• 지능정보연구
• /
• 제27권3호
• /
• pp.175-197
• /
• 2021

최근 딥 러닝 기술의 발전으로 뉴스, 블로그 등 다양한 문서에 포함된 텍스트 분석에 딥 러닝 기술을 활용하는 연구가 활발하게 수행되고 있다. 다양한 텍스트 분석 응용 가운데, 텍스트 분류는 학계와 업계에서 가장 많이 활용되는 대표적인 기술이다. 텍스트 분류의 활용 예로는 정답 레이블이 하나만 존재하는 이진 클래스 분류와 다중 클래스 분류, 그리고 정답 레이블이 여러 개 존재하는 다중 레이블 분류 등이 있다. 특히, 다중 레이블 분류는 여러 개의 정답 레이블이 존재한다는 특성 때문에 일반적인 분류와는 상이한 학습 방법이 요구된다. 또한, 다중 레이블 분류 문제는 레이블과 클래스의 개수가 증가할수록 예측의 난이도가 상승한다는 측면에서 데이터 과학 분야의 난제로 여겨지고 있다. 따라서 이를 해결하기 위해 다수의 레이블을 압축한 후 압축된 레이블을 예측하고, 예측된 압축 레이블을 원래 레이블로 복원하는 레이블 임베딩이 많이 활용되고 있다. 대표적으로 딥 러닝 모델인 오토인코더 기반 레이블 임베딩이 이러한 목적으로 사용되고 있지만, 이러한 기법은 클래스의 수가 무수히 많은 고차원 레이블 공간을 저차원 잠재 레이블 공간으로 압축할 때 많은 정보 손실을 야기한다는 한계가 있다. 이에 본 연구에서는 오토인코더의 인코더와 디코더 각각에 스킵 연결을 추가하여, 고차원 레이블 공간의 압축 과정에서 정보 손실을 최소화할 수 있는 레이블 임베딩 방법을 제안한다. 또한 학술연구정보서비스인 'RISS'에서 수집한 학술논문 4,675건에 대해 각 논문의 초록으로부터 해당 논문의 다중 키워드를 예측하는 실험을 수행한 결과, 제안 방법론이 기존의 일반 오토인코더 기반 레이블 임베딩 기법에 비해 정확도, 정밀도, 재현율, 그리고 F1 점수 등 모든 측면에서 우수한 성능을 나타냄을 확인하였다.

• 인터넷정보학회논문지
• /
• 제21권6호
• /
• pp.23-31
• /
• 2020

본 연구는 철도표면상에 발생하는 노후 현상 중 하나인 결함 검출을 위해 학습데이터를 생성함으로써 결함 검출 모델에서 더 높은 점수를 얻기 위해 진행되었다. 철도표면에서 결함은 선로결속장치 및 선로와 차량의 마찰 등 다양한 원인에 의해 발생하고 선로 파손 등의 사고를 유발할 수 있기 때문에 결함에 대한 철도 유지관리가 필요 하다. 그래서 철도 유지관리의 자동화 및 비용절감을 위해 철도 표면 영상에 영상처리 또는 기계학습을 활용한 결함 검출 및 검사에 대한 다양한 연구가 진행되고 있다. 일반적으로 영상 처리 분석기법 및 기계학습 기술의 성능은 데이터의 수량과 품질에 의존한다. 그렇기 때문에 일부 연구는 일반적이고 다양한 철도표면영상의 데이터베이스를 확보하기위해 등간격으로 선로표면을 촬영하는 장치 또는 탑재된 차량이 필요로 하였다. 본연구는 이러한 기계적인 영상획득 장치의 운용비용을 감소시키고 보완하기 위해 대표적인 영상생성관련 딥러닝 모델인 생성적 적대적 네트워크의 기본 구성에서 여러 관련연구에서 제시된 방법을 응용, 결함이 있는 철도 표면 재생성모델을 구성하여, 전용 데이터베이스가 구축되지 않은 철도 표면 영상에 대해서도 결함 검출을 진행할 수 있도록 하였다. 구성한 모델은 상이한 철도 표면 텍스처들을 반영한 철도 표면 생성을 학습하고 여러 임의의 결함의 위치에 대한 Ground-Truth들을 만족하는 다양한 결함을 재 생성하도록 설계하였다. 재생성된 철도 표면의 영상들을 결함 검출 딥러닝 모델에 학습데이터로 사용한다. 재생성모델의 유효성을 검증하기 위해 철도표면데이터를 3가지의 하위집합으로 군집화 하여 하나의 집합세트를 원본 영상으로 정의하고, 다른 두개의 나머지 하위집합들의 몇가지의 선로표면영상을 텍스처 영상으로 사용하여 새로운 철도 표면 영상을 생성한다. 그리고 결함 검출 모델에서 학습데이터로 생성된 새로운 철도 표면 영상을 사용하였을 때와, 생성된 철도 표면 영상이 없는 원본 영상을 사용하였을 때를 나누어 검증한다. 앞서 분류했던 하위집합들 중에서 원본영상으로 사용된 집합세트를 제외한 두 개의 하위집합들은 각각의 환경에서 학습된 결함 검출 모델에서 검증하여 출력인 픽셀단위 분류지도 영상을 얻는다. 이 픽셀단위 분류지도영상들과 실제 결함의 위치에 대한 원본결함 지도(Ground-Truth)들의 IoU(Intersection over Union) 및 F1-score로 평가하여 성능을 계산하였다. 결과적으로 두개의 하위집합의 텍스처 영상을 이용한 재생성된 학습데이터를 학습한 결함 검출모델의 점수는 원본 영상만을 학습하였을 때의 점수보다 약 IoU 및 F1-score가 10~15% 증가하였다. 이는 전용 학습 데이터가 구축되지 않은 철도표면 영상에 대해서도 기존 데이터를 이용하여 결함 검출이 상당히 가능함을 증명하는 것이다.

• 대한방사선치료학회지
• /
• 제33권
• /
• pp.89-97
• /
• 2021

목 적: 본 연구에서는 자궁경부암 방사선치료 시 전산화치료계획에 없던 직장 내 가스 용적 변화에 따른 선량변화를 비교 평가하고자 한다. 대상 및 방법: 인체모형 팬텀(Anderson Research Laboratories Inc, RANDO^TM phantom, USA)의 전산화 단층촬영 영상에 전산화치료계획시스템(Eclipse^TM Treatment Planning System, Varian, Palo Alto, version 15.6, USA)으로 9개의 필드를 이용한 정적 세기조절방사선치료계획(Static Intensity Modulated Radiation Therapy, S-IMRT)과 Full arc로 두 방향의 체적변조회전방사선치료계획(Volumetric Modulated Arc Therapy, VMAT)을 수립하였다. 임의의 가스 변수는 0.5 cm 단위로 2.0 cm까지 변화를 주어 계획표적체적(Planning Target Volume, PTV)에 포함될 수 있도록 하였다. 표적에 대한 처방선량지수(Conformity Index, CI), 선량균질지수(Homogeneity Index, HI), PTV D_max를 구하였고, 손상위험장기(Organ At Risk, OAR)에 대한 최소선량(Minimum Dose, D_min)과 평균선량((Mean Dose, D_mean), 최대선량(Maximum Dose, D_max)을 계산하여 비교하였다. T-검정을 실시하여 p-value를 구했으며 유의수준은 0.05로 설정하였다. 결 과: S-IMRT와 VMAT의 HI 결정계수(R²)는 0.9423, 0.8223으로 상관관계가 비교적 명확하였고, PTV D_max 결과 임의의 가스 용적이 커질수록 최대 2.8%까지 증가하는 것으로 나타났다. OAR의 경우 두 전산화치료계획 모두 방광에서 유의한 차이가 없었고, 직장의 경우 +1.0 cm 이상의 가스 용적에서 두 전산화치료계획 모두 D_mean 700 cGy 이상의 유의한 선량 차이가 나타났다. 방광의 D_mean을 제외한 모든 값에서 p-value 0.05 이하로 통계적인 유의한 차이를 확인하였다. 결 론: 기준 전산화치료계획에 없던 가스 발생 시 가스 용적 크기가 커질수록 PTV의 선량 변화와 직장에 전달되는 선량이 증가하였다. 방사선치료 진행 시 직장 가스의 용적이 클 경우 발생 할 수 있는 선량 전달 오류를 최소화하기 위한 노력이 반드시 필요한 것으로 판단되었다. 향후 가스 용적의 다양한 크기와 위치를 변수로 설정하여 추가적인 연구가 진행되어진다면 유익한 평가가 이루어 질 수 있을 것으로 사료된다.

• 지능정보연구
• /
• 제24권3호
• /
• pp.1-19
• /
• 2018

최근 딥러닝은 오디오, 텍스트 및 이미지 데이터와 같은 비 체계적인 데이터를 대상으로 다양한 추정, 분류 및 예측 문제에 사용 및 적용되고 있다. 특히, 의류산업에 적용될 경우 딥러닝 기법을 활용한 의류 인식, 의류 검색, 자동 제품 추천 등의 심층 학습을 기반으로 한 응용이 가능하다. 이 때의 핵심모형은 합성곱 신경망을 사용한 이미지 분류이다. 합성곱 신경망은 입력이 전달되고 출력에 도달하는 과정에서 가중치와 같은 매개 변수를 학습하는 뉴런으로 구성되고, 영상 분류에 가장 적합한 방법론으로 사용된다. 기존의 의류 이미지 분류 작업에서 대부분의 분류 모형은 의류 이미지 자체 또는 전문모델 착용 의류와 같이 통제된 상황에서 촬영되는 온라인 제품 이미지를 사용하여 학습을 수행한다. 하지만 본 연구에서는 통제되지 않은 상황에서 촬영되고 사람들의 움직임과 다양한 포즈가 포함된 스트릿 패션 이미지 또는 런웨이 이미지를 분류하려는 상황을 고려하여 분류 모형을 훈련시키는 효과적인 방법을 제안한다. 이동성을 포착하는 런웨이 의류 이미지로 모형을 학습시킴으로써 분류 모형의 다양한 쿼리 이미지에 대한 적응력을 높일 수 있다. 모형 학습 시 먼저 ImageNet 데이터셋을 사용하여 pre-training 과정을 거치고 본 연구를 위해 수집된 32 개 주요 패션 브랜드의 2426개 런웨이 이미지로 구성된 데이터셋을 사용하여 fine-tuning을 수행한다. 학습 과정의 일반화를 고려해 10번의 실험을 수행하고 제안된 모형은 최종 테스트에서 67.2 %의 정확도를 기록했다. 본 연구 모형은 쿼리 이미지가 런웨이 이미지, 제품 이미지 또는 스트릿 패션 이미지가 될 수 있는 다양한 분류 환경에 적용될 수 있다. 구체적으로는 패션 위크에서 모바일 어플리케이션 서비스를 통해 브랜드 검색을 용이하게 하는 서비스를 제공하거나, 패션 잡지사의 편집 작업에 사용되어 브랜드나 스타일을 분류하고 라벨을 붙일 수 있으며, 온라인 쇼핑몰에서 아이템 정보를 제공하거나 유사한 아이템을 추천하는 등의 다양한 목적에 적용될 수 있다.

• 한국산림과학회지
• /
• 제22권1호
• /
• pp.19-48
• /
• 1974

토지국유원칙(土地國有原則)을 표방(標榜)하고 "공사(公私) 공리(共利)"를 기본원칙(基本原則)으로 하고 있었던 고려조(高麗朝)의 시전과제도(柴田科制度)도 집권력(執權力)의 약화(弱化)로 인(因)하여 조만간(早晩間), 붕괴(崩壞)되고 말았던 것이나 임지제도(林地制度)에 있어서는 분묘설정(墳墓設定)의 자유(自由)와 개간장려(開墾奬勵)를 이용(利用)한 삼림(森林)의 광점(廣占) 및 전시과제도(田柴科制度)로 인(因)한 시지(柴地)의 수조권위양(收租權委讓)으로 유래(由來)된 사적수조권(私的洙組權)이 결부(結付)된 삼림(森林)의 사점현상등(私占現象等)이 점차(漸次) 발전(發展)하여 고려중기(高麗中期)의 국정해지기이후(國政解地期以後)에는 대부분(大部分)의 삼림(森林)이 권력층(權力層)의 사점지(私占地)로 화(化)하여 왔었다. 고려조(高麗朝)의 모든 제도(制度)를 그대로 계승(繼承)한 이조(李朝)는 건국후(建國後) 국가소용(國家所用)의 삼림확보(森林確保)를 위(爲)한 삼림수용(森林收用)의 제도확립(制度確立)이 긴요(緊要)하였음으로 전국(全國)의 삼림(森林)을 국가권력(國家權力)에 의(依)하여 공수(公收)하고 국가(國家)와 궁실소용이외(宮室所用以外)의 모든 삼림(森林)은 사점(私占)을 금(禁)한다는 "시장사점금지(柴場私占禁止)"의 제도(制度)를 법제화(法制化)하였고 도성주변(都城周邊)의 사산(四山)을 금산(禁山)으로 함과 아울러 우량(優良)한 임상(林相)의 천연림(天然林)을 택(擇)하여 전조선용재(戰漕船用材)와 궁실용재(宮室用材)의 확보(確保)를 위(爲)한 외방금산(外方禁山)으로 정(定)하고 그 금양(禁養)을 위(爲)하여 산직(山直)을 배치(配置)하였다. 그리고 연병(練兵)과 국왕(國王)의 수렵(狩獵)을 위(爲)한 강무장(講武場)과 관용시장(官用柴場), 능원부속림(陵園附屬林)의 금벌(禁伐), 금화(禁火)를 제정(制定) 등(等) 필요(必要)에 따라 수시(隨時)로 삼림(森林)을 수용(收用)하였으나 고려조이래(高麗朝以來)로 권력층(權力層)에 의(依)하여 사점(私占)되어온 삼림(森林)을 왕권(王權)으로 모두 공수(公收)하지는 못하였던 것이다. 이조초기(李朝初期)에 있어서의 집권층(執權層)은 그 대부분(大部分)이 고려조(高麗朝)에서의 권력층(權力層)이었던것 임으로 그들은 이미 전조시대(前朝時代)로부터 많은 사점림(私占林)을 보유(保有)하고 있었던 것이고 따라서 그들이 권력(權力)을 장악(掌握)하고 있는 한(限) 사점림(私占林)을 공수(公收)한다는 것은 어려운 일이었으며 그들은 오히려 권력(權力)을 이용(利用)하여 사점림(私占林)을 확대(擴大)하고 있었던 것이다. 또 왕자(王子)들도 묘지(墓地)를 빙자(憑藉)하여 주(主)로 도성주변(都城周邊)의 삼림(森林)을 광점(廣占)하고 있던 터에 성종(成宗)의 대(代) 이후(以後)로는 왕자신(王自身)이 금령(禁令)을 어기면서 왕자(王子)에게 삼림(森林)을 사급(賜給)하였음으로 16세기말(世紀末)에는 원도지방(遠道地方)에 까지 왕자(王子)들의 삼림사점(森林私占)이 확대(擴大)되었고 이에 편승(便乘)한 권신(權臣)들의 삼림사점(森林私占)도 전국(全國)으로 파급(波及)하였다. 임진왜란후(壬辰倭亂後)에 시작(始作)된 왕자(王子)에 대(對)한 시장절급(柴場折給)은 삼림(森林)의 상속(相續)과 매매(賣買)를 합법화(合法化)시켰고 이로 인(因)하여 봉건제하(封建制下)에서의 사유림(私有林)을 발생(發生)시키게 된 것이다. 그리하여 권신(權臣)들도 합법적(合法的)으로 삼림(森林)을 사점(私占)하게 되었고 따라서 이조시대(李朝時代) 임지제도(林地制度)의 기본(基本)이었던 시장사점금지(柴場私占禁止)의 제도(制度)는 건국초(建國初)로부터 실행(實行)된 일이 없었으며 오로지 국가(國家)의 삼림수용(森林收用)을 합법화(合法化)시키는 의제(擬制)에 불과(不過)하였던 것이다. 금산(禁山)은 그 이용(利用)과 관리제도(管理制度)의 불비(不備)로 인(因)하여 산하주민(山下住民)들의 염오(厭惡)의 대상(對象)이 되었음으로 주민(住民)들의 고의적(故意的)인 금산(禁山)의 파괴(破壞)는 처음부터 심(甚)하였고 이로 인(因)하여 국가(國家)에서는 용재림확보(用材林確保)를 위(爲)한 금산(禁山)의 증설(增設)을 거듭하였으나 관리제도(管理制度)의 개선(改善)이 수반(隨伴)되지 않았음으로 금산(禁山)의 황폐(荒廢)는 더욱 증대(增大)되었다. 영조(英祖)는 정국(政局)을 안정(安定)시키기 위(爲)하여 경국대전이후(經國大典以後) 남발(濫發)된 교령(敎令)과 법령(法令)을 정비(整備)하여 속대전(續大典)을 편찬(編纂)하고 삼림법령(森林法令)을 정비(整備)하여 도성주변(都城周邊)의 금산(禁山)과 각도(各道) 금산(禁山)의 명칭대신(名稱代身) 서기(西紀) 1699년(年) 이후(以後) 개칭(改稱)하여온 봉산(封山)의 금양(禁養)을 강화(强化)시키는 한편 사양산(私養山)의 권한(權限)을 인정(認定)하는 등(等) 적극적(積極的)인 육림정책(育林政策)을 퍼려하였으나 계속적(繼續的)인 권력층(權力層)의 삼림사점광대(森林私占廣大)는 농민(農民)들로부터 삼림(森林)을 탈취(奪取)하였고 농민(農民)들 이 삼림(森林)을 상실(喪失)함으로써 국가(國家)의 육림장려등(育林奬勵策)은 효과(効果)를 나타내지 못하였던 것이다. 임진왜란후(壬辰倭亂後)의 국정해이(國定解弛)로 인(因)한 묘지광점(墓地廣占), 왕자(王子)에 대(對)한 삼림(森林)의 절급(折給) 권세층(權勢層)에 대(對)한 산림사점(森林私占)은 인허(認許)하는 입안문서(立案文書)의 발행등(發行等)으로 법전상(法典上)의 삼임사점금지조항(森林私占禁止條項)은 사문화(死文化)되었고 이조말기(李朝末期)에 있어서는 사양산(私養山)의 강탈(强奪)도 빈발(頻發)하고 있음을 볼수 있다. 이와 같이 이조시대(李朝時代)의 시장사점금지조항(柴場私占禁止條項)은 오로지 농민(農民)에게만 적용(適用)되는 규정(規定)에 불과(不過)하였고 이로 인(因)하여 농민(農民)들의 육림의욕(育林意慾)은 상실(喪失)되었으며 약탈적(掠奪的)인 삼림(森林)의 채취이용(採取利用)은은 금산(禁山), 봉산(封山) 및 사양산(私養山)을 막론(莫論)하고 황폐(荒廢)시키는 결과(結果)를 자아냈으며 권력층(權力層)의 삼림점탈(森林占奪)에 대항(對抗)한 송계(松契)의 활동(活動)으로 일부(一部) 공산(公山)이 농민(農民)의 입회지(入會地)로서 보존(保存)되어왔다. 그럼에도 불구(不拘)하고 일제(日帝)는 이조말기(李朝末期)의 삼림(森林) 거의 무주공산(無主公山)이 었던것처럼, 이미 사문화(死文化)된 삼림사점금지조항(森林私占禁止條項)을 활용(活用)함으로써, 국가림(國有林)으로 수탈(收奪)한후(後) 식민정책(植民政策)에 이용(利用)하였던 것이나, 실제(實際)에 있어서 이조시대(李朝時代)의 삼림(森林)은 금산(禁山), 봉산(封山), 능원부속림등(陸園附屬林等)의 관금지(官禁地)와 오지름(奧地林)을 제외(除外)하고는 대부분(大部分)의 임지(林地)가 권세층(權勢層)의 사유(私有) 내지(乃至)는 사점하(私占下)에 있었던 것이다.