• 한국컴퓨터그래픽스학회논문지
• /
• 제15권3호
• /
• pp.19-26
• /
• 2009

본 논문에서는 분할 축과 평면의 위치를 동적으로 결정하는 적응형 KD 트리 구조를 이용한 정점 군집화(Adaptive Vertex Clustering) 알고리즘과 이를 이용한 새로운 메쉬 분할 방법을 소개하고자 한다. 정점 군집화는 주로 한 개의 거대한 3차원 메쉬를 여러 개의 파티션(Partition)으로 분할하여 효율적으로 처리하고자 할 때 사용되는 기법으로, 옥트리 구조를 이용한 공간 분할 기법과 K-평균 군집화(K-Means Clustering) 방법 등이 있다. 그러나 옥트리 방식은 공간 분할 축과 이에 따른 분할된 공간의 크기가 고정되어 있어서 파티션 메쉬 면의 정렬 상태가 고르지 못하고 포함된 정점의 개수가 균등하지 못한 단점이 있다. 또한, K-평균군집화는 균등한 파티션을 얻을 수 있는 반면 반복처리와 최적화를 위해 많은 시간이 소요된다는 단점이 있다. 본 논문에서는 적응형 정점 군집화를 통해 빠른 시간에 균등한 메쉬 분할을 생성하는 알고리즘을 제안하고자 한다. 본 적응형 KD 트리는 메쉬가 포함된 경계상자(Bounding Box) 공간을 정점의 개수와 분할 축의 크기를 기준으로 계층적으로 분할한다. 그 결과 각 파티션 메쉬는 컴팩트성(compactness)의 특성을 유지하며 균등한 수의 정점을 포함하게 되어 각 파티션의 균등한 처리시간 및 메모리 소요량 등의 장점을 살려 향후 메쉬 간소화 및 압축 등의 다양한 메쉬 처리에 활용될 수 있기를 기대한다. 본 방법을 적용한 3차원 모델의 실험 통계와 분할된 파티션 메쉬의 시각적인 결과도 함께 제시하였다.

• 전자공학회논문지C
• /
• 제34C권7호
• /
• pp.51-60
• /
• 1997

Prototype based methods are commonly used in cluster analysis and the results may be highly dependent on the prototype used. In this paper, we propose a fuzzy clustering method that involves adaptively expanding convex polytopes. Thus, the dependency on the use of prototypes can be eliminated. The proposed method makes it possible to effectively represent an arbitrarily distributed data set without a priori knowledge of the number of clusters in the data set. Specifically, nonlinear membership functions are utilized to determine whether a new cluster is created or which vertex of the cluster should be expanded. For this, the membership function of a new vertex is assigned according to not only a distance measure between an incoming pattern vector and a current vertex, but also the amount how much the current vertex has been modified. Therefore, cluster expansion can be only allowed for one cluster per incoming pattern. Several experimental results are given to show the validity of our mehtod.

• 한국통신학회논문지
• /
• 제24권10B호
• /
• pp.1937-1945
• /
• 1999

본 논문에서는 정점 군집화(vertex clustering) 방법에 기반한 3차원 물체의 단순한 기법을 제안한다. 제안한 방법은 3차원 물체의 국부 영역의 특성에 따라 군집화하는 격자의 크기를 다르게 한다. 격자의 크기는 삼각형의 법선 벡터와 정점 분포를 이용하여 결정한다. 인접한 삼각형의 법선 벡터가 이루는 각이 크고 정점들이 흩어져 있으면 작은 격자로 분할하여 자세한 표현을 한다. 격자의 분할 과정은 8진 나무(octree)로 나타낸다. 단순화 오차를 추정하기 위해 하우스도르프 거리(Hausdorff distance)를 이용한다. 제안한 방법은 정점 군집화의 적은 계산량과 효과적인 단순화의 장점을 그대로 유지할 수 있다. 그리고 3차원 물체의 특성에 따라 격자의 크기를 다르게 하므로 기존의 방법에 비해 단순화 오차가 적고 작은 영역의 변화까지 세밀히 나타낼 수 있다. 또한, 다양한 단순화 단계를 가지는 다해상도 모델로의 표현이 가능하고 격자 크기의 조절이 가능하므로 선택된 영역에 대해서 세밀한 표현도 가능하다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2003년도 가을 학술발표논문집 Vol.30 No.2 (2)
• /
• pp.682-684
• /
• 2003

상호작용컴퓨터 그래픽스분야의 지배적인 역할을 하는 다각형모델의 간략화 표현을 위해서 본논문에서는 모델의 특징을 이용하고자한다. 본논문에서는 vertex clustring 알고리즘을 이용하여 다각형 메쉬모델을 간략화 한다. 이때 클러스터링하기 위한 셀의 크기를 결정하기 위하여 모델의 에지의 길이 특성을 이용하여 셀의 크기를 결정한다. 개선된 vertex clustering 방법은 기존의 방법에 비해 모델자체의 에지 특성을 이용하기 때문에 신뢰성있는 간략화를 수행할 수 있다.

• 산업융합연구
• /
• 제20권12호
• /
• pp.195-202
• /
• 2022

지하공간정보지도 관리 시스템은 지하공간의 다양한 지하시설물을 3D 메쉬 데이터로 통합하고, 모바일 환경에서 지하시설물의 3D 이미지와 위치를 확인할 수 있도록 지원한다. 그러나 모바일 환경에서 실행되는 일정 지역 안에는 다양한 지하시설물이 존재할 수 있고 층층히 겹쳐 보일 수 있어서 모바일 환경에서 실행하는데 시간이 오래 걸리는 문제가 있다. 본 논문에서는 가시성에서 문제가 되지 않는 범위 내에서 3D 메쉬 데이터의 정점의 개수를 줄여서 데이터의 크기를 줄임으로써 모바일 환경에서 실행 시간을 줄일 수 있는 방법으로 딥러닝 기반 K-means 정점 클러스터링 알고리즘을 제안한다. 첫번째로 우리가 제안하는 방법은 딥러닝 Encoder-Decoder 기반의 모델을 통하여 정재된 정점의 특징 정보를 얻고, 두번째로 특징 정보를 K-means 정점 클러스터링을 통하여 서로 비슷한 정점끼리 묶어서 단순화를 하였다. 실험결과 제안한 방법으로 다양한 지하시설물들의 정점을 30%까지 줄였을 때, 이미지 모형이 약간의 변형은 발생하였지만 사라지는 부분은 없어서 모바일 환경에서 확인하는데 문제가 없었다.

• 한국지능시스템학회:학술대회논문집
• /
• 한국퍼지및지능시스템학회 1998년도 춘계학술대회 학술발표 논문집
• /
• pp.24-27
• /
• 1998

최근 컴퓨터의 속도 및 용량의 확장과 더불어 3차원 정보에 대한 연구의 필요성이 요구되고 있다. 본 논문에서는이 여기에 관한 연구의 하나로 FCV(Fuzzy c-Varieties)클러스터링의 방법을 써서 3차원 데이터의 변과 장점을 찾아 3차원 물체를 구성하여 중복된 자료의 크기를 압축하는 방법을 제시한다. 여기에 따른 문제점으로 클러스터의 개수를 결정하는 문제가 있는데 이는 fuzzy classification entropy로 해결하였다.

• 한국콘텐츠학회논문지
• /
• 제8권5호
• /
• pp.94-103
• /
• 2008

본 논문에서는 주어진 3차원 메쉬의 분할에 $\kappa$-평균군집화 기법을 적용한다. 국부적인 최적의 수렴을 피하고 계산시간을 빠르게 하기 위하여 먼저 주어진 메쉬에 대한 첨예정점들을 인지과학적 측면에서 각각 국부적 전역적 기하 특성을 반영하는 곡률과 볼록성을 분석하여 추출한다. 다음에 추출된 첨예정점들은 그들간의 유클리디언 거리대신 측지거리에 기반한 $\kappa$-평균군집화 기법의 반복 수렴으로 $\kappa$ 개의 군집으로 분할된다. $\kappa$-평균군집화의 효과성에 매우 중요한 요인은 적절한 $\kappa$의 초기값을 부여하는 것이다. 따라서 본 논문에서는 $\kappa$의 초기값으로 합리적인 군집 개수를 자동으로 계산한다. 최종적으로 첨예정점들에 속하지 않는 메쉬의 나머지 정점들은 측지거리로 가장 가까이 존재하는 $\kappa$개의 군집에 병합함으로써 메쉬분할이 완성된다.

• 한국인터넷방송통신학회논문지
• /
• 제20권4호
• /
• pp.171-176
• /
• 2020

본 논문은 NP-난제로 널리 알려진 최대 가중치 독립집합(MWIS) 문제에 대해 다항시간으로 풀 수 있는 알고리즘을 제시하였다. MWIS 문제에 대해 지금까지는 특정 그래프 형태에 특화된 다항시간 알고리즘, 또는 분산형, 클러스터 형성 방법들이 제안되기도 하였으나 모든 그래프 형태에 적합한 단일화된 알고리즘이 제안되지 않고 있다. 따라서 본 논문에서는 어떠한 형태의 그래프에도 적합한 유일한 다항시간 알고리즘을 제안한다. 제안된 알고리즘은 최대 가중치를 갖는 정점 v_i를 v_i와 이웃하지 않은 정점 들 중 최대 가중치를 갖는 v_j 정점과 병합하였다. 제안된 알고리즘을 무방향 그래프와 트리에 적용한 결과, 최적 해를 얻었다. 특히, 일부 데이터에 대해서는 기존에 알려진 해를 개선하는 결과도 얻었다.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제35권9호
• /
• pp.572-587
• /
• 2008

SOFM(Self-organizing Feature Map)은 고차원의 데이타를 군집화(clustering)하거나 시각화(visualization)하기 위해 많이 사용되고 있는 비교사 학습 신경망(unsupervised neural network)의 한 종류이며, 컴퓨터비전이나 패턴인식 분야에서 다양하게 활용되고 있다. 최근 SOFM이 실제 응용분야에 다양하게 활용되고 좋은 결과를 보이고 있지만, 학습된 SOFM의 뉴론(neuron)을 다시 군집화해야 하는 후처리가 필요하며, 대부분의 경우 수동으로 이루어지고 있다. 후처리를 자동으로 하기 위해 k-means와 같은 기존의 군집화 알고리즘을 많이 이용하지만, 이 방법은 특히 다양한 모양의 클래스를 가진 고차원의 데이타에서 만족스럽지 못한 결과를 보인다. 다양한 모양의 클래스에서 좋은 성능을 보이기 위해, 본 논문에서는 그래프 컷(graph cut)을 이용하여 학습된 SOFM을 자동으로 군집화하는 방법을 제안한다. 그래프 컷을 이용할 때 터미널(terminal)이라는 두 개의 추가적인 정점(vertex)이 필요하며, 터미널과 각 정점 사이의 가중치는 대부분 사용자에 의해 입력받은 사전정보를 기반으로 설정된다. 제안된 방법은 SOFM의 거리 매트릭스(distance matrix)를 기반으로 한 모드 탐색(mode-seeking)과 모드의 군집화를 통하여 자동으로 사전정보를 설정하며, 학습된 SOFM의 군집화를 자동으로 수행한다. 실험에서 효율성을 검증하기 위해 제안된 방법을 텍스처 분할(texture segmentation)에 적용하였다. 실험 결과에서 제안된 방법은 기존의 군집화 알고리즘을 이용한 방법보다 높은 정확도를 보였으며, 이는 그래프기반의 군집화를 통해 다양한 모양의 클러스터를 처리할 수 있기 때문이다.

• 한국산업정보학회논문지
• /
• 제10권2호
• /
• pp.26-31
• /
• 2005

본 논문에서는 웹 검색엔진에서 일반적으로 사용하는 문서요약에 대한 연구로써 문서 내에 있는 문장들의 꼭짓점을 연결하는 완전그래프기법을 도입하여 요약내용을 좀 더 간결하고 함축하게 하는 통계요약기법을 제안했다. 이 요약기술을 지금까지 통계 문서요약기술에서 우수하다고 판단된 클러스터링 기법과 MMR 기법 등과 비교하였다. 특히, 요약 성능을 평가하기 위하여 인위적으로 요약된 요약문을 기준으로 한 각 요약기법들의 FScore값들과 비교하였다. 이 기술들 중에서 완전그래프기법이 약 $30\%$정도 성능향상을 보였다.