TFT-LCD(Thin Flat Transistor Liquid Crystal Display) 패널의 불량(Mura)을 정확히 검출하기 위해서는 패널 영상에 포함된 왜곡을 반드시 보정해야 한다. 일반적인 컴퓨터 비젼 시스템의 촬상영상에 대한 왜곡 보정 알고리즘은 이미 알려져 있지만, 패널 영상에만 독특하게 나타나는 비네팅(Vignetting) 효과는 패널 고유의 특성으로 인한 배경 불균일성(Background Non-uniformity)과 결합되어 기존의 알고리즘을 바로 적용하기 어려운 문제점이 있다. 영상 복원 결과의 정확도를 높이기 위해서는 비네팅 효과를 영상 배경과 분리하여 적절히 보정해주어야만 한다. 따라서, 본 논문에서는 주성분분석(Principle Component Anlaysis)을 통해 비네팅 효과를 분석하고 이를 보정하는 새로운 알고리즘을 제안한다. 불량이 포함된 175개의 영상을 대상으로 복원 실험을 수행한 결과, 왜곡 영상에 포함된 불량들의 평균 밝기 오차는 37% 에서 11% 로 내려갔으며 불량에 대한 판정 실패율도 14.8%에서 2.2%로 떨어졌음을 확인하였다.

국소적 미분 연산자를 이용한 대개의 에지 검출 방법을 사용하면 검출된 에지의 폭이 불균일하게 되거나, 확대된 영상에서 에지의 일부를 검출하지 못한다. 캠프 에지의 엄격하게 단조적인 자기 분포구간을 단순 계단 함수에 대응시키는 램프 에지의 완전 선명화 사상을 이용하면 자기분포의 비국소적 속성이 반영되는 변형된 미분이 도입되고, 이를 이용하면 다양한 에지 폭의 변화에 효율적으로 대응할 수 있는 에지 검출기를 구현할 수 있다. 본 논문에서는 MADD를 사용하여 형상의 확대나 다양한 에지 폭의 변화에 안정적으로 동작하는 검출기를 개발하였다. 기존의 알고리즘과 비교하여 본 결과 제안한 알고리즘의 우수성을 확인할 수 있었다.

셀룰러 유전알고리즘(CGAs)은 모집단이 특정한 위상 구조를 갖는 유전알고리즘의 일종이다. 보통의 경우, CGAs의 모집단 공간은 네트워크 이론 측면에서 상대적으로 긴 평균경로길이와 큰 클러스터링계수를 갖는 정규 격자형 위상 구조이다. 평균경로길이가 길면 멀리 떨어진 개체들 사이의 유전적 상호작용이 느리게 일어난다. 따라서 클러스터링계수를 유지하면서 평균경로길이를 줄인다면 개체의 다양성이 유지되면서도 모집단이 보다 빠르게 수렴할 것이다. 이 논문에서는 최소좁은세상 셀룰러 유전알고리즘(SSWCGAs)을 제안한다. SSWCGAs에서 각 개체는 클러스터링이 잘되었으면서도 노드를 연결하는 평균경로길이가 짧은 모집단에 거주하여, 클러스터링에 의한 세부탐색 능력을 유지하면서도 전역탐색을 잘하게 된다. 네 가지 실변수 함수와 두 가지 GA-hard 문제에 대한 실험을 통하여 SSWCGAs가 SGAs 및 CGAs보다 효과적임을 보였다.

전자 문서의 급속한 증가로 인하여 자동 문서 분류의 필요성도 증가하고 있다. 기존의 문서 분류 방법들은 대개 문서를 단어의 집합으로 간주하여 기계 학습의 방법을 그대로 적용하거나 악간의 변형을 가한 방법들이 대부분이다. 본 논문에서는 데이타 마이닝 분야에서 사용되는 FP-Tree 구조를 이용하여 문서내의 문장들의 패턴을 저장하고 이를 사용하여 문서를 분류하는 방법(FPTC)을 제시한다. 또한 FP-Tree를 이용한 방법에 상호 정보량과 문장별 엔트로피를 적용하여 분류 정확도를 높이는 방법 그리고 각각의 실험 결과와 함께 다른 문서 분류 알고리즘과 비교 분석한 결과를 살펴보기로 한다.

본 논문에서는 단일 프레임의 교통 영상에서 차량을 검출하는 새로운 기법을 제안한다. 제안하는 기법은 동작 환경에 관계없이 여러 형태로 분류된 그림자를 추출한다. 차량의 색상과 조명 조건에 관계없이 차량이 도로와 접한 부분에는 어두운 그림자 형상을 가진다는 사실을 이용하여 그림자 분류를 수행한다. 추출된 그림자는 차량의 존재 유무를 판단할 강력한 능력을 가지고 있으며, 배경 영상과 다른 시간적 정보들을 이용하지 않으므로, 기상 및 교통 정체가 빠르게 변화하는 상황에서도 높은 검출 성능을 보장한다. 차량 위치에 존재하는 자은 정보와 그림자 영역과의 간단한 증거 추론 기법에 의해 차량을 검출할 수 있다. 6개의 다른 동작 환경의 실험에서 4% 이하의 오검출율을 보이고, 0.9%에서 7.2%의 미검출율을 보였다. 또한, 작은 크기의 영상에 대해 초당 70 프레임 이상의 처리가 가능하므로, 다양한 교통 정보를 실시간으로 측정하는 기법에 사용될 수 있다.

HMM은 파라미터의 수가 많을수록 모델링 성능이 향상되어 해당 클래스 데이타는 뿐만 아니라 혼동되는 다른 클래스 데이타에 대해서도 높은 확률을 출력하는 경향이 있다. 그러므로 단순히 파라미터 수를 증가 시키는 것은 변별력 향상에 도움이 되지 않는다. 본 논문에서는 혼동되는 클래스 데이터의 확률을 이용한 혼동 확률 선택 기준CMC(Confusion Model Selection Criterion)과 혼동 클래스 데이터를 구성하여 혼동 모델을 만들고 이것을 이용한 새로운 인식 방법인 RCM(Recognition using Confusion Models)을 제안하였다. 제안한 인식 방법은 혼동되는 클래스 데이타의 구성으로 혼동 데이타 집합을 만들고 이것을 이용하여 별도의 혼동 모델을 훈련한 후, 혼동 모델의 확률을 해당 표준 모델의 확률에서 차감하여 해당 클래스 데이타의 오인식 가능성을 억제한다. 모델 선택 기준 CMC를 온라인 필기 숫자 데이타를 대상으로 실험하여 기존 모델 선택 기준인 ML, ALC2, BIC와 비교 분석한 결과, 제안한 방법인 CMC가 적은 파라미터로 좋은 결과를 보였으며, 제안한 혼동 모델 인식 방법인 RCM은 93.08%의 인식률을 보여 표준 모델만을 사용한 인식한 방법보다 정인식률이 약 1.5%향상되었고, 이는 오류의 17.4%가 감소된 결과이다.