• 디지털콘텐츠학회 논문지
• /
• 제19권3호
• /
• pp.435-443
• /
• 2018

최근 컴퓨팅 파워의 폭발적인 발전으로 컴퓨팅의 한계 라는 장벽이 사라지면서 딥러닝 이라는 이름 하에 순환 신경망(RNN), 합성곱 신경망(CNN) 등 다양한 모델들이 제안되어 컴퓨터 비젼(Computer Vision)의 수많은 난제들을 풀어나가고 있다. 2014년 발표된 대립쌍 모델(Generative Adversarial Network)은 비지도 학습에서도 컴퓨터 비젼의 문제들을 충분히 풀어나갈 수 있음을 보였고, 학습된 생성기를 활용하여 생성의 영역까지도 연구가 가능하게 하였다. GAN은 여러 가지 모델들과 결합하여 다양한 형태로 발전되고 있다. 기계학습에는 데이터 수집의 어려움이 있다. 너무 방대하면 노이즈를 제거를 통한 효과적인 데이터셋의 정제가 어렵고, 너무 작으면 작은 차이도 큰 노이즈가 되어 학습이 쉽지 않다. 본 논문에서는 GAN 모델에 영상 프레임 내의 얼굴 영역 추출을 위한 deep CNN 모델을 전처리 필터로 적용하여 두 사람의 제한된 수집데이터로 안정적으로 학습하여 다양한 표정의 합성 이미지를 만들어 낼 수 있는 방법을 제시하였다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2020년도 제61차 동계학술대회논문집 28권1호
• /
• pp.11-14
• /
• 2020

The importance of data in the development of deep learning is very high. Data with high morphological features are usually utilized in the domains where careful lens calibrations are needed by a human to capture those data. Synthesis of high morphological data for that domain can be a great asset to improve the classification accuracy of systems in the field. Unsupervised learning can be employed for this task. Generating photo-realistic objects of interest has been massively studied after Generative Adversarial Network (GAN) was introduced. In this paper, we propose Morpho-GAN, a method that unifies several GAN techniques to generate quality data of high morphology. Our method introduces a new suitable training objective in the discriminator of GAN to synthesize images that follow the distribution of the original dataset. The results demonstrate that the proposed method can generate plausible data as good as other modern baseline models while taking a less complex during training.

• International Journal of Advanced Culture Technology
• /
• 제11권4호
• /
• pp.378-384
• /
• 2023

In this study, we explore social awareness, interest, and acceptance of generative AI, including chatGPT, which has revolutionized web search, 30 years after web search was released. For this purpose, we performed a machine learning-based topic modeling analysis based on Korean news big data collected from November 30, 2022, when chatGPT was released, to August 31, 2023. As a result of our research, we have identified seven topics related to chatGPT and generative AI; (1)growth of the high-performance hardware market, (2)service contents using generative AI, (3)technology development competition, (4)human resource development, (5)instructions for use, (6)revitalizing the domestic ecosystem, (7)expectations and concerns. We also explored monthly frequency changes in topics to explore social interest related to chatGPT and Generative AI. Based on our exploration results, we discussed the high social interest and issues regarding generative AI. We expect that the results of this study can be used as a precursor to research that analyzes and predicts the diffusion of innovation in generative AI.

• International journal of advanced smart convergence
• /
• 제12권3호
• /
• pp.186-191
• /
• 2023

This study would investigate the generative AIs currently in service in the era of hyperscale AIs and explore measures for the use of generative AIs, focusing on 'ChatGPT,' which has received attention as a leader of generative AIs. Among the various generative AIs, this study selected ChatGPT, which has rich application cases to conduct research, investigation, and use. This study investigated the concept, learning principle, and features of ChatGPT, identified the algorithm of conversational AI as one of the specific cases and checked how it is used. In addition, by comparing various cases of the application of conversational AIs such as Google's Bard and MS's NewBing, this study sought efficient ways to utilize them through the collected cases and conducted research on the limitations of conversational AI and precautions for its use. If connected to city-related databases, it can provide information on city infrastructure, transportation systems, and public services, so residents can easily get the information they need. We want to apply this research to enrich the lives of our citizens.

• 디지털콘텐츠학회 논문지
• /
• 제19권6호
• /
• pp.1197-1205
• /
• 2018

본 논문에서는 함정전투체계의 EOTS나 IRST에서 획득한 영상을 초고해상도 영상으로 복원한다. 저해상도에서 초고해상도의 영상을 생성하는 생성 모델과 이를 판별하는 판별 모델로 구성된 생성적 적대 신경망을 이용하고, 다양한 학습 파라미터의 변화를 통한 최적의 값을 제안한다. 실험에 사용되는 학습 파라미터는 crop size와 sub-pixel layer depth, 학습 이미지 종류로 구성되며, 평가는 일반적인 영상 품질 평가 지표에 추가적으로 특징점 추출 알고리즘을 함께 사용하였다. 그 결과, Crop size가 클수록, Sub-pixel layer depth가 깊을수록, 고해상도의 학습이미지를 사용할수록 더 좋은 품질의 영상을 생성한다.

• 한국지구과학회지
• /
• 제24권3호
• /
• pp.160-171
• /
• 2003

본 연구에서는 계절 변화에 관련된 개념 유형을 분석하고, 관련 개념들에 관한 토의에 의해 인지갈등을 해소하는 방법을 강조한 발생학습 전략의 적용 효과를 알아보고자 하였다. 계절변화 관련 지구과학 개념 유형은 100가지 였으며, 그 중에서 66가지는 오개념을 포함한 비과학적 개념 유형이었다. 계절변화에 관련된 개념 평가도구는 R&D과정과 2번의 현장검증을 거쳐 개발되었다. 실험집단에는 지구과학개념 유형과 인지갈등을 반영한 4단계의 발생학습 전략을 적용하였다. 한편 통제집단에는 전통적인 교수 학습 전략을 적용하였다. 유의수준 .05에서 공변량분석을 실시한 결과 두 집단 간에는 유의미한 차이가 있는 것으로 나타났다. 이러한 연구 결과는 계절변화와 관련된 오개념을 지구과학적 개념으로 변화시키는 데 발생학습전략이 하나의 가능한 대안이 될 수 있음을 의미하는 것으로 볼 수 있다.

• 문화기술의 융합
• /
• 제8권6호
• /
• pp.867-871
• /
• 2022

최근 빠른 유행의 변화 속에서 디자인의 변화는 패션기업의 매출에 큰 영향을 미치기 때문에 기업들은 신제품디자인 선택에 신중할 수밖에 없다. 최근 인공지능 분야의 발달에 따라 패션시장에서도 소비자들의 선호도를 높이기 위해 다양한 기계학습을 많이 활용하고 있다. 우리는 선호도와 같은 추상적인 개념을 수치화함으로써 신제품 개발에 신뢰성을 높이는 부분에 기여하고자 한다. 이를 위해 3가지 적대적 생성 신경망(Generative adversial netwrok, GAN)을 통하여 기존에 없는 새로운 이미지를 생성하고, 미리 훈련된 합성곱 신경망(Convolution neural networkm, CNN)을 이용하여 선호도라는 추상적인 개념을 수치화시켜 비교하였다. 심층 컨볼루션 적대적 생성 신경망(Deep convolutional generative adversial netwrok, DCGAN), 점진적 성장 적대적 생성 신경망(Progressive growing generative adversial netwrok, PGGAN), 이중 판별기 적대적 생성 신경망(Dual Discriminator generative adversial netwrok, D2GAN)의 3가지 방법을 통해 새로운 이미지를 생성하였고, 판매량이 높았던 제품으로 훈련된 합성곱 신경망으로 유사도를 비교, 측정하였다. 측정된 유사도의 정도를 선호도로 간주하였으며 실험 결과 D2GAN이 DCGAN, PGGAN에 비해 상대적으로 높은 유사도를 보여주었다.

• 대한수학교육학회지:학교수학
• /
• 제6권1호
• /
• pp.59-90
• /
• 2004

본 연구에서는 중학생들이 증명학습을 할 때 범하는 수학적 오류를 교수학적으로 처방할 뿐만 아니라 올바른 증명의 역할과 본질을 이해하여 증명과정을 스스로 구성할 수 있도록, '생성-수렴 모형에 의한 증명학습'이라는 증명 학습-지도 방법을 제시하였다. 이 수업모형을 8학년 학생 160명을 대상으로 10주 동안 40시간에 걸쳐 여러 가지 사각형의 성질과 관계를 학습할 때 적용하여 학생들의 증명능력 향상과 오류 교정에 미치는 효과 및 학생들의 정당화 유형 양상으로 세분화하여 그 결과를 살펴보았다. 첫째, 생성-수렴 모형에 의한 증명학습을 실시한 실험집단의 학생들은 통제집단의 학생들보다 증명능력 검사에서 평균점수는 높았다. 그러나 유의수준 .01에서 통계적 검정을 실시한 결과, 두 집단 간의 증명능력은 유의적인 차이가 없었다. 둘째, 학생들은 논증기하 영역에서 증명을 할 때 범하는 오류 교정율에 있어서 생성-수렴 모형에 의한 증명학습을 한 학생들의 오류 교정율이 통제집단보다 더 큰폭으로 감소하였다. 셋째, 학생들의 정당화 유형은 실험집단과 통제집단 모두 경험적 정당화에서 분석적 정당화로의 이행을 보였으나, 생성-수렴 모형에 의한 증명학습을 한 학생들이 통제집단의 학생들보다 분석적 정당화를 구성하는 학생들이 현저하게 증가하였다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제11권8호
• /
• pp.3984-4005
• /
• 2017

Image recognition has become an increasingly important topic for its wide application. It is highly challenging when facing to large-scale database with large variance. The recognition systems rely on a key component, i.e. the low-level feature or the learned mid-level feature. The recognition performance can be potentially improved if the data distribution information is exploited using a more sophisticated way, which usually a function over hidden variable, model parameter and observed data. These methods are called generative score space. In this paper, we propose a discriminative extension for the existing generative score space methods, which exploits class label when deriving score functions for image recognition task. Specifically, we first extend the regular generative models to class conditional models over both observed variable and class label. Then, we derive the mid-level feature mapping from the extended models. At last, the derived feature mapping is embedded into a discriminative classifier for image recognition. The advantages of our proposed approach are two folds. First, the resulted methods take simple and intuitive forms which are weighted versions of existing methods, benefitting from the Bayesian inference of class label. Second, the probabilistic generative modeling allows us to exploit hidden information and is well adapt to data distribution. To validate the effectiveness of the proposed method, we cooperate our discriminative extension with three generative models for image recognition task. The experimental results validate the effectiveness of our proposed approach.

• 한국측량학회지
• /
• 제38권6호
• /
• pp.499-509
• /
• 2020

본 연구에서는 최근 영상판독 분야에서 활발히 연구되고, 활용성이 발전하고 있는 인공지능 기반 객체분류 학습 데이터 구축에 관한 내용을 다룬다. 영상판독분야에서 인공지능을 활용하여 정확도 높은 객체를 인식, 추출하기 위해서는 알고리즘에 적용할 많은 양의 학습데이터가 필수적으로 요구된다. 하지만, 현재 공동활용 가능한 데이터 셋이 부족할 뿐만 아니라 데이터 생성을 위해서는 많은 시간과 인력 및 고비용을 필요로 하는 것이 현실이다. 따라서 본 연구에서는 소량의 초기 항공영상 학습데이터를 GAN (Generative Adversarial Network) 기반의 생성기 신경망을 활용하여 오버샘플 영상 학습데이터를 구축하고, 품질을 평가함으로써 추가적 학습 데이터 셋으로 활용하기 위한 실험을 진행하였다. GAN을 이용하여 오버샘플 학습데이터를 생성하는 기법은 딥러닝 성능에 매우 중요한 영향을 미치는 학습데이터의 양을 획기적으로 보완할 수 있으므로 초기 데이터가 부족한 경우에 효과적으로 활용될 수 있을 것으로 기대한다.