• 전자공학회논문지CI
• /
• 제43권5호
• /
• pp.29-37
• /
• 2006

스레쉬홀딩(thresholding)은 영상 화소의 군집이나 강도를 이용하여 영상을 분할하는 기본 기술이다. Otsu의 스레쉬홀딩 방법에서는 정규화 된 히스토그램을 이산 밀도함수로 보아 화소의 클래스 간 분산을 최대화시키는 판별식을 이용한다. 그러나 Otsu의 방법에서는 여러 객체로 이루어진 영상에서 최적의 스레쉬홀드를 찾기 위하여 그레이레벨 전 구간에 대해 모든 가능한 분산 값을 반복적으로 계산해 보아야 하기 때문에 계산 시간이 길게 걸리는 문제가 있다. 본 논문에서는 Otsu의 방법을 개선하여 간단하지만 고속으로 멀티-레벨의 스레쉬홀드 값을 구할 수 있는 방법을 제안한다. 전체 그레이 구간 영역에 대하여 Otsu의 방법을 적용시키기 보다는 먼저 그레이 영역을 작은 부분-구간으로 나눈 다음 Otsu의 방법을 적용시키는 처리를 반복하여 원하는 개수의 스레쉬홀드를 구하는 방법이다. 본 제안 방법에서는 맨 처음 대상 영상의 그레이 구간을 2부류로 나눈다. 이 때, 분할을 위한 스레쉬홀드는 전 구간을 대상으로 Otsu의 방법을 적용하여 구한다. 그 다음에는 전체 구간이 아닌 분할된 부분-구간을 대상으로 Otsu의 방법을 적용하여 두 부류를 4부류로 나눈다. 이와 같은 처리를 원하는 개수의 스레쉬홀드를 얻을 때 까지 반복한다. 세 종류 벤취마크 영상과 50개 얼굴영상에 대해 실험한 결과, 제안 방법은 대상 영상을 특성에 맞게 고속으로 잘 분할하였으며, 패턴 매칭이나 얼굴인식에 이용될 수 있는 가능성을 확인하였다.

• 서비스연구
• /
• 제14권1호
• /
• pp.13-26
• /
• 2024

멀티모달 (multi-modal) 생성이란 텍스트, 이미지, 오디오 등 다양한 정보를 기반으로 결과를 도출하는 작업을 말한다. AI 기술의 비약적인 발전으로 인해 여러 가지 유형의 데이터를 종합적으로 처리해 결과를 도출하는 멀티모달 기반 시스템 또한 다양해지는 추세이다. 본 논문은 음성과 텍스트 인식을 활용하여 인물을 묘사하면, 몽타주 이미지를 생성하는 AI 시스템의 개발 내용을 소개한다. 기존의 몽타주 생성 기술은 서양인들의 외형을 기준으로 이루어진 반면, 본 논문에서 개발한 몽타주 생성 시스템은 한국인의 안면 특징을 바탕으로 모델을 학습한다. 따라서, 한국어에 특화된 음성과 텍스트의 멀티모달을 기반으로 보다 정확하고 효과적인 한국형 몽타주 이미지를 만들어낼 수 있다. 개발된 몽타주 생성 앱은 몽타주 초안으로 충분히 활용 가능하기 때문에 기존의 몽타주 제작 인력의 수작업을 획기적으로 줄여줄 수 있다. 이를 위해 한국지능정보사회진흥원의 AI-Hub에서 제공하는 페르소나 기반 가상 인물 몽타주 데이터를 활용하였다. AI-Hub는 AI 기술 및 서비스 개발에 필요한 인공지능 학습용 데이터를 구축하여 원스톱 제공을 목적으로 한 AI 통합 플랫폼이다. 이미지 생성 시스템은 고해상도 이미지를 생성하는데 사용하는 딥러닝 모델인 VQGAN과 한국어 기반 영상생성 모델인 KoDALLE 모델을 사용하여 구현하였다. 학습된 AI 모델은 음성과 텍스트를 이용해 묘사한 내용과 매우 유사한 얼굴의 몽타주 이미지가 생성됨을 확인할 수 있다. 개발된 몽타주 생성 앱의 실용성 검증을 위해 10명의 테스터가 사용한 결과 70% 이상이 만족한다는 응답을 보였다. 몽타주 생성 앱은 범죄자 검거 등 얼굴의 특징을 묘사하여 이미지화하는 여러 분야에서 다양하게 사용될 수 있을 것이다.

• 인간행동과 음악연구
• /
• 제5권1호
• /
• pp.67-90
• /
• 2008

MI란 Music and Imagery의 약자로 심리치료의 한 방법인 GIM(Guided Imagery and Music)을 현실에 맞게 축약적으로 접목시킨 방법이다. 이는 치료목표에 적합한 음악감상을 통해 다양한 심상을 경험함으로 인간의 내면세계를 탐색, 직면, 통찰, 해결하게 한다. 본 치료사례는 MI기법을 활용하여 우울한 내담자의 긍정적 내적자원에 따른 심상을 체험하고, 그 체험을 언어적으로 표현한다. 또한 그 이미지들을 일상생활에 긍정적인 변화를 적용할 수 있도록 유도하는 지지적 수준의 개인 치료사례이다. 지지적인 수준(Supportive Level)에서의 MI는 음악 안에서 안전하게 서로 지지하는 수준에서만 사용한다. 개인세션 도입은 특정 느낌이나 주제, 단어 혹은 시각적 이미지를 연상하고, 이러한 이미지는 갈등적인 내용이 아닌 긍정적인 경험을 유도한다. MI의 한 회기 별 첫 번째 단계는 초기면담(Prelude)으로 상담의 초기면담과 같이 구체적인 목표를 정한다. 두 번째 단계는 전환(Transition)으로 여러 가지 내담자의 이야기 중에 가장 지지적인 주제를 좀 더 초점화하여 구체적으로 느끼고 표현 할 수 있도록 한다. 세 번째 단계는 긴장완화 및 음악 감상(Music Listening)으로 여러 긴장이완법 등을 사용하여 음악 감상하는 동안 심상이 잘 떠오를 수 있도록 이완 시킨다. 그리고 음악 감상 동안 음악이 가져다주는 여러 가지 심상들을 탐색하고 연상 할 수 있도록 한다. 마지막 단계는 마무리(Process)시간으로 음악 감상 동안 경험되어진 심상을 그림으로 표현하고, 개인적인 심상경험을 언어적인 과정을 통해 치료사와 공유함으로써 긍정적인 경험을 확장시켜 내적인 힘을 키운다. A 내담자의 경우 내담자와의 라포 형성하기(공감, 이해, 지지), 내담자의 긍정적인 자원탐색(어린시절, 가족), 내담자의 감정표현 및 긍정적 지지(현재의 나)의 구체적인 목표를 설정하였다. 음악은 내담자가 선호하는 음악과 치료사가 선정한 음악 중에서 음의 전개가 단순하고, 멜로디가 반복적이며, 리듬이 규칙적이며, 협화음으로 구성된 안정적이고 구조화된 음악을 사용하였다. 그 결과 A는 1, 2회기에는 방어기제를 많이 사용하고 우울로 인한 감정조절의 어려움을 보였으나 3회기 이후 자신이 좋아하는 음악과 지지적인 음악을 치료사가 제공하는 것으로 인해 공감과 지지를 경험할 수 있게 되었다. 이를 통하여 4회기부터 안정감을 갖고 세션 안에서 부정적 정서를 긍정적인 정서로 전환하고, 자신의 내재된 힘을 발견하게 되었다. 6회기에는 과거 힘들었던 시간들이 앞으로 갖게 될 좋은 시간을 준비하는 단계라고 인식하기 시작하였다. B 내담자의 경우 내담자와의 라포 형성 및 탐색하기(공감, 이해, 지지), 내담자의 문제 탐색 및 긍정적 인식(어린시절, 가족), 내담자의 감정표현 및 통찰하기(현재와 미래의 나)의 구체적인 목표를 설정하였다. 음악은 1, 2회기에는 안정적이고 구조적인 음악을 사용하였으나, 3회기 이후 곡의 전개가 점점 커지고 주제 멜로디의 변주로 음의 고저가 많으며, 협화음과 불협화음이 넘나드는 고전파와 낭만파의 음악을 사용하였다. 그 결과 B 내담자는 1,2회기에서는 대인관계의 어려움을 종교적인 관계로 전환하여 현실회피하려는 경향이 나타났으나 자신이 좋아하는 음악과 지지적인 음악을 통하여 공감과 지지를 경험할 수 있었다. 3회기 이후 B는 자신의 현실 문제를 인식하고 직면하였으나 회피와 직면의 양가감정을 갖게 되었다. 4회기 이후 B는 우울로 인한 감정의 변화를 음악 안에서 경험하고, 자신의 문제에 직면하였다. 5, 6회기에서는 긍정적인 자원을 통해 내적인 힘을 키우고 해결하려는 태도와 미래에서의 내가 좀 더 당당하고 건강하게 살아가려는 의지가 나타났다. 이와 같이 MI 프로그램은 GIM 프로그램보다 좀 더 현실적이고 짧은 회기수로 내담자의 문제들을 해결할 수 있다는 가능성을 제기한다. GIM처럼 깊은 무의식속으로 접근 하지 않고도, MI는 현실주의 상담과도 같이 내담자의 현실적인 문제를 근거로 하여 문제인식 및 통찰, 해결해 나갈 수 있다. 특히 음악의 사용에 있어서도 다양한 장르의 곡을 내담자에게 맞게 사용할 수 있으며, 음악감상 시간도 GIM에 비해 짧고 곡의 기능들도 구조화되어 내담자의 감정을 심상으로 잘 표현 할 수 있다. 그러므로 MI는 내담자의 음악선호도와 음악의 다양한 기능들을 활용하여 개인과 그룹으로 성인뿐만 아니라 아동 및 청소년에게도 알맞게 수정 보완하여 사용할 수 있음을 시사한다.

• 전기전자학회논문지
• /
• 제21권2호
• /
• pp.136-141
• /
• 2017

본 논문에서는 딥러닝을 PC에 적용하기 위한 메모리 최적화에 관한 알고리즘을 제안한다. 제안된 알고리즘은 일반 PC에서 기존의 딥러닝 구조에서 요구되는 연산처리 과정과 데이터 량을 감소시켜 메모리 및 연산처리 시간을 최소화한다. 본 논문에서 제안하는 알고리즘은 분별력이 있는 랜덤 필터를 이용한 컨볼루션 층 구성 과정, PCA를 이용한 데이터 축소 과정, SVM을 사용한 CNN 구조 생성 등의 3과정으로 이루어진다. 분별력이 있는 랜덤 필터를 이용한 컨볼루션 층 구성 과정에서는 학습과정이 필요치 않아서 전체적인 딥러닝의 학습시간을 단축시킨다. PCA를 이용한 데이터 축소 과정에서는 메모리량과 연산처리량을 감소시킨다. SVM을 사용한 CNN 구조 생성에서는 필요로 하는 메모리량과 연산 처리량의 감소 효과를 극대화 시킨다. 제안된 알고리즘의 성능을 평가하기 위하여 예일 대학교의 Extended Yale B 얼굴 데이터베이스를 사용하여 실험한 결과, 본 논문에서 제안하는 알고리즘이 기존의 CNN 알고리즘과 비교하여 비슷한 성능의 인식률을 보이면서 연산 소요시간과 메모리 점유율에 있어 우수함이 확인되었다. 본 논문에서 제안한 알고리즘을 바탕으로 하여 일반 PC에서도 많은 데이터와 연산처리를 가진 딥러닝 알고리즘을 구현할 수 있으리라 기대된다.

• 한국인터넷방송통신학회논문지
• /
• 제22권6호
• /
• pp.121-127
• /
• 2022

스마트 미러는 거울에 디스플레이와 임베디드 컴퓨터를 부착하여 거울 기능과 함께 사용자에게 다양한 정보를 제공해주는 IoT 장치이다. 본 논문은 스마트 미러가 사용자에게 정보를 제공하는 독립형 장치(stand alone device)라는 개념에서 벗어나 스마트 미러들이 연결되는 네트워크를 구성하고 사용자들이 다른 스마트 미러 사용자들과 대화하고 정보를 공유하는 CoMirror 시스템을 제안하고 구현하였다. CoMirror 시스템은 1개의 CoMirror 서버를 중심으로 여러 CoMirror 클라이언트들이 연결되는 구조이다. CoMirror 클라이언트는 라즈베리파이와 미러 필름, 터치 패드, 디스플레이 장치, 웹 카메라 등으로 구성되며, 서버에는 얼굴 학습과 인식, 사용자 관리, 클라이언트들 사이의 메시지 교환을 위한 중계 역할, 화상 통화 연결 설정 등의 기능이 구현되었다. 사용자들은 서버를 경유하여 다른 CoMirror 사용자들과 텍스트, 이미지, 오디오 등의 메시지를 주고받을 뿐 아니라, 1:1 화상 통화를 할 수 있도록 구현되었다.

• 지능정보연구
• /
• 제28권1호
• /
• pp.89-106
• /
• 2022

최근 영상 데이터의 급증으로 이를 효과적으로 처리하기 위해 객체 탐지 및 추적, 행동 인식, 표정 인식, 재식별(Re-ID)과 같은 다양한 컴퓨터비전 기술에 대한 수요도 급증했다. 그러나 객체 탐지 및 추적 기술은 객체의 영상 촬영 장소 이탈과 재등장, 오클루전(Occlusion) 등과 같이 성능을 저하시키는 많은 어려움을 안고 있다. 이에 따라 객체 탐지 및 추적 모델을 근간으로 하는 행동 및 표정 인식 모델 또한 객체별 데이터 추출에 난항을 겪는다. 또한 다양한 모델을 활용한 딥러닝 아키텍처는 병목과 최적화 부족으로 성능 저하를 겪는다. 본 연구에서는 YOLOv5기반 DeepSORT 객체추적 모델, SlowFast 기반 행동 인식 모델, Torchreid 기반 재식별 모델, 그리고 AWS Rekognition의 표정 인식 모델을 활용한 영상 분석 시스템에 단일 연결 계층적 군집화(Single-linkage Hierarchical Clustering)를 활용한 재식별(Re-ID) 기법과 GPU의 메모리 스루풋(Throughput)을 극대화하는 처리 기법을 적용한 행동 및 표정 검출용 영상 분석 시스템을 제안한다. 본 연구에서 제안한 시스템은 간단한 메트릭을 사용하는 재식별 모델의 성능보다 높은 정확도와 실시간에 가까운 처리 성능을 가지며, 객체의 영상 촬영 장소 이탈과 재등장, 오클루전 등에 의한 추적 실패를 방지하고 영상 내 객체별 행동 및 표정 인식 결과를 동일 객체에 지속적으로 연동하여 영상을 효율적으로 분석할 수 있다.