using noisy labeled data accompanying large-scale learning data.