• 지구물리와물리탐사
• /
• 제10권1호
• /
• pp.60-68
• /
• 2007

광대역 유도 분극 (spectral induced polarization, SIP) 탐사는 일정 주파수 영역에서 임피던스 자료를 측정하고, 이 자료로부터 광대역 주파수 특성을 추정하기 위한 주파수 분석으로 이루어진다. 지하매질에 대한 광대역 주파수 특성을 정확하고 정량적으로 추정하기 위해서는 기존의 방법보다 정교하고 안정적인 역산 알고리듬이 필요하다. 이를 위해 이 연구에서는 SIP 변수의 공간적인 분포를 계산하기 위하여 두 단계로 이루어진 역산 알고리듬을 개발하였다. 첫 번째 단계에서 각각의 주파수 자료에 대한 복소 전기비저항들 사이에 제한조건을 가하여 모든 SIP 탐사자료를 한꺼번에 역산한다. 새로운 제약조건은 각각의 주파수 자료들로부터 역산된 복소 전기비저항들이 모두 유사한 특성을 보일 것이라는 가정을 통해 역산 과정에서의 잡음 특성을 향상시킬 수 있는 특정을 가진다. 수치 실험을 통하여 이 연구에서 채택한 상호 제한 조건은 역산 과정상의 인위적인 잡음을 성공적으로 제거하고 있음을 확인하였다. 두 번째 단계로서 이전 단계에서 얻어진 각각의 주파수에 대한 복소 전기비저항 자료로부터 SIP 변수의 공간적인 분포를 계산하기 위하여, Cole-Cole 모델을 이용하여 SIP 변수들을 역산을 통해 계산하게 된다. 수치 실험을 통하여 역산된 SIP 변수의 영상이 실제 모델과 잘 일치하고 있음을 확인하였다. 개발된 SIP 해석기법은 일반적인 전기비저항 탐사보다 유용한 지하 영상을 제공할 수 있을 것으로 기대된다.

• 한국방사선학회논문지
• /
• 제14권4호
• /
• pp.477-486
• /
• 2020

본 연구는 디지털 단층영상합성장치에서 재구성 필터, X-선원 이동궤적 및 이동간격이 화질에 미치는 영향을 평가하고 임상적 검증을 수행하는 것을 목적으로 한다. 필터링후역투영법 재구성 시 Ramp, Shepp-Logan, Cosine, Hamming, Hann 및 Blackman 필터를 사용하였고, X-선원 이동궤적의 변화를 위해 1 × 36, 2 × 18, 3 × 12, 4 × 9 및 6 × 6 배열 형태의 이동궤적을 모사하였다. X-선원 이동간격에 따른 영향을 평가하기 위해 X-선원간 거리를 5, 10, 20, 30 및 40 mm로 변화시켰다. 재구성 영상의 깊이분해능, 공간분해능 및 잡음을 평가하기 위해 인공물확산함수, 반치폭 및 신호대잡음비를 측정하였다. 연구결과 Ramp 및 Blackman 필터를 사용하였을 때 각각 공간분해능 및 잡음 특성이 최대화 되었으며, X-선원 이동궤적의 형태가 1 × 36일 때 깊이분해능과 잡음 특성이 가장 우수하였다. 또한 X-선원 이동간격이 증가함에 따라 깊이분해능 및 잡음 특성은 향상되었고, 공간분해능은 저하되었다. 따라서 디지털 단층영상합성장치를 통한 3차원 영상획득 시 재구성 필터, X-선원 이동궤적 및 이동간격이 화질에 미치는 영향은 각기 다르며, 진단 목적에 부합하는 조건 설정이 필요하다.

• 한국정보통신학회논문지
• /
• 제26권9호
• /
• pp.1312-1319
• /
• 2022

본 논문은 미지 우주물체에 대한 광학 연속 관측을 위한 효과 척도를 정의하고, 통합 시뮬레이션 수행을 이용하여 망원경/마운트 제어 시스템 관점에서 효과 척도를 만족할 수 있는 설계 변수 조합 범위를 제시하였다. 표적의 위치 예측과 함께 프레임률, 영상처리 소요시간과 측정 오차, 표적 궤적특성 및 마운트 김발의 기동성능 등의 설계 변수를 고려하여 전체적인 시스템 수준에서의 시뮬레이션을 구현하고 추적 성능을 분석하였다. 분석 결과 광학 관측 시스템의 연속 추적 성능은 프레임률과 마운트 기동성능의 조합에 의존적임을 확인할 수 있었다. 광학 관측 시스템을 설계하거나 상용 제품을 구입하여 유사 시스템을 구성할 때, 본 연구와 같이 효과분석 시뮬레이션을 이용하면 설계 변수들 사이의 적절한 요소 조합을 찾을 수 있을 것이다.

• 한국정보전자통신기술학회논문지
• /
• 제12권6호
• /
• pp.629-635
• /
• 2019

여러 분야에서 사용되는 이미지 분류를 위한 딥러닝(Deep Learning) 모델은 오류 역전파 방법을 통해 미분을 구현하고 미분 값을 통해 예측 상의 오류를 학습한다. 엄청난 계산량을 향상된 계산 능력으로 해결하여, 복잡하게 설계된 모델에서도 파라미터의 전역 (혹은 국소) 최적점을 찾을 수 있다는 것이 장점이다. 하지만 정교하게 계산된 데이터를 만들어내면 이 딥러닝 모델을 '속여' 모델의 예측 정확도와 같은 성능을 저하시킬 수 있다. 이렇게 생성된 적대적 사례는 딥러닝을 저해할 수 있을 뿐 아니라, 사람의 눈으로는 쉽게 발견할 수 없도록 정교하게 계산되어 있다. 본 연구에서는 임의의 잡음 신호를 추가하는 방법을 통해 적대적으로 생성된 이미지 데이터셋을 탐지하는 방안을 제안한다. 임의의 잡음 신호를 추가하였을 때 일반적인 데이터셋은 예측 정확도가 거의 변하지 않는 반면, 적대적 데이터셋의 예측 정확도는 크게 변한다는 특성을 이용한다. 실험은 공격 기법(FGSM, Saliency Map)과 잡음 신호의 세기 수준(픽셀 최댓값 255 기준 0-19) 두 가지 변수를 독립 변수로 설정하고 임의의 잡음 신호를 추가하였을 때의 예측 정확도 차이를 종속 변수로 설정하여 시뮬레이션을 진행하였다. 각 변수별로 일반적 데이터셋과 적대적 데이터셋을 구분하는 탐지 역치를 도출하였으며, 이 탐지 역치를 통해 적대적 데이터셋을 탐지할 수 있었다.

• 한국컴퓨터정보학회논문지
• /
• 제18권5호
• /
• pp.1-8
• /
• 2013

스마트폰의 등장과 함께 사용자들은 다양한 애플리케이션을 통해 보다 효율적으로 모바일폰을 구성할 수 있게 되었다. 하지만, 스마트폰의 발전에도 불구하고 스마트폰의 배터리는 휴대성을 제한하고 있다. 스마트폰의 전력 효율성은 컴퓨터 시스템 연구 분야에서 아주 중요한 이슈이다. 본 논문에서는 스마트폰의 전력 효율성을 알아보기 위해 여러 구성 변수를 선택하여 실험을 수행하였다. 구성 변수로는 프로세서, 디스플레이, 운영체제를 고려하였고 각 구성 변수에 따라 여러 개의 애플리케이션을 활용하여 실험하였다. 실험 결과, 프로세서의 복잡도에 따라서도 전력 소비량이 증가하였고, 디스플레이크기 증가에 따라 전력소비량 또한 증가하였다. 하지만, 운영체제에서는 다른 전력 소비 패턴을 보였다. Android 운영체제의 경우 인터넷과 영상처리 애플리케이션에서 높은 전력 소비량을 보이며 음악 감상, 카메라 애플리케이션에서 낮은 전력 소비량을 보였다. iOS의 경우에는 게임과 인터넷 애플리케이션에서 높은 전력 소비량을 보이며 카메라와 영상처리에서 낮은 전력 소비량을 보였다. 전체적으로 Android 운영체제보다 iOS 운영체제에서 전력 효율성이 높음을 알 수 있었다. 이는 iOS는 하드웨어와 운영체제를 병행하여 개발하기 때문에 Android보다 최적화가 잘 이뤄진 것으로 판단된다. 또한, Android는 하드웨어에 최적화된 운영체제 수정이 필요함을 실험을 통해 알 수 있었다.

• 대한방사선기술학회지:방사선기술과학
• /
• 제31권4호
• /
• pp.379-387
• /
• 2008

반접현상(Aliasing)을 제거하기위한 방법 중 속도범위(velocity scale)를 높이는 방법은 동일 조건하에서 속도범위를 높여줌으로써 혈류의 방향이 반대로 나타나는 현상이 점차 사라지는 것을 확인할 수 있었다. Doppler angle을 $0^{\circ}$에 가깝게 하는 실험에서는 각도의 변화에 따른 스펙트럼 파형에서 유의한 차이점을 발견을 하지 못했다. 실제 초음파 검사(Ultrasonography)를 시행할 때는 검사의 편의성과 신속성, 정확성을 고려해서 속도범위에 변화를 주어 검사함으로써 보다 정확한 검사가 시행되리라고 본다. 또한 Doppler Angle에 따라 혈류속도는 기하학적으로 증가하였으며, $70^{\circ}$ 이상에서는 측정불가능 할 정도로 수치가 급상승하여 혈류속도가 Doppler Angle에 크게 의존한다는 것을 알 수 있었다. 혈류의 방향에 따른 실험에서는 입사각이 $60^{\circ}$ 이상에서 오차범위가 증가하였고, $70^{\circ}$ 이상에서는 매우 큰 차이를 보였다. 따라서 입사각은 $60^{\circ}$ 이하가 적당하다고 보며, 사지 혈관(extremity vessel)의 혈류속도를 구하는 데 있어서 Doppler 각도는 $45^{\circ}$에서 $60^{\circ}$가 적절한 것으로 사료된다.

• 대한원격탐사학회지
• /
• 제38권6_1호
• /
• pp.991-1005
• /
• 2022

위성 영상은 핵 활동 탐지와 검증을 위한 효율적인 보조자료로 핵시설과 같이 접근이 어렵고 정보가 제한된 지역에 매우 유용하다. 특히 장비의 이동 또는 시설물의 변화와 같이 핵실험을 준비하는 과정은 시계열 분석을 통해 충분히 식별 가능하다. 본 연구에서는 핵 활동과 관련된 주요 객체의 변화를 탐지하기 위하여, 다시기 영상의 의미론적 분할 결과의 차이를 이용하였다. AIHub에서 제공하는 KOMPSAT 3/3A 영상으로 구성된 객체 판독 데이터셋에서 건물, 도로, 소형 객체의 정보를 추출하여 학습하였으며, U-Net, PSPNet, Attention U-Net에 대하여 주요 파라미터를 변경하며 대상 객체 추출에 적합한 의미론적 분할 모델을 분석하였다. 의미론적 분할 결과의 차영상으로 생성된 결과에 객체 정보를 포함하여 최종 변화 탐지를 수행하였으며, 제안 기법을 임의의 변화를 포함한 시뮬레이션 영상에 적용한 결과, 변화 객체를 효과적으로 추출할 수 있었다. 본 연구에서 제시된 변화 탐지 기법을 적용하기 위해서는, 의미론적 분할의 정확도가 우선적으로 확보되어야 하는 제약이 있으나, 추후 실험 대상 지역에 대한 학습데이터셋이 증가할 수록 적용 가능한 분석 범위가 증가할 것으로 기대된다.

• 한국의학물리학회지:의학물리
• /
• 제21권1호
• /
• pp.1-8
• /
• 2010

CT 촬영 장치를 기반으로 한 MAGAT (Methacrylic Acid, Gelatin gel And THPC) 정상 산소 중합체 겔 선량계의 화합물 조성비와 CT 영상 스캔 인자의 변화에 따른 선량 반응성을 평가하였다. 다양한 농도의 메타크릴산(MAA, MethAcrylic Acid)과 젤라틴을 조성하여 MAGAT 선량계를 제작하고 20 Gy까지의 방사선을 조사하였다. 조사된 겔 선량계는 CT 촬영 장치(Brilliance Big bore scanner, Phillps, Netherlands)를 이용하여 다양한 스캔 인자(관전압, 관전류, 단면두께)로 같은 위치에서 20회까지의 CT 영상을 획득하였다. 획득된 영상으로 $N_{CT}$-선량 반응곡선($N_{CT}$-dose response), 선량 감도(dose sensitivity), 선량 분해능(dose resolution)을 측정, 평가하였다. 각 조성비 별 MAGAT 선량계의 $N_{CT}$-선량 반응곡선에서 메타크릴산과 젤라틴의 양이 증가함에 따라 기울기와 절편이 증가하였다. 선량 감도는 $0.338{\pm}0.08$에서 $0.859{\pm}0.1$까지 나타났고 메타크릴산이 증가, 젤라틴이 감소할수록 증가하였으나 그 변화는 메타크릴산 농도의 증가에 따라 감도가 증가되는 것에 비해 아주 작은 변화를 보였다. 선량 분해능은 약 2.6에서 6 Gy까지 다양하게 나타났으며 감도와 영상 내의 노이즈에 의해 큰 변화를 보였다. 영상 스캔 인자의 변화에 대한 반응곡선은 관전압, 관전류, 단면두께의 변화에 따른 곡선의 기울기와 감도는 큰 변화를 보이지 않았으나 영상 내의 노이즈(평균 CT number의 표준편차)는 위의 3개의 인자가 증가할수록 감소함을 보였다. 본 연구는 CT 촬영장치를 이용한 MAGAT 중합체 겔의 선량 반응성을 평가하여 적정한 조성비와 스캔 인자를 얻을 수 있었으며 CT를 기반으로 한 3차원 선량계를 간단하고 효율적으로 임상에 적용할 수 있을 것으로 사료된다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.167-181
• /
• 2018

지난 10여 년간 딥러닝(Deep Learning)은 다양한 기계학습 알고리즘 중에서 많은 주목을 받아 왔다. 특히 이미지를 인식하고 분류하는데 효과적인 알고리즘으로 알려져 있는 합성곱 신경망(Convolutional Neural Network, CNN)은 여러 분야의 분류 및 예측 문제에 널리 응용되고 있다. 본 연구에서는 기계학습 연구에서 가장 어려운 예측 문제 중 하나인 주식시장 예측에 합성곱 신경망을 적용하고자 한다. 구체적으로 본 연구에서는 그래프를 입력값으로 사용하여 주식시장의 방향(상승 또는 하락)을 예측하는 이진분류기로써 합성곱 신경망을 적용하였다. 이는 그래프를 보고 주가지수가 오를 것인지 내릴 것인지에 대해 경향을 예측하는 이른바 기술적 분석가를 모방하는 기계학습 알고리즘을 개발하는 과제라 할 수 있다. 본 연구는 크게 다음의 네 단계로 수행된다. 첫 번째 단계에서는 데이터 세트를 5일 단위로 나눈다. 두 번째 단계에서는 5일 단위로 나눈 데이터에 대하여 그래프를 만든다. 세 번째 단계에서는 이전 단계에서 생성된 그래프를 사용하여 학습용과 검증용 데이터 세트를 나누고 합성곱 신경망 분류기를 학습시킨다. 네 번째 단계에서는 검증용 데이터 세트를 사용하여 다른 분류 모형들과 성과를 비교한다. 제안한 모델의 유효성을 검증하기 위해 2009년 1월부터 2017년 2월까지의 약 8년간의 KOSPI200 데이터 2,026건의 실험 데이터를 사용하였다. 실험 데이터 세트는 CCI, 모멘텀, ROC 등 한국 주식시장에서 사용하는 대표적인 기술지표 12개로 구성되었다. 결과적으로 실험 데이터 세트에 합성곱 신경망 알고리즘을 적용하였을 때 로지스틱회귀모형, 단일계층신경망, SVM과 비교하여 제안모형인 CNN이 통계적으로 유의한 수준의 예측 정확도를 나타냈다.