• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 1998년도 가을 학술발표논문집 Vol.25 No.2 (2)
• /
• pp.647-649
• /
• 1998

본 논문에서는 다각 근사화 방법과 래스터 기반 연산 알고리즘을 이용하여 평면 지도상에 나타난 등고선을 3차원 가시화(Visualization)하여 보여준다. 다각 근사화 방법은 입력한 등고선에 대한 특징을 반영할 수 있는 최소한의 선형구분 오차 임계값을 이용하여 등고선에 근사화 시킨 것으로 저장 데이터의 양을 축소할 수 있다. 래스터 기반 알고리즘은 이웃한 두 개의 등고선 내부점의 높이 값을 그 점에서 두 등고선까지의 최단거리 및 등고선의 높이값을 변수로 하는 선형보간식으로 정의하고, 거리변환 연산을 도입하여 계산하는 알고리즘으로 구현이 용이하며, 간단한 계산만을 수행하기 때문에 처리 방법이 간단하다는 장점을 갖는다. 본 논문에서는 래스터 방법만을 이용한 복원보다 자료의 양이 감소함을 보였고, 전체 처리과정의 간단함과, 3차원 가시화된 등고선을 그래프 좌표상의 X, Y, Z축으로 원하는 각도만큼씩 회전시키며 관찰 할 수 있도록 하였다. 본 연구를 통해 지형의 특징을 원형 등고선과 유사하게 유지하면서, 데이터 양을 축소하고 계산식을 간략화된 효과적인 지형정보 시각화를 보여주었다.

• 대한전자공학회:학술대회논문집
• /
• 대한전자공학회 2006년도 하계종합학술대회
• /
• pp.395-396
• /
• 2006

본 논문에서는 얼굴 인식의 성능을 효율적으로 향상시키기 위하여 Discrete Cosine Transform (DCT)와 Principal Component Analysis(PCA)에 기반한 새로운 특징 추출 방법을 제안한다. 얼굴 영상의 공간 영역은 DCT를 이용하여 주파수 영역으로 변환되며, DCT 도메인에서 얼굴 영상이 갖는 고유한 주파수 특성을 최적화 하는 주파수 밴드 영역을 추출한다. 차원이 축소된 데이터는 PCA 를 이용하여 데이터의 변별력에 가장 적합한 얼굴의 특징을 추출하고 Nearest Neighbor Classification 을 통해 본인여부를 확인 한다. 실험 결과 제안된 방법은 데이터의 차원을 효과적으로 축소하면서 기존의 얼굴 인식 방법에 비해 높은 인식률 향상을 보였다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2005년도 한국컴퓨터종합학술대회 논문집 Vol.32 No.1 (B)
• /
• pp.550-552
• /
• 2005

실감 재현이 중요한 가상현실 응용에서는 사용자에게 고급 그래픽 환경을 제시하고 사용자의 인터랙션에 즉각적인 피드백을 제공함으로서 실재감과 몰입감을 증대시키는 연구가 진행되어왔다. 실재감, 공간감 전달을 위해 시각과 청각을 함께 활용하는 것이 효과적이나, 가상공간의 특징을 반영한 3차원 사운도 재현 연구는 국내외 통틀어 초기단계에 머물러 있다. 실재감과 공간감을 반영한 3차원 사운드의 재현을 위해서는 음원의 전파, 반사, 잔향 풍의 계산이 사용자의 인터랙션에 따라 새롭게 계산되어야한다. 그러나 사운드 전파경로와 공간을 이루는 모든 폴리곤들과의 충돌을 검사하며 반사 등을 계산하는 것은 실시간성이 중요한 가상현실응용에서는 무리가 따르므로 실 시간성을 보장하기 위한 계산량 축소가 요구된다. 본 논문에서는 다수의 음원이 존재하는 복잡한 가상공간에서의 3차원 사운드를 재현하기 위하여 사운드 신과 계산에 필요한 최소한의 정보를 가지는 오디오 씬 그라프의 공간을 재구성하고 다수의 음원을 대상으로 음원 축소 및 군집화를 적용하여 3차원 사운드효과를 실시간으로 재현하는 알고리즘을 제안한다.

• 지질공학
• /
• 제32권3호
• /
• pp.377-388
• /
• 2022

최근, 다수의 연구가 지수적으로 증가하는 지진 자료를 효율적이고 정확하게 처리하기 위해 기계학습을 활용하고 있다. 본 연구는 지진의 발생 시간, 위치, 규모의 정보를 확장하여 기계학습에 적용 가능한 자료를 제작한 후, 주성분 분석을 통해 추출한 자료의 주요 성분으로 자료의 차원을 축소하였다. 차원이 확장된 자료는 36,699개의 지진 사건을 포함하는 Global Centroid Moment Tensor 카탈로그로부터 얻은 지진 정보의 통계량으로 구성되었다. 표준화와 최대-최소화 스케일링을 활용하여 자료 전처리를 수행하였으며, 스케일링이 완료된 자료에 주성분 분석을 적용하여 자료의 주요 특징을 추출하였다. 스케일링은 상이한 단위로 인한 특징 값의 차이를 현저히 감소시켰으며, 그 중 표준화는 다른 전처리에 비해서 각 특징의 중앙값을 더 균등하게 변환하였다. 주성분 분석이 스케일링이 적용되지 않은 자료로부터 추출한 여섯 개의 주성분은 원본 자료의 정보를 99% 설명하였다. 표준화와 최대-최소 스케일링이 적용된 자료로부터 추출한 열여섯 개의 주성분은 원본 자료의 정보의 98%를 재구성하였다. 이는 특징 값의 분포가 균등한 자료의 정보를 보존하기 위해서는 더 많은 주성분이 필요함을 지시한다. 본 연구는 지진 데이터와 지진 거동과의 관계를 분석하는 효율적이고 정확한 기계 학습 모형을 훈련시키기 위한 데이터 처리 방법을 제안하였다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 1998년도 가을 학술발표논문집 Vol.25 No.2 (2)
• /
• pp.458-460
• /
• 1998

본 논문은 주성분 분석으로 시점 기반 고유얼굴(view-based eigenface)을 생성하고, 그에 기반한 얼굴 인식을 수행하고자 한다. 주성분 분석을 통한 고유얼굴 생성은 얼굴 인식의 어려운 문제 중 하나인 특징 선택과 추출이라는 문제를 해결해 준다. 또한 얼굴 표정이나 방향의 변화에도 인식률이 저하되는 것을 방지할 수 있다. 얼굴 영상을 특징공간(고유공간)으로 변환할 때, 원 얼굴영상의 정보를 최대한으로 나타낼 수 있는 최적의 고유치 개수 선택은 얼굴 데이터베이스의 크기와 인식 속도에 영향을 끼친다. 따라서 본 논문에서는 고유치 개수를 고유치의 누적기여율을 이용해서 구한다. 이는 64$\times$64(=4096)차원의 원 얼굴 영상을 5~7차원으로 표현 가능하게 하였다. 그리고, 각 얼굴 방향에 따라 특징공간을 분리해서 생성함으로써 얼굴 방향의 변화에 따라 오인식률을 줄였다. 축소된 차원과 분리된 특징공간은 메모리 사용과 인식속도의 향상에 기여한다. 본 논문에서 얼굴의 인식은 Mahalanobis distance와 재구성 오차율을 고려해서 이루어졌다. 실험은 개인당 세가지 다른 방향을 가지는 얼굴 영상을 이용하여 이루어졌고, 실험결과, 약 93%의 인식률을 보여주었다.

• 대한원격탐사학회지
• /
• 제35권6_1호
• /
• pp.959-971
• /
• 2019

대표적인 딥러닝(deep learning) 기법 중 하나인 Convolutional Neural Network(CNN)은 고수준의 공간-분광 특징을 추출할 수 있어 초분광 영상 분류(Hyperspectral Image Classification)에 적용하는 연구가 활발히 진행되고 있다. 그러나 초분광 영상은 높은 분광 차원이 학습 과정의 시간과 복잡도를 증가시킨다는 문제가 있어 이를 해결하기 위해 기존 딥러닝 기반 초분광 영상 분류 연구들에서는 차원축소의 목적으로 Principal Component Analysis (PCA)를 적용한 바 있다. PCA는 데이터를 독립적인 주성분의 축으로 변환시킬 수 있어 분광 차원을 효율적으로 압축할 수 있으나, 분광 정보의 손실을 초래할 수 있다. PCA의 사용 유무가 CNN 학습의 정확도와 시간에 영향을 미치는 것은 분명하지만 이를 분석한 연구가 부족하다. 본 연구의 목적은 PCA를 통한 분광 차원축소가 CNN에 미치는 영향을 정량적으로 분석하여 효율적인 초분광 영상 분류를 위한 적절한 PCA의 적용 방법을 제안하는 데에 있다. 이를 위해 PCA를 적용하여 초분광 영상을 축소시켰으며, 축소된 차원의 크기를 바꿔가며 CNN 모델에 적용하였다. 또한, 모델 내의 컨볼루션(convolution) 연산 방식에 따른 PCA의 민감도를 분석하기 위해 2D-CNN과 3D-CNN을 적용하여 비교 분석하였다. 실험결과는 분류정확도, 학습시간, 분산 비율, 학습 과정을 통해 분석되었다. 축소된 차원의 크기가 분산 비율이 99.7~8%인 주성분 개수일 때 가장 효율적이었으며, 3차원 커널 경우 2D-CNN과는 다르게 원 영상의 분류정확도가 PCA-CNN보다 더 높았으며, 이를 통해 PCA의 차원축소 효과가 3차원 커널에서 상대적으로 적은 것을 알 수 있었다.

• 한국정보통신학회논문지
• /
• 제10권7호
• /
• pp.1307-1311
• /
• 2006

본 연구에서는 행렬 분해 (Matrix Factorization)를 이용하여 음성 스펙트럼의 부분적 특정을 나타낼 수 있는 새로운 음성 파라마터를 제안한다. 제안된 파라미터는 행렬내의 모든 원소가 음수가 아니라는 조건에서 행렬분해 과정을 거치게 되고 고차원의 데이터가 효과적으로 축소되어 나타남을 알 수 있다. 차원 축소된 데이터는 입력 데이터의 부분적인 특성을 표현한다. 음성 특징 추출 과정에서 일반적으로 사용되는 멜 필터뱅크 (Mel-Filter Bank)의 출력 을 Non-Negative 행렬 분해(NMF:Non-Negative Matrix Factorization) 알고리즘의 입 력으로 사용하고, 알고리즘을 통해 차원 축소된 데이터를 음성인식기의 입력으로 사용하여 멜 주파수 캡스트럼 계수 (MFCC: Mel Frequency Cepstral Coefficient)의 인식결과와 비교해 보았다. 인식결과를 통하여 일반적으로 음성인식기의 성능평가를 위해 사용되는 MFCC에 비하여 제안된 특정 파라미터가 인식 성능이 뛰어남을 알 수 있었다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2010년도 한국컴퓨터종합학술대회논문집 Vol.37 No.1(C)
• /
• pp.390-394
• /
• 2010

본 논문에서는 영상인식에서 널리 사용되는 지역적 특징인 SIFT와 부분공간분석에 의한 차원축소방법의 결합을 통하여 얼굴을 인식하는 방법을 제안한다. 기존의 SIFT기반 영상인식 방법에서는 추출된 키 포인트 각각에 대하여 계산된 특징기술자들을 개별적으로 비교하여 얻어지는 유사도를 바탕으로 인식을 수행하는데 반해, 본 논문에서 제안하는 접근법은 SIFT의 특징기술자를 명도 값으로 표현된 얼굴 영상을 여려 변형에 강건한 형태로 표현되도록 변환하는 표현방식으로 본다. SIFT기반의 특징기술자에 의해 표현된 얼굴 영상을 부분공간분석법에 의해 저차원의 특징벡터로 다시 표현되고, 이 특징벡터를 이용하여 얼굴인식을 수행한다. 잘 알려진 벤치마크 데이터인 AR 데이터베이스에 대한 실험을 통해 제안한 방법이 조명 변화와 가려짐에 강인한 인식 결과를 보여줄 뿐 아니라, 기존의 SIFT 기반의 얼굴 인식 방법에 비하여 우수한 처리 속도를 보임을 확인하였다.

• 한국지능시스템학회논문지
• /
• 제26권4호
• /
• pp.259-266
• /
• 2016

최근 감시와 보안을 목적으로 활발하게 CCTV가 설치되고 있고, 지능형 감시시스템은 영상에서 객체의 검출 및 감시 등으로 광범위하게 응용되고 있다. 본 연구에서는 지능형 영상 감시 시스템에서 HOG 특징과 FCM 기반의 RBFNN 분류기를 이용한 상반신 검출 방법을 제안한다. HOG는 보행자를 검출하기 위해 기존에 제안되었던 특징으로 본 논문에서는 이를 사용해 상반신의 고유한 기울기를 학습하였다. HOG 특징은 입력 이미지의 크기에 비례하는 고차원의 특징 벡터로 기울기를 표현하기 때문에 RBFNN분류기의 입력데이터로 쓰려면 차원 축소가 필요하다. 이를 위해 PCA 알고리즘을 RBFNN 분류기 앞에 적용하여 HOG 특징의 차원을 저차원으로 축소하였다. 컴퓨터 실험에서는 미리 분류된 상반신 영상과 사람이 아닌 영상을 통해 분류기를 훈련시킨 후 테스트 영상과 동영상을 이용하여 제안된 상반신 검출 방법의 성능을 평가하였다.

• 전자공학회논문지CI
• /
• 제48권2호
• /
• pp.47-54
• /
• 2011

본 논문에서는 한 장의 이미지에서 학습을 통하여 영역 별 깊이 정보를 추정할 때 사용되는 특징 정보를 유전 알고리즘(Genetic Algorithm)을 기반으로 축소하고 깊이 정보 추정 시간을 단축하는 방법에 대해서 기술 한다. 깊이 정보는 이미지의 에너지 값과 텍스쳐의 기울기 등을 특징으로 생성하여 특징들의 관계를 기반으로 추정 된다. 이 때 사용되는 특징의 차원이 크기 때문에 연산시간이 증가하고 특징의 중요성을 판단하지 않고 사용하여 오히려 성능에 나쁜 영향을 미치기도 한다. 이에 따라 중요성을 판단하여 특징의 차원을 줄일 필요가 있다. 본 논문에서 제안한 방법을 미국 스탠포드(Stanford)대학에서 제공하는 벤치마크 데이터로 실험한 결과, 특징의 추출과 깊이 추정 연산 시간이 모든 특징을 사용하는 방법에 비하여 약 60%정도 향상되고 정확도가 평균 0.4%에서 최대 2.5% 향상 되었다.