• 한국정보전자통신기술학회논문지
• /
• 제14권1호
• /
• pp.14-21
• /
• 2021

그린 네트워킹(Green networking)은 유선 데이터 네트워크(Wired data network)에서 통합적인 에너지 관리를 통해 에너지 낭비와 CO2 배출 감소를 유도하기 위해 주요 관심분야가 되었다. 그러나 액세스 네트워크(access networks)는 유선 데이터 네트워크 영역에서 사용자 단말을 제외하면 가장 많은 에너지를 소비하는 영역임에도 불구하고 그 범위가 매우 광대하여 통합적인 관리가 어렵고, 그 에너지 소모량과 에너지 절약 잠재성을 예측하기가 매우 어렵다. 본 논문에서는 기존의 다양한 수학적 예측 모델과 실험 및 실측 데이터를 이용하여 유선 액세스 네트워크의 에너지 소모량 데이터를 수집하고 머신러닝(Machine learning)의 지도학습을 이용한 다중 선형 회귀모델을 생성한다. 또한 생성한 모델로부터 다양한 실험을 통해 회귀모델의 성능을 최적화하여 유선 액세스 네트워크의 에너지 소모량을 예측하였고 생성한 회귀모델은 널리 알려진 평가 지표를 통해 성능을 평가하였다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제16권2호
• /
• pp.365-380
• /
• 2022

The target detection algorithm based on supervised learning is the current mainstream algorithm for target detection. A high-quality dataset is the prerequisite for the target detection algorithm to obtain good detection performance. The larger the number and quality of the dataset, the stronger the generalization ability of the model, that is, the dataset determines the upper limit of the model learning. The convolutional neural network optimizes the network parameters in a strong supervision method. The error is calculated by comparing the predicted frame with the manually labeled real frame, and then the error is passed into the network for continuous optimization. Strongly supervised learning mainly relies on a large number of images as models for continuous learning, so the number and quality of images directly affect the results of learning. This paper proposes a dataset STAR-24K (meaning a dataset for Space TArget Recognition with more than 24,000 images) for detecting common targets in space. Since there is currently no publicly available dataset for space target detection, we extracted some pictures from a series of channels such as pictures and videos released by the official websites of NASA (National Aeronautics and Space Administration) and ESA (The European Space Agency) and expanded them to 24,451 pictures. We evaluate popular object detection algorithms to build a benchmark. Our STAR-24K dataset is publicly available at https://github.com/Zzz-zcy/STAR-24K.

• 정보교육학회논문지
• /
• 제25권6호
• /
• pp.995-1003
• /
• 2021

다가오는 지능정보사회의 핵심이 될 인공지능(AI) 교육의 필요성이 대두되면서, 국가적 차원에서도 교육과정에 인공지능 관련 내용을 포함하는 등 관심을 집중시키고 있다. 본 연구에서는 지도학습 중심의 머신러닝을 통해 생활 속 문제를 해결하는 과정에서 학생들의 창의적 문제해결력을 신장시키기 위해 PASPA 교육 프로그램을 제시하였으며, 학습의 효과를 높이기 위해 피지컬 컴퓨팅 도구인 마이크로비트(Micro:bit)를 활용하였다. PASPA 교육 프로그램에 적용된 교수 학습 과정은 문제 인식(Problem Recoginition), 해결 방법 논의(Argument), 데이터 기준 세우기(Setting data standard), 프로그래밍(Programming), 적용 및 평가(Application and evaluation)의 5단계로 이루어진다. 본 교육 프로그램을 학생들에게 적용한 결과 창의적 문제해결력의 향상을 확인할 수 있었으며, 세부 영역에서는 특정 영역의 지식·사고, 비판적·논리적 사고 영역에서 유의한 차이를 보임이 확인되었다.

• 한국정보교육학회:학술대회논문집
• /
• 한국정보교육학회 2021년도 학술논문집
• /
• pp.385-391
• /
• 2021

본 논문에서는 예비교사 및 현직교사를 대상으로 한 인공지능 소양교육을 위해, 딥러닝 인공신경망 교육 사례를 연구하였다. 또한, 제안한 교육 사례를 통해, 초중고 학생들이 경험할 수 있는 인공신경망 원리교육 콘텐츠를 탐색하고자 하였다. 이를 위해, 우선 2종 이미지를 인식하는 인공신경망의 동작 원리 교육 사례를 제시하였다. 그리고 인공신경망 확장 응용 교육 사례로, 3종 이미지를 인식하는 인공신경망 교육 사례를 제시하였다. 인공신경망에 인식시키고자 하는 이미지 개수에 따라 출력층의 개수를 변경하여 스프레드시트로 구현한 사례를 구분하여 설명하였다. 또한, 인공신경망 동작 결과를 체험하기 위해, 지도학습 방식의 인공신경망에 필요한 학습데이터를 직접 작성해보는 교육 내용을 제시하였다. 본 논문에서는 인공신경망의 구현과 인식 테스트 결과를 스프레드시트를 사용하여 시각적으로 나타내었다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2021년도 춘계학술대회
• /
• pp.607-610
• /
• 2021

지도학습에서 모델을 학습함에 있어 입력 데이터와 해당 데이터의 라벨이 필요하다. 하지만 신뢰성 있는 라벨링은 비용과 시간적인 면에서 많이 소요되며 이를 자동화할 경우 라벨이 언제나 맞는다는 보장이 없어 노이즈가 들어가게 된다. 이러한 라벨 노이즈 환경에서 지도학습을 진행할 경우 모델은 학습 초기에는 정확도가 올라가지만, 어느 정도 학습 후 정확도가 크게 감소되는 경향을 보인다. 라벨 노이즈 문제를 해결하기 위해 다양한 방법이 있지만, 대다수의 경우 모델이 예측한 확률을 수도라벨로 사용해 이용하는 경우가 많다. 여기에 대해서 우리는 모델이 예측한 확률을 정제하여 좀 더 빠르게 참 라벨을 예측하는 방법을 제시한다. 기존의 논문 중 모델이 예측한 확률을 사용하는 방법에 우리가 제안하는 방법을 적용하여 같은 환경, 데이터셋에 대해 실험을 진행한 결과 성능개선과 더 빠르게 수렴하는 것을 확인할 수 있었다. 이를 통해 기존 연구들 중 모델이 예측하는 확률분포를 사용하는 방법들에 적용할 수 있고 같은 환경에서도 더 빠르게 수렴시킬 수 있기에 학습 소요시간을 줄일 수 있다.

• Korean Journal of Radiology
• /
• 제24권11호
• /
• pp.1061-1080
• /
• 2023

Artificial intelligence (AI) in radiology is a rapidly developing field with several prospective clinical studies demonstrating its benefits in clinical practice. In 2022, the Korean Society of Radiology held a forum to discuss the challenges and drawbacks in AI development and implementation. Various barriers hinder the successful application and widespread adoption of AI in radiology, such as limited annotated data, data privacy and security, data heterogeneity, imbalanced data, model interpretability, overfitting, and integration with clinical workflows. In this review, some of the various possible solutions to these challenges are presented and discussed; these include training with longitudinal and multimodal datasets, dense training with multitask learning and multimodal learning, self-supervised contrastive learning, various image modifications and syntheses using generative models, explainable AI, causal learning, federated learning with large data models, and digital twins.

• 전자공학회논문지B
• /
• 제33B권5호
• /
• pp.102-108
• /
• 1996

Adaptive resonance theory (ART2) characterized by its built-in mechanism of handling the stability-plasticity switching and by the adaptive learning without forgetting informations learned in the past, is based on an unsupervised template matching. We propose an improved tow-stage learning algorithm for aRT2: the original unsupervised learning followed by a new supervised learning. Each of the output nodes, after the unsupervised learning, is labeled according to the category informations to reinforce the template pattern associated with the target output node belonging to the same category some dominant classes from exhausting a finite number of template patterns in ART2 inefficiently. Experimental results on a set of 2545 FLIR images show that the ART2 trained by the two-stage learning algorithm yields better accuracy than the original ART2, regardless of th esize of the network and the methods of evaluating the accuracy. This improvement shows the effectiveness of the two-stage learning process.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제8권8호
• /
• pp.2895-2912
• /
• 2014

Content-based image retrieval has been the most important technique for managing huge amount of images. The fundamental yet highly challenging problem in this field is how to measure the content-level similarity based on the low-level image features. The primary difficulties lie in the great variance within images, e.g. background, illumination, viewpoint and pose. Intuitively, an ideal similarity measure should be able to adapt the data distribution, discover and highlight the content-level information, and be robust to those variances. Motivated by these observations, we in this paper propose a probabilistic similarity learning approach. We first model the distribution of low-level image features and derive the free energy kernel (FEK), i.e., similarity measure, based on the distribution. Then, we propose a learning approach for the derived kernel, under the criterion that the kernel outputs high similarity for those images sharing the same class labels and output low similarity for those without the same label. The advantages of the proposed approach, in comparison with previous approaches, are threefold. (1) With the ability inherited from probabilistic models, the similarity measure can well adapt to data distribution. (2) Benefitting from the content-level hidden variables within the probabilistic models, the similarity measure is able to capture content-level cues. (3) It fully exploits class label in the supervised learning procedure. The proposed approach is extensively evaluated on two well-known databases. It achieves highly competitive performance on most experiments, which validates its advantages.

• 정보관리학회지
• /
• 제25권3호
• /
• pp.27-39
• /
• 2008

동일한 인명을 갖는 서로 다른 실세계 사람들이 존재하는 현실은 인터넷 세계에서 인명으로 표현된 개체의 신원을 식별해야 하는 문제를 발생시킨다. 상기의 문제가 학술정보 내의 저자명 개체로 제한된 경우를 저자식별이라 부른다. 저자식별은 식별 대상이 되는 저자명 개체 사이의 유사도 즉 저자유사도를 계산하는 단계와 이후 저자명 개체들을 군집화하는 단계로 이루어진다. 저자유사도는 공저자, 논문제목, 게재지정보 등의 저자식별자질들의 자질유사도로부터 계산되는데, 이를 위해 기존에 교사방법과 비교사방법들이 사용되었다. 저자식별된 학습샘플을 사용하는 교사방법은 비교사방법에 비해 다양한 저자식별자진들을 결합하는 최저의 저자유사도함수를 자동학습할 수 있다는 장점이 있다. 그러나, 기존교사방법 연구에서는 SVM, MEM 등의 일부 기계학습기법만이 시도되었다. 이 논문은 다양한 기계학습기법들이 저자식별에 미치는 성능, 오류, 효율성을 비교하고, 공저자와 논문제목 자질에 대해 자질값 추출 및 자질 유사도 계산을 위한 여러 기법들의 비교분석을 제공한다.

• 한국컴퓨터정보학회논문지
• /
• 제27권10호
• /
• pp.19-28
• /
• 2022

본 논문에서는 실시간 고성능 다중 객체 추적을 수행하기 위해 최적의 TBD (Tracking-by-detection) 메커니즘을 결정할 수 있는 Detector Scheduler를 제안한다. Detector Scheduler는 서로 다른 프레임 간의 특징량 차이를 측정하는 것으로 검출기 실행 여부를 결정하여 전체 추적 속도를 향상한다. 하지만, Detector Scheduler의 학습에 필요한 GT (Ground Truth) 생성이 어렵기 때문에 Detector Scheduler를 추적 결과만을 통해 학습 가능한 자가 학습 방법을 제안한다. 제안된 자가 학습 방법은 프레임 간의 객체 카디널리티와 객체 외형 특징량의 비유사도가 커질 때 검출기를 실행할 수 있도록 의사 레이블을 생성하고 제안된 손실함수를 통해 Detector Scheduler를 학습한다.