• Proceedings of the Korean Information Science Society Conference
• /
• 2003.04c
• /
• pp.148-150
• /
• 2003

본 논문은 재공학 환경에서 기존의 디자인 패턴을 적용성 향상을 위해 UML로 표현하였으며, 대상으로는 디자인 패턴 중에서 Strategy Pattern과 Visitor Pattern을 이용해 보았다. Strategy Pattern에서는｛variation｝과 ｛incomplete｝를 이용하였다.｛variation｝은 메소드 구현시 패턴을 캡슐화하여 다양하게 변경될 수 있도록 하였다. 또한,｛incomplete｝는 주어진 관계를 만족하는 새로운 클래스가 패턴 인스턴스화 동안에 추가될 수 있도록 하였다. Visitor pattern에서의｛extensible｝은 클래스 인터페이스가 패턴을 캡슐화하고 있는 개념으로 다양하게 변경될 수 있도록 하였다. 즉, 클래스 인터페이스는 패턴 인스턴스화에 의존적이며 새로운 메소드와 속성을 클래스가 기능적으로 확장할 수 있는 기능을 갖는다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2003.04c
• /
• pp.130-132
• /
• 2003

1990년대 초반에 등장한 자바 언어는 빠른 속도로 프로그래머들 사이에 보급되었으며 인터넷의 등장과 더불어 이는 더욱 가속화되었다. 또한 무선 플랫폼 등과 같은 새로운 컴퓨팅 환경에 빠르게 대처함으로써 자바 언어의 끝을 예측하기는 쉽지 않은 상태이다. 초기 자바 어플리케이션들은 단일 티어(single-tier)로 개발되었으며 환경의 변화로 인해 이런 어플리케이션들을 네트워크로 연결할 필요성이 대두되고 있다. 자바 언어는 분산 컴퓨팅 환경의 솔루션으로 Enterprise JavaBean(EJB)［1］을 제시하고 있다. 본 논문에서는 기존에 개발된 자바 어플리케이션을 EJB로 래핑하기 위한 기법들을 제공한다. 핵심 비즈니스 로직을 가진 클래스들을 수작업을 통해 EJB로 변환할 수도 있지만 본 논문에서는 반자동화된 방법을 통해 변환 상의 효율을 증대시키고 변환 과정에서 발생할 수 있는 오류를 최소화하고자 한다. EJB 래핑 기법은 세션 빈(session bean)［1］래핑과 엔터티 빈(entity bean)［1］래핑으로 구성된다. 세션 빈 래핑은 자바 어플리케이션을 구성하는 클래스 가운데 질의문(query)을 가지지 않는 자바 클래스들을 래핑한다. 엔터티 빈은 질의문을 포함하는 자바 클래스를 래핑한다. EJB 래핑을 위해 리플렉션(reflection)［2］과 위임 (delegation) 장치를 사용한다.

• The Transactions of the Korea Information Processing Society
• /
• v.4 no.1
• /
• pp.107-117
• /
• 1997

It is use in many researches that the s/w quality evaluation evaluates the developing system or the developed system, updates the problems and selects the reusable components from source code. In this paper, we propose the objective metric functions which can evaluate the reusability of candidates classes with the KHR system[11] and select a proper candidate. The quantitative quality we proposed have merits to compare and to evaluate the reusable candidates classes.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2013.06a
• /
• pp.248-251
• /
• 2013

컴퓨터 비전에서 BoW를 이용한 장면 분류 기법에 대한 연구가 활발히 진행되고 있다. BoW 기법의 장면 분류는 K-means 클러스터링을 통하여 코드북을 생성하는 과정에서 트레이닝 이미지의 클래스 정보를 활용하지 않기 때문에 성능이 제한적이라는 문제점을 가지고 있다. 본 논문에서는 BoW를 이용한 장면 분류 과정에서 코드북 생성을 위하여 각각 특징 기술자들의 유클리디안 거리뿐만이 아니라 클래스 확률 밀도 함수들의 히스토그램 교차값을 최소화 하는 최적화 K-means 클러스터링 기법을 제안한다. 장면의 SIFT 특징 기술자 정보뿐만 아니라 장면이 속해있는 클래스 정보를 결합하여 클러스터링을 수행함으로써 장면 분류의 정확도를 높일 수 있다. 장면 분류 정확도 실험에서 제안하는 클러스터링을 사용한 BoW 장면 분류 기법은 기존의 K-means을 사용한 BoW 장면 분류 기법보다 높은 정확도를 보여준다.

• Journal of the Korea Computer Industry Society
• /
• v.4 no.4
• /
• pp.607-612
• /
• 2003

This paper has been designed extend object-orientid database model that introducted new class basing the Heurilistic Classfication model. In order to implement this model, we have introducted heurilistic class to traditional object-orinted database. And we designed querry for search data that basis on the heurilistic classficasion model using stored data in extened object-oriend data model.

• Proceedings of the Korea Contents Association Conference
• /
• 2003.05a
• /
• pp.171-176
• /
• 2003

The core of class loading is assured of type safety. The security of Java greatly depends on type safety. In JVM, type safety mechanism is very difficult and access of accuracy is not clear, so type safety problems were raised. In paper, we analysis simple Java code and present a diagram graph and an operational semantics for dynamic class loading and type safety.

• The Transactions of the Korea Information Processing Society
• /
• v.5 no.6
• /
• pp.1507-1521
• /
• 1998

본 논문에서는 프로그램의 이해와 재사용에 초점을 둔 객체 지향 클래스 라이브러리 설계 방법 및 객체를 효율적으로 재사용하여 프로그래밍 할 수 있도록 객체에 대한 정보 추출 방법을 제시한다. 프로그램의 재사용을 위한 부품을 모듈 단위로 생성하여 각 정보를 테이블에 저장하며, 모듈간에 참조할 수 있는 인터페이스 플래스를 추출한다. 프로그램의 이해를 쉽게 하기 위하여 프로그램 코드를 기반으로 하여 클래스 관계성을 그래프로 표현하고 노드 클래스를 아이콘화하여 볼 수 있도록 하였다. 각 모듈 안에서의 참조 관계, 상속 관계, 복합 관계를 추출 및 세부적인 다형성 관계, 프랜드 관계등의 추가적인 정보를 생성할 수 있다. 본 논문에서 제시하는 방법은 프로그램 개발 및 유지보수시에 프로그램의 이해력을 높여 재사용 시스템 구축을 용이하게 한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2003.11a
• /
• pp.283-286
• /
• 2003

군집화 시 일반적으로 개별 클래스(class) 혹은 카테고리(category) 당 하나의 군집이 형성되는 결과가 선호된다. 하지만 데이터가 비정형적인 분포를 따르는 경우에는 하나의 군집으로 개별 클래스를 온전히 표현하는 것이 불가능하거나 오히려 부자연스러운 경우가 발생할 수 있다. 본 논문에서는 예제의 클래스를 알고 있는 즉, 레이블(label)된 예제들을 그렇지 않은(unlabeled) 예제들과 함께 활용하여 군집화하는 제약된 K-means (constrained K-means) 알고리즘을 위하여 보다 자연스러운 형태의 군집이 형성될 수 있도록 초기 씨드(seed, 씨앗)를 생성하는 방안을 제안한다. 레이블된 예제들을 계층적으로 군집화하면 다양한 단계에서 제약된 K-means를 위한 씨드집합을 생성할 수 있다. 본 연구에서는 각 단계의 씨드집합을 기반으로 형성된 군집결과간의 변화정도를 측정하여 가장 적절한 것으로 추정되는 씨드집합을 선정하였다. 제안한 방안을 문서 군집화 문제에 적용하여 실험한 결과 개별 클래스마다 하나의 군집을 가정하는 경우보다 더 나은 군집을 형성할 수 있음을 확인하였다.

• Annual Conference on Human and Language Technology
• /
• 2018.10a
• /
• pp.649-651
• /
• 2018

본 논문에서는 CNN에서 클래스 활성화 맵과 원샷 러닝을 결합하여 트위터 분류를 위한 딥 러닝 모델을 제안한다. 클래스 활성화 맵은 트윗 분류에 대한 분류 주제와 연관된 핵심 어휘를 추출하고 강조 표시하도록 사용되었다. 특히 작은 학습 데이터 셋을 사용하여 다중 클래스 분류의 성능을 향상시키기 위해 원샷 러닝 방법을 적용한다. 제안하는 방법을 검증하기위해 TREC 2018 태스크의 사건 스트림(TREC-IS) 학습데이터를 사용하여 비교실험을 했다. 실험 결과에서 CNN 기본 모델의 정확도는 58.1%이고 제안 방법의 정확도는 69.6%로 성능이 향상됨을 보였다.

• Proceedings of the KIEE Conference
• /
• 2007.04a
• /
• pp.310-312
• /
• 2007

SVDD는 one-class 분류기법이지만, 다중 클래스 분류에도 적용될 수 있다. 이 때 타 클래스의 data가 고려 대상 클래스의 학습된 경계안에 들어오지 않도록 하기 위하여 negative data를 고려한 SVDD방법이 사용되어 왔다. 그러나 이 방법은, 고려해야 하는 데이터 수가 늘어남에 따라 학습에 소요되는 시간이 증가하게 되는 문제점을 가지고 있다. 본 논문에서는 negative data를 고려한 학습 시, SVDD대신 KMSVDD를 사용하고 negative data일 가능성이 없는 영역에 놓인 데이터를 제외하는 기법을 사용함으로써 학습시간의 증가를 완화하는 방법을 제안하고자 한다. 이를 통해서 대상 클래스에 속하지 않은 모든 data를 negative data로 고려하여 학습을 진행할 때 보다 빠른 시간에 유사한 결과를 얻을 수 있다. 몇 가지 모의실험을 통하여 그 효과를 검증하도록 한다.