• Journal of Information Processing Systems
• /
• 제19권5호
• /
• pp.673-687
• /
• 2023

Convolutional neural network-based deep learning technology is the most commonly used in image identification, but it requires large-scale data for training. Therefore, application in specific fields in which data acquisition is limited, such as in the military, may be challenging. In particular, the identification of ground weapon systems is a very important mission, and high identification accuracy is required. Accordingly, various studies have been conducted to achieve high performance using small-scale data. Among them, the ensemble method, which achieves excellent performance through the prediction average of the pre-trained models, is the most representative method; however, it requires considerable time and effort to find the optimal combination of ensemble models. In addition, there is a performance limitation in the prediction results obtained by using an ensemble method. Furthermore, it is difficult to obtain the ensemble effect using models with imbalanced classification accuracies. In this paper, we propose a transfer learning-based feature fusion technique for heterogeneous models that extracts and fuses features of pre-trained heterogeneous models and finally, fine-tunes hyperparameters of the fully connected layer to improve the classification accuracy. The experimental results of this study indicate that it is possible to overcome the limitations of the existing ensemble methods by improving the classification accuracy through feature fusion between heterogeneous models based on transfer learning.

• 대한원격탐사학회지
• /
• 제39권3호
• /
• pp.269-282
• /
• 2023

본 연구는 딥러닝 모델(deep learning model)을 활용하여 토지피복분류를 수행하였으며 입력 이미지의 크기, Stride 적용 등 데이터세트(dataset)의 조절을 통해 토지피복분류를 위한 최적의 딥러닝 모델 선정을 목적으로 하였다. 적용한 딥러닝 모델은 3종류로 Encoder-Decoder 구조를 가진 U-net과 DeeplabV3+, 두 가지 모델을 결합한 앙상블(Ensemble) 모델을 활용하였다. 데이터세트는 RapidEye 위성영상을 입력영상으로, 라벨(label) 이미지는 Intergovernmental Panel on Climate Change 토지이용의 6가지 범주에 따라 구축한 Raster 이미지를 참값으로 활용하였다. 딥러닝 모델의 정확도 향상을 위해 데이터세트의 질적 향상 문제에 대해 주목하였으며 딥러닝 모델(U-net, DeeplabV3+, Ensemble), 입력 이미지 크기(64 × 64 pixel, 256 × 256 pixel), Stride 적용(50%, 100%) 조합을 통해 12가지 토지피복도를 구축하였다. 라벨 이미지와 딥러닝 모델 기반의 토지피복도의 정합성 평가결과, U-net과 DeeplabV3+ 모델의 전체 정확도는 각각 최대 약 87.9%와 89.8%, kappa 계수는 모두 약 72% 이상으로 높은 정확도를 보였으며, 64 × 64 pixel 크기의 데이터세트를 활용한 U-net 모델의 정확도가 가장 높았다. 또한 딥러닝 모델에 앙상블 및 Stride를 적용한 결과, 최대 약 3% 정확도가 상승하였으며 Semantic Segmentation 기반 딥러닝 모델의 단점인 경계간의 불일치가 개선됨을 확인하였다.

• Korean Chemical Engineering Research
• /
• 제58권4호
• /
• pp.588-595
• /
• 2020

지속적으로 강화되는 환경오염 물질 배출 규제로 인해, 질소 산화물(NO_x)의 배출량 예측 및 관리는 산업 현장에서 많은 관심을 받고 있다. 본 연구에서는 인공지능 기반 질소산화물 배출량 예측모델 개발을 위한 연구모형을 제안하였다. 제안된 연구모형은 데이터의 전처리 과정부터 인공지능 모델의 학습 및 평가까지 모두 포함하고 있으며, 시계열 특성을 가지는 NO_x 배출량을 예측하기 위하여 순환 신경망 중 하나인 Long Short-Term Memory (LSTM) 모델을 활용하였다. 또한 의사결정나무 기법을 활용하여 LSTM의 time window를 모델 학습 이전에 선정하는 방법을 채택하였다. 본 연구에서 제안된 연구모형의 NO_x 배출량 예측 모델은 가열로에서 확보한 조업 데이터로 학습되었으며, 최적 모델은 hyper-parameter를 조절하여 개발되었다. 개발된 LSTM 모델은 학습 데이터 및 평가 데이터에 대하여 모두 93% 이상의 NO_x 배출량 예측 정확도를 나타내었다. 본 연구에 제안된 연구모형은 시계열 특성을 가지는 다양한 대기오염 물질의 배출량 예측모델 개발에 응용될 수 있을 것으로 기대된다.

• 대한토목학회논문집
• /
• 제38권2호
• /
• pp.215-226
• /
• 2018

본 연구에서는 도시지역 관망 내 수위 관측자료를 이용하여 도시지역 유출해석 및 관망해석의 정확도를 높이고자 한다. 이를 위해 도시유출해석의 주요 매개변수별 민감도 분석을 수행하고, 매개변수의 보정을 수행하였다. 매개변수의 민감도는 관의 조도계수, 불투수지역의 조도계수, 유역폭, 투수지역의 조도계수 순으로 나타났다. 민감도가 높은 4개의 매개변수를 이용하여 매개변수 고려 개수와 종류에 따라 6가지 시나리오를 구성하였으며, 자동보정기법인 PEST를 도시유출 모형인 SWMM과 연계 해석하여 분석하였다. 각 조건을 2013년 7월 21일 집중호우로 인하여 침수피해가 발생한 서초3, 4, 5, 역삼, 논현 배수분구에 적용하였다. 민감도 결과를 이용하여 시나리오별 분석을 실시하였을 때 SWMM 모형만을 이용하였을 때 보다 불확실성이 줄어든 결과를 보였다. 모의결과 RMSE는 최대 2.41cm가 감소하였으며, 상대첨두오차는 13.7%가 감소하였다. 민감도가 낮은 투수지역의 지표면 조도계수를 고려한 시나리오의 경우가 고려하지 않은 시나리오의 경우보다 정확도가 소폭 낮아졌으며 계산시간도 많이 소요되었다. 본 연구 결과 대상 유역에 대한 민감도 분석 후 민감도가 높은 매개변수만을 고려하여 시나리오를 구성하였을 때 보다 효율적인 모의가 될 수 있다는 것을 알 수 있었으며 향후 추가적인 강우사상과 침수해석을 연계할 시에는 도시지역의 침수예경보 연구에 기여할 수 있을 것으로 판단된다.

• 한국통신학회논문지
• /
• 제11권1호
• /
• pp.25-39
• /
• 1986

본 논문에서는 packet switching network의 국제 표준 접속 protocol인 CCITT X.25 protocol의 성능을 분석하며 특히 X.25 protocol의 유통 제어 방식에 대하여 분석한다. Protocol의 성능 분석은 normalized channel throughput, mean transmission time과 transmission efficiency를 사용하면 이들은 window 크기, $T_1$ 및 $T_2$ 값 그리고 message길이 등과 같은 주어진 protocol parameter의 함수로 표시된다. 먼저 protocol 서비스에 따른 입력 데이타의 서비스 특성과 piggybacked acknowledgment를 하는 sliding window flow control 방식에 대하여 discrete-time Markov chain을 사용하여 연구한다. Protocol의 성능은 link layer 및 packet layer 에 대하여 각기 독립적으로 분석하며 분석결과를 통하여 각 protocol parameter의 영향을 조사한다. 수치적인 분석 결과로 부터 채널 서비스 환경에 따른 protocol parameter의 최적치를 찾을 수 있는데 window크기는 고속채널의 경우 7이상이 되는 것이 바람직 하며, $T_1$ timer 값은 채널의 전송 유실이 많은 경우 신중히 선택되어져야 하며 보통의 경우에는 1초 정도가 타당하다. $T_2$ parameter는 trnasmission efficiency의 개선에 있어 약간의 효과를 미치나 그리 크지는 않다.

• 한국방재학회 논문집
• /
• 제9권1호
• /
• pp.1-7
• /
• 2009

최적의 우수관망 설계를 위한 기존의 연구 모형들은 관경, 관 경사 등을 포함한 관거의 설계에 있어서 설계 강우에 대하여 최소의 비용을 목적으로 하여왔다. 그러나 이러한 모형들은 우수관망 관거 내 흐름의 중첩효과에 대한 고려는 하지 않고 있다. 관거 내 흐름의 특성은 관경, 관 경사 등에 따라서 달라지며 특히 관망의 구성이 달라짐에 따라서 크게 영향을 받는다. 본 연구에서는 우수관망을 구성함에 있어서 관거 내 흐름을 분산시키고 제어함을 목적으로 하고 있다. 이것은 관망 구성에 따른 관거 내 흐름의 중첩효과를 제어함으로써 가능하며, 이러한 흐름의 제어를 통하여 우수관망에서의 내수침수 위험도가 저감될 수 있다. 본 연구에서는 맨홀간 관거의 연결 방향을 조정함으로써 관내 유입량을 분산시키고 그 결과로서 유출구에서의 첨두 유출량은 저감되도록 우수관망을 구성하였다. 이때 관망 내 흐름에 대한 수리학적 분석은 SWMM(Storm Water Management Model)을 본 모형과 연계 구성함으로써 가능하였다. 관망 구성에 따른 내수침수 위험도의 저감을 검증하기 위하여 본 연구에서는 서울시 가락 배수분구의 현재 구성된 관망에 대하여 유출구에서의 첨두 유출량을 최소화하기 위하여 맨홀간 관거의 연결 방향을 변화시켰으며, 그 결과 30분 지속시간의 설계빈도 강우에 대하여 유출구 첨두 유출량은 약 20% 감소하였다. 또한 수정된 관망 구성은 설계빈도를 초과하는 강우에 대해서도 월류량 발생량이 저감되는 결과를 나타내었다.

• 한국항해항만학회지
• /
• 제46권4호
• /
• pp.367-374
• /
• 2022

본 연구는 자율운항 선박의 연료 계통 펌프와 청정기를 대상으로 고장을 진단 사례를 제시하였다. 계측된 신호의 시간종속성을 반영한 심층학습(Deep learning) 알고리즘 적용 절차를 구성하고, 장비의 정상 운전상태와 고장 상태에서 계측한 진동 신호를 고장 패턴 학습에 사용하였다. 특히, 진동 신호에 내포된 열화의 시간 종속성을 반영할 수 있는 방법을 찾고자 하였으며, 슬라이딩 윈도우 연산 과정을 가진 Conv1D를 이용하여고장의 시간 종속성을 반영하였다. 또한 계측된 신호의 차수를 2차원에서 3차원으로 확장하여 시간 영역의 특징을 반영할 수 있는 데이터 전처리과정을 고안하였다. Conv1D 알고리즘의 적층과 변수를 결정하는 과정에서 그리드 탐색 기법을 사용하여 초매개변수의 최적 값을 결정하였다. 마지막으로 제안한 데이터 전처리 방법과 시계열 데이터의 시간 종속성을 반영한 Conv1D 모델이 이상 감지 및 고장 진단에 타당성이 있음을 확인하였다.

• 한국정보통신학회논문지
• /
• 제22권3호
• /
• pp.451-457
• /
• 2018

본 연구는 인공지능 분야의 딥러닝 기술을 기반으로 한 하수관 손상의 자동 탐지 분류 시스템을 제안한다. 성능의 최적화를 위하여 DB 획득 시 발생된 조도 및 그림자 변화와 같은 다양한 환경변화에 강인한 시스템을 구현하였다. 제안된 시스템에서는 Convolutional Neural Network(CNN) 기반의 균열 탐지 및 손상 분류 기법을 구현하였다. 최적의 결과를 위하여 $256{\times}256$ 픽셀 해상도의 CCTV 영상 9,941개를 이용하여 CNN모델을 적용하여 손상부위에 대한 딥러닝을 수행하였고 그 결과 98.76 %의 인식률을 획득하였다. 기계학습을 통한 딥러닝 모델을 기반으로 다양한 환경의 하수도 DB에서 $720{\times}480$ 픽셀 해상도의 646개의 이미지를 추출하여 성능 평가를 수행 하였다. 본 시스템은 다양한 환경에서 구축된 하수관 데이터베이스 에서 손상 유형의 자동 탐지 및 분류에 최적화된 인식률을 제시한다.

• 한국ITS학회 논문지
• /
• 제19권6호
• /
• pp.14-25
• /
• 2020

본 연구는 교통카드자료 이용하여 수도권 지하철을 통행하는 승객의 경로선택의 합리성에 대한 평가를 시행하는 방법론을 제안한다. 사용자 경로선택의 합리성은 최적의 경로를 선택한다는 기본원리로서 확정성과 유사성으로 구분한다. 확정성은 승객이 선택한 경로는 시스템적 최적경로와 일치하는 정도이다. 유사성은 시스템적 최적경로와 유사하게 파악되는 정도이다. 합리성을 판단하는 기법으로 K경로탐색기법을 이용하여 경로를 열거하는 방법을 구축하였다. 유사성 내에서 확정성을 파악하기 위하여 민자운영기관의 환승단말기 Tag 정보를 활용하였다. 따라서 유사성에서 승객이 선택한 최적경로는 Tag를 경유한 경로와 동일하다는 개념을 적용하였다. 연구결과 최적경로(K=1)로 나타나는 확정성은 90.4(%), K=(2-10)으로 나타나는 유사성은 7.9(%)로서 총 98.3(%)의 수도권 지하철 통행이 합리적으로 설명된다고 평가하였다. 비합리적 통행 1.7(%)는 사용자 다양성을 고려하여 나타나는 설명되지 않는 에러항으로 평가된다고 파악하였다.

• 한국정보통신학회논문지
• /
• 제19권12호
• /
• pp.2779-2784
• /
• 2015

정확한 교통정보의 예측은 출발지로부터 목적지까지의 최적경로를 제공할 수 있으며, 이로 인해 시간과 비용의 절감 효과를 얻을 수 있다. 본 논문에서는 다양한 교통정보 예측 방법 중 확률 모델을 기반으로 교통정보를 예측하는 베이지안 네트워크 방법을 이용한다. 기존 연구에서는 베이지안 네트워크 예측 방법이 모든 시간대에서의 데이터를 학습에 사용하는 것과는 달리, 본 논문에서는 예측하고자 하는 시간대와 동일한 요일과 시간에 해당하는 데이터만을 선별적으로 학습에 사용한다. 서로 다른 두 가지 학습방법에 따른 예측 결과의 정확도는 일반적으로 많이 사용되는 MAPE(Mean Absolute Percentage Error)로 검증하였으며, 서울 시내 14개의 링크 구간에 대해 실험을 진행하였다. 실험결과는 본 논문에서 제안한 방법이 모든 시간대의 데이터를 학습에 사용한 방법에 비해 MAPE의 관점에서 더 높은 정확도를 가진 교통 예측 값을 계산할 수 있음을 보여준다.