• 대순사상논총
• /
• 제33집
• /
• pp.31-62
• /
• 2019

본 연구는 무극과 태극 상관연동의 대순우주론에 관한 연구를 목적으로 한다. 대순우주론은 구천상제께서 세상에 펼친 대순에 근거하여 이루어진 우주론이다. 이 글에서는 대순우주론이 구천상제의 무극초월, 도주정산의 태극내재, 무극과 태극 상관연동의 후천개벽의 삼단계로 전개되고 있음을 밝히고자 한다. 먼저 구천상제의 무극초월은 생장염장과 무위이화로 드러난다. '생장염장(生長斂藏)'의 사의(四義)는 우주순환 원리를 표상하며, 무위이화는 그 성품을 바르게 하고 기운을 올곧게 함은 꾸밈이 없이 성취함을 일컫는다. 이는 상생진법의 정음정양에 근거하여 이루어진다고 말할 수 있다. 또한 도주정산의 태극내재는 만물생장과 생성변화로 이루어진다. 만물생장은 세상의 모든 것들이 저마다 생명을 틔워 생장하면서 각각 생애 절정을 향해 빛내려고 하는 특징을 드러낸다고 할 것이다. 아울러 뇌성보화의 지배자양에 의해 선천의 상극기운과 습관을 버리고, 음양이기(陰陽二氣)를 결합하여 동정진퇴(動靜進退)의 내재변화(內在變化)로 천기(天氣)와 지기(地氣)를 승강(昇降)하게 한다. 그리고 무극과 태극 상관연동의 후천개벽은 무극초월과 태극내재 상관연동의 대순일원으로 일상에서 도를 체화하는 단계로서 켄 윌버의 통합모델과 상통한다. '도통진경(道通眞境)'은 참된 도를 체화하는 경지이고, '도지통명(道之通明)'은 도를 밝혀 후천개벽의 새 세상을 전개함을 의미한다. 선녀들이 음악을 연주하고, 불로초가 피어나고, 학들이 노니는 안온하고 평화로운 모습이다. 인간은 지상신선이 되고, 후천개벽의 실화기제가 되어 마침내 시공(時空)을 넘나드는 대자유인으로서 행복결실을 맺는 형상이다. 대순사상은 대순진리의 사상으로 도주께서 50년간 각고의 고초를 겪으시며 '태극내재'를 새 밝힘으로 함으로 진법(眞法)을 완성시킨 것에 근거한다. 도주께서 1958년, 도전께 종통을 물려주시면서 도의 전반을 맡아가도록 하명함으로 대순사상은 도전에 의해 대순사상으로 계승되었다. 또한 도전께서 '대순(大巡)'을 크게 순찰하는 의미로 새겨서, 구천상제의 삼계대순(三界大巡) 개벽공사(開闢公事) 뜻을 담보했다. 아울러 '대순(大巡)이 원(圓)으로, 무극과 태극의 상관연동 우주론을 나타내고 있다고 새 밝힘 하였다. 결국 대순사상 우주론은 대순사상의 심층차원을 이해할 수 있게 하면서, 무극초월과 태극내재 상관연동으로 대순일원의 정체성을 드러내고 있음을 새 밝힘 할 수 있다. 대순우주론은 대순일원으로서 생활실천으로 원융회통 성격을 제시한다. 본 연구에서는 문헌학의 진정성과 해석학의 합당성을 활용하여, 대순우주론의 무극과 태극 상관연동의 공공작용을 규명하게 된다. 다양·다중·다층 해석학으로 후천개벽의 생활실화에 접근함으로, 후천개벽의 실천담론을 실화기제로 밝히고자 한다. 대순사상 미래전망은 무극초월과 태극내재 상관연동으로 대순의 '일원회통(一圓會通)' 원만구족으로 생명살림에 관건이 있다고 할 것이다.

• 중소기업연구
• /
• 제32권2호
• /
• pp.209-223
• /
• 2010

본고에서는 일본 중견기업의 위상, 특징, 관련 정책을 검토함으로써 우리나라에서의 중견기업 정책의 방향을 모색하고자 한다. 일본의 경쟁우위업종인 기계, 전자부품업의 출하와 고용비중은 여타 업종보다 높아, 그 저변에 두터운 중견기업이 존재하고 있음을 알 수 있다. 일본의 중견기업 육성정책은 연구개발과 환경대책을 위한 기업간 제휴 유도라는 측면에서 간접적으로 지원하고 있다. 우리나라도 특정 정책사업에 있어서 기업간 협력 유도를 통하여 중견기업을 육성할 수 있을 것이다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.205-225
• /
• 2018

Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.