• 광고학연구
• /
• 제27권3호
• /
• pp.7-25
• /
• 2016

최근까지 수행되어 온 연구들에 따르면 정보의 제시위치가 해당 정보에 대한 해석과 판단에 의미 있는 영향력을 가진다고 한다. 특히 수직적 위치의 경우, 무게에 대한 해석과 관련성을 가지며, 결과적으로 정보가 위쪽에 위치하는 것보다 아래쪽에 위치할 때 더 무겁다고 판단하는 경향이 있다. 이것은 가벼운 것은 위로 떠오르며 무거운 것은 아래로 가라앉는다는 사람들이 가지고 있는 객관적 지식과 경험에 기인한 것이다. 본 연구는 이러한 연구결과를 증정 제품을 제공하는 부가가치 촉진 상황에 적용하여, 증정량 정보의 위치가 판매촉진 평가 및 증정량 지각에 미치는 영향력을 고찰하였다. 본 연구에서는 연구 가설로 증정량 정보가 위쪽에 제시될 때보다 아래쪽에 제시될 때 무겁다는 연상을 가지며 결과적으로 증정량이 더 많다고 지각하고, 판매촉진에 대한 평가가 더 호의적일 것임을 제안하였다. 이를 검증하기 위해 두 개의 실험을 진행하였다. 실험 1은 포스트잇의 2+1 증정 행사 맥락에서 증정 정보 '1'의 제시 위치가 판매촉진 평가에 미치는 주효과를 확인하고자 하였다. 그 결과, 증정량 정보가 구매 제품 정보 대비 위쪽에 제시되는 것보다 아래쪽에 제시될 때, 해당 판매촉진에 대하여 더 호의적으로 평가하였다. 실험 2는 실험 1의 결과를 다양한 방법으로 일반화하였다. 구체적으로 첫째, 자극물로 비타민 알약을 사용하였다. 둘째, 실험 1에서는 2+1의 정보를 제공할 때 문자(숫자) 정보를 사용하였던 것을 실험 2에서는 시각적 제품 사진으로 변경하였다. 마지막으로 종속 변수를 증정량 지각으로 확대하여 소비자의 반응을 보다 직접적으로 측정할 수 있도록 하였다. 또한 양에 대한 명시적 메시지의 유무에 따라 증정량 정보의 위치가 증정략 지각에 미치는 영향력이 달라지는지를 고찰함으로써 앞서 제안한 효과의 경계 조건을 밝히고자 하였다. 연구 결과, 양에 대한 명시적 메시지가 없는 경우에는 증정량 정보가 아래쪽(vs. 위쪽)에 제시될 때 증정량이 더 많다고 지각하여 실험 1과 유사하게 위치 효과가 나타났다. 반면에, 양에 대한 명시적 메시지가 있는 경우에는 증정량 정보의 위치 효과가 나타나지 않아 양에 대한 명시적 메시지 유무의 조절효과를 확인하였다. 본 연구는 다양한 문헌에서 중요하게 연구되어 온 정보의 제시 위치가 판매촉진 매력도 평가 및 증정량 지각에 미치는 영향력을 부가가치 촉진 맥락에 적용하고 그 영향력을 고찰하였다는데 학문적인 의의가 있다. 본 연구는 마케터가 증정량의 제시 위치라는 요소를 잘 통제하여 다양한 판매촉진 상황에서 세부적 전략을 수립하는 데 활용할 수 있을 것이다.

• 대한원격탐사학회지
• /
• 제38권5_3호
• /
• pp.939-951
• /
• 2022

자율주행차에 있어 가장 중요한 요소는 차량 주변 환경과 정확한 위치를 인식하는 것이며, 이를 위해 다양한 센서와 항법 시스템 등이 활용된다. 하지만 센서와 항법 시스템의 한계와 오차로 인해 차량 주변 환경과 위치 인식에 어려움이 있다. 이러한 한계를 극복하고 안전하고 편리한 자율주행을 위해서 고정밀의 인프라 정보를 제공하는 정밀도로지도(high definition map, HD map)의 필요성은 증대되고 있다. 정밀도로지도는 모바일 매핑 시스템(mobile mapping system, MMS)을 통해 획득된 3차원 point cloud 데이터를 이용하여 작성된다. 하지만 정밀도로지도 작성에 많은 양의 점을 필요로 하고 작성 항목이 많아 수작업이 요구되어 많은 비용과 시간이 소요된다. 본 연구는 정밀도로지도의 필수 요소인 차선을 포함한 도로, 연석, 보도, 중앙분리대, 기타 6개의 클래스로 MMS point cloud 데이터를 유의미한정보로 분할하여 정밀도로지도의 효율적인 작성에 목적을 둔다. 분할에는 머신러닝 모델인 random forest (RF), support vector machine (SVM), k-nearest neighbor (KNN) 그리고 gradient boosting machine (GBM)을 사용하였고 MMS point cloud 데이터의 기하학적, 색상, 강도 특성과 차선 분할을 위해 추가한 도로 설계적 특성을 고려하여 11개의 변수를 선정하였다. 부산광역시 미남역 일대 5차선도로 130 m 구간의 MMS point cloud 데이터를 사용하였으며, 분할 결과 각 모델의 평균 F1 score는 RF 95.43%, SVM 92.1%, GBM 91.05%, KNN 82.63%로 나타났다. 가장 좋은 분할 성능을 보인 모델은 RF이며 클래스 별 F1 score는 도로, 보도, 연석, 중앙분리대, 차선에서 F1 score가 각각 99.3%, 95.5%, 94.5%, 93.5%, 90.1% 로 나타났다. RF 모델의 변수 중요도 결과는 본 연구에서 추가한 도로 설계적 특성의 변수 XY dist., Z dist. 모두 mean decrease accuracy (MDA), mean decrease gini (MDG)가 높게 나타났다. 이는 도로 설계적 특성을 고려한 변수가 차선을 포함한 여러 클래스 분할에 중요하게 작용하였음을 뜻한다. 본 연구를 통해 MMS point cloud를 머신러닝 기반으로 차선을 포함한 여러 클래스로 분할 가능성을 확인하고 정밀도로지도 작성 시 수작업으로 인한 비용과 시간 소모를 줄이는데 도움이 될 것으로 기대한다.

• Korean Journal of Radiology
• /
• 제24권8호
• /
• pp.807-820
• /
• 2023

Objective: To assess whether computed tomography (CT) conversion across different scan parameters and manufacturers using a routable generative adversarial network (RouteGAN) can improve the accuracy and variability in quantifying interstitial lung disease (ILD) using a deep learning-based automated software. Materials and Methods: This study included patients with ILD who underwent thin-section CT. Unmatched CT images obtained using scanners from four manufacturers (vendors A-D), standard- or low-radiation doses, and sharp or medium kernels were classified into groups 1-7 according to acquisition conditions. CT images in groups 2-7 were converted into the target CT style (Group 1: vendor A, standard dose, and sharp kernel) using a RouteGAN. ILD was quantified on original and converted CT images using a deep learning-based software (Aview, Coreline Soft). The accuracy of quantification was analyzed using the dice similarity coefficient (DSC) and pixel-wise overlap accuracy metrics against manual quantification by a radiologist. Five radiologists evaluated quantification accuracy using a 10-point visual scoring system. Results: Three hundred and fifty CT slices from 150 patients (mean age: 67.6 ± 10.7 years; 56 females) were included. The overlap accuracies for quantifying total abnormalities in groups 2-7 improved after CT conversion (original vs. converted: 0.63 vs. 0.68 for DSC, 0.66 vs. 0.70 for pixel-wise recall, and 0.68 vs. 0.73 for pixel-wise precision; P < 0.002 for all). The DSCs of fibrosis score, honeycombing, and reticulation significantly increased after CT conversion (0.32 vs. 0.64, 0.19 vs. 0.47, and 0.23 vs. 0.54, P < 0.002 for all), whereas those of ground-glass opacity, consolidation, and emphysema did not change significantly or decreased slightly. The radiologists' scores were significantly higher (P < 0.001) and less variable on converted CT. Conclusion: CT conversion using a RouteGAN can improve the accuracy and variability of CT images obtained using different scan parameters and manufacturers in deep learning-based quantification of ILD.