• 컴퓨터교육학회논문지
• /
• 제13권3호
• /
• pp.65-75
• /
• 2010

지금까지 정보통신기술(ICT:Information & Communication Technology)는 교육 분야에 적용되어 교육이 자체적으로 가지고 있는 다양한 한계를 극복하는데 큰 역할을 담당해 왔다. ICT의 발전은 컴퓨터 활용교육, 인터넷 활용교육, 이러닝으로 교수 학습의 방법 변화에 중요한 영향을 주었다. 최근엔 유비쿼터스 컴퓨팅 기술의 발전으로 유러닝으로의 교육 환경 변화를 예고하고 있으며, 유비쿼터스 핵심 속성인 이동성, 지능성, 개인맞춤성 등이 구현된 디지털교과서에 대한 연구와 개발이 활발하게 진행되고 있다. 본 연구는 뇌과학에 기반해 인지적 측면, 전략적 측면, 정서적 측면에서 학습에 대한 개인의 차이를 인정하고 모든 학습자의 학습에 대한 접근성을 향상시킬 수 있는 주요한 설계 전략으로 UDL(Universal Design for Learning)에 대해 분석하고, 이를 적용한 한국의 디지털교과서의 접근성 향상 방안에 대해 제시하였다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2024년도 제69차 동계학술대회논문집 32권1호
• /
• pp.45-46
• /
• 2024

본 논문에서는 Self-Attention 기반 딥러닝 기법인 Dense Prediction Transformer(DPT) 모델을 MVTec Anomaly Detection(MVTec AD) 데이터셋에 적용하여 실제 산업 제품 이미지 내 이상 부분을 분할하는 연구를 진행하였다. DPT 모델의 적용을 통해 기존 Convolutional Neural Network(CNN) 기반 이상 탐지기법의 한계점인 지역적 Feature 추출 및 고정된 수용영역으로 인한 문제를 개선하였으며, 실제 산업 제품 데이터에서의 이상 분할 시 기존 주력 기법인 U-Net의 구조를 적용한 최고 성능의 모델보다 1.14%만큼의 성능 향상을 보임에 따라 Self-Attention 기반 딥러닝 기법의 적용이 산업 제품 이상 분할에 효과적임을 입증하였다.

• 한국항행학회논문지
• /
• 제14권2호
• /
• pp.278-283
• /
• 2010

본 논문에서는 유비쿼터스 환경에서 학습자 맞춤형 학습을 지원하기 위한 사용자 모델 확장의 프레임워크를 설계 및 제시하였다. 이를 위해 기존의 모델인 도메인 모델, 사용자 모델, 적용 모델, 인터액션 모델을 LMS(Learning Management System)와 LCMS(Learning Contents Management System)에 연동하였다. 사용자 모델의 확장인 학습자 정보 관리 프로세스를 LMS와 적응적 시스템 사이에 두었으며, 이를 u-러닝에서 사용할 수 있도록 u-LMS와 연결하였다. u-LMS와 u-LCMS는 학습자의 접속 및 요구에 따라 적절한 변환을 통해 이동형 기기에 제공할 수 있도록 하였다.

• 지구물리와물리탐사
• /
• 제23권3호
• /
• pp.192-207
• /
• 2020

탄성파 탐사를 수행할 때 경제적, 환경적 제약 또는 탐사 장비의 문제 등에 의해 탄성파 자료의 일부가 규칙적 또는 불규칙적으로 손실되는 경우가 발생하게 된다. 이러한 자료 손실은 탄성파 자료 처리와 해석 결과에 부정적인 영향을 주기 때문에 사라진 탄성파 자료를 복원할 필요가 있다. 탄성파 자료 복원을 위해 재탐사 또는 추가적인 탐사를 진행하는 경우 시간적, 경제적 비용이 발생하기 때문에, 많은 연구자들이 사라진 탄성파 자료를 정확히 복원하기 위한 보간 기법 연구를 진행해왔다. 최근에는 머신러닝 기술 발달에 따라 머신러닝 기법을 활용한 연구들이 진행되고 있고, 다양한 머신러닝 기술들 중에서도 서포트 벡터 회귀, 오토인코더, 유넷, 잔차넷, 생성적 적대 신경망 등의 알고리즘을 활용한 탄성파 자료의 보간 연구가 활발하게 진행되고 있다. 이 논문에서는 이러한 연구들을 조사하고 분석하여 복잡한 신경망 모델뿐 아니라 상대적으로 구조가 간단한 서포트 벡터 회귀 모델을 통해서도 뛰어난 보간 결과를 얻을 수 있다는 것을 확인했다. 추후 머신러닝 기법들을 사용하는 탄성파 자료 보간 연구들에서 오픈소스로 공개된 실제 자료를 이용하며 데이터 증식, 전이학습, 기존 기법을 이용한 규제 등의 기술을 활용하면 탄성파 자료 보간 성능을 향상시킬 수 있을 것으로 기대된다.

• 대한원격탐사학회지
• /
• 제39권6_1호
• /
• pp.1413-1425
• /
• 2023

기후변화로 인한 대형 산불의 빈도가 증가함에 따라 극심한 인명 및 재산상의 피해를 초래하고 있다. 이로 인해 많은 식생이 소실되며, 그 강도와 발생 형태에 따라 생태계 변화에 영향을 끼친다. 생태계 변화는 다시 산불 발생을 유발하여 2차 피해를 야기한다. 따라서 산불 피해지에 대한 정확한 탐지 및 면적 산정의 중요성이 지속적으로 제기되고 있다. 효율적인 산불 피해지 모니터링을 위해 산불 발생 후 실시간 지형 및 기상정보는 물론 피해지역의 영상을 대규모로 취득할 수 있는 위성영상이 주로 활용되고 있다. 최근, 합성곱 신경망(convolution neural network, CNN) 기반 모델부터 고성능 트랜스포머(Transformer) 기반 모델에 이르기까지 딥러닝 알고리즘이 빠르게 발전하면서 산림원격탐사에서 이를 적용한 연구가 활발히 이루어지고 있다. 하지만 현재까지 적용된 딥러닝 모델은 제한적이며 현업에서의 합리적인 활용을 위한 정량적 성능평가에 대한 보고가 부족한 상황이다. 따라서 본 연구에서는 모델에 따른 성능향상과 데이터 설계에 따른 성능향상을 중점적으로 비교 분석하였다. 미국 캘리포니아 지역을 대상으로 CNN 기반 모델의 U-Net, High Resolution Network-Object Contextual Representation (HRNet-OCR)을 활용하여 산불 피해지 모델을 구축하였다. 또한, 기본 파장대역과 함께 식생활력도 및 지표의 수분함량 정도를 고려하고자 normalized difference vegetation index (NDVI), normalized burn ratio (NBR)와 같은 산불 관련 분광지수를 산출하여 입력 이미지로 사용하였다. U-Net의 mean intersection over union (mIoU)이 0.831, HRNet-OCR이 0.848을 기록하여 두 모델 모두 우수한 영상분할 성능을 보였다. 또한, 밴드 반사도뿐 아니라 분광지수를 추가한 결과 모든 조합에서 평가지표 값이 상승하여 분광지수를 활용한 입력 데이터 확장이 픽셀 세분화에 기여함을 확인하였다. 이와 같은 딥러닝 방법론을 발전시킨다면 우리나라의 산불 피해지에 대한 신속한 파악 및 복구 계획 수립의 기초자료로 활용될 수 있을 것으로 기대된다.

• 대한원격탐사학회지
• /
• 제39권2호
• /
• pp.143-156
• /
• 2023

인공위성이 촬영한 영상의 내용을 정확하게 분석하기 위해서는 영상에 존재하는 구름 영역을 정확하게 인지하는 것이 필요하다. 최근 다양한 분야에서 딥러닝(deep learning) 모델이 뛰어난 성능을 보여줌에 따라 구름 영역 검출을 위해 딥러닝 모델을 적용한 방법들이 많이 제안되고 있다. 하지만 현재 구름 영역 검출 방법들은 의미 영역 분할 방법의 네트워크 구조를 그대로 사용하여 구름 검출 성능을 향상하는 데는 한계가 있다. 따라서 본 논문에서는 구름 검출 데이터 세트에 다중 브랜치 네트워크 구조 탐색을 적용하여 구름 영역 검출에 최적화된 네트워크 모델을 생성함으로써 구름 검출 성능을 향상하는 방법을 제안한다. 또한 구름 검출 성능을 향상하기 위하여 의미 영역 분할 모델의 학습 단계와 평가 단계의 평가 기준 불일치를 해소하기 위해 제안된 soft intersection over union (IoU) 손실 함수를 사용하고, 다양한 데이터 증강 방법을 적용하여 학습 데이터를 증가시켰다. 본 논문에서 제안된 방법의 성능을 검증하기 위하여 아리랑위성 3/3A호에서 촬영한 영상으로 구성된 구름 검출 데이터 세트를 사용하였다. 먼저 제안 방법과 의미 영역 분할 데이터 세트에서 탐색된 기존 네트워크 모델의 성능을 비교하였다. 실험 결과, 제안 방법의 mean IoU는 68.5%이며, 기존 모델보다 mIoU 측면에서 4%의 높은 성능을 보여주었다. 또한 soft IoU 손실 함수를 포함한 다섯 개의 손실 함수를 적용하여 손실 함수에 따른 구름 검출 성능을 분석하였으며, 실험 결과 본 연구에서 사용한 soft IoU 함수가 가장 좋은 성능을 보여주었다. 마지막으로 의미 영역 분할 분야에서 활용되는 최신 네트워크 모델과 제안 방법의 구름 검출 성능을 비교하였다. 실험 결과, 제안 모델이 의미 영역 분할 분야의 최신 모델들보다 mIoU와 정확도 측면에서 더 나은 성능을 보여주는 것을 확인하였다.

• 한국컴퓨터정보학회논문지
• /
• 제25권10호
• /
• pp.35-42
• /
• 2020

본 연구에서는 비지도 이상 탐지 방법을 변형한 U-Net 기반의 이미지 복원 기법을 통해 한정적인 데이터를 활용한 균열 탐지 방안을 제안한다. 콘크리트 균열은 다양한 원인으로 인해 발생하며, 장기적으로 구조물의 심각한 손상을 초래할 수 있는 요소이다. 일반적으로 균열 조사는 검사원의 육안으로 판단하는 외관 검사법을 사용하는데, 이는 판단에 객관성이 떨어지며 인적 오류 발생 가능성이 크다. 따라서 객관적이고 정확한 이미지 분석 처리를 통한 방법이 요구된다. 최근에는 균열을 신속하고 정밀하게 탐지할 수 있도록 딥러닝을 활용한 기술들이 연구되고 있다. 하지만 일반적인 균열자료에 비해 점검 대상물에 대한 데이터는 한정적이므로 이를 활용한 기존 균열 탐지 모델의 성능은 제한적인 경우가 많다. 따라서 본 연구에서는 비지도 이상 탐지 방법을 사용해 점검 대상물에 대한 데이터를 증강하여 해당 데이터를 사용하여 학습한 결과, 정확도 98.78%, 조화평균(F1_Score) 82.67%의 성능을 확인하였다.

• 한국광학회지
• /
• 제34권5호
• /
• pp.192-201
• /
• 2023

Band-limited angular spectrum method (BL-ASM)는 공간주파수 제어의 문제로 aliasing 오류가 발생한다. 본 논문에서는 위상 홀로그램에 대한 표본화 간격 조정 기법과 딥 러닝 기반의 U-net 모델을 사용한 스펙클 노이즈 감소 및 이미지 품질 향상 기법을 제안하였다. 제안한 기법에서는 넓은 전파 범위에서 aliasing 오류를 제거할 수 있도록 먼저 샘플링 팩터를 계산하여 표본화 간격 조절에 의한 공간주파수를 제어함으로써 스펙클 노이즈를 감소시킨다. 그 후 딥 러닝 모델을 적용한 위상 홀로그램을 학습시켜 복원 이미지의 품질을 향상시킨다. 다양한 샘플 이미지에 대한 S/W 시뮬레이션에서 기존의 BL-ASM과의 peak signal-to-noise ratio (PSNR), structural similarity index measure (SSIM)을 비교할 때 각각 평균 5%, 0.14% 정도 비율이 향상됨을 확인하였다.

• 물과 미래
• /
• 제54권12호
• /
• pp.22-28
• /
• 2021

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2012년도 제46차 하계학술발표논문집 20권2호
• /
• pp.13-14
• /
• 2012

본 논문에서는 멀티 터치 테이블을 중심으로 u-Learning 시스템을 제안한다. 멀티 터치 테이블에서 수업 진행 중 교사는 모바일로 멀티 터치 테이블을 제어함으로써 수업을 진행 및 관리하고, 학생들은 마커를 이용하여 멀티 터치 테이블과의 인터랙션을 통해 웹과 자동화된 과제 시스템을 이용함으로써 능동적인 학습참여를 할 수 있게 된다.