대사체학은 대사 경로 네트워크를 통해 생명 활동을 이해하고자 하는 분야로서, 대사 경로 내의 흐름을 한 눈에 알 수 있도록 가시화하여 보여 주는 도구가 반드시 필요하다. 이러한 가시화 도구의 경우 노드수가 증가할수록 에지 교차가 기하급수적으로 증가하는 문제가 있다. 따라서 유전체 수준의 대사경로를 연구하기 위해서는 대사 경로 그래프 레이아웃 상에 나타나는 에지 교차를 줄이는 것이 시각화의 매우 중요한 부분이다. 본 논문에서는 대사 경로의 구조적인 특징에 기반한 3차원 공간 상에 대사 경로 그래프를 레이아웃해 주는 모듈을 설계, 구현하였다. 2-계층 레이아웃을 이용하여 대사 경로 그래프를 계층적으로 레이아웃함으로써 표현영역을, 3차원으로 확장시키고 기존의 2차원 레이아웃 알고리즘 적용시 번번히 나타나는 에지 교차의 수를 감소시키는 결과를 얻었다.

소프트웨어의 수명이 길어짐에 따라, 소프트웨어 유지보수비용을 줄이기 위한 기법에 대한 연구의 중요도가 높아지고 있다. 소프트웨어 엔티티들간의 커플링(Coupling)정보는 소스코드 분석 및 리팩토링등의 소프트웨어 유지보수에 활동에서 의사결정시 정량적인 근거자료로 유용하게 사용되고 있다. 논리적 커플링(Logical Coupling)은 소프트웨어가 진화하는 과정에서 관측된 엔티티들간의 관계성 정도를 나타낸다. 논리적커플링이 처음 소개된 이후로, 커플링의 단위를 상세화 하는 연구가 발표됨으로써, 큰 단위의 엔티티간 논리적커플링으로는 설명할 수 없는 소프트웨어의 특성들이 설명되었다. 하지만, 기존 연구는 프로젝트 구성원들의 성향 및 프로젝트의 특성을 고려하지 못 하였다. 본 연구는 버전관리시스템의 변경기록에 담겨있는 프로젝트 구성원들의 성향과 프로젝트 자체의 특징을 고려한 다중관점 기반의 논리적커플링 측정기법을 제안하고, 오픈소스프로젝트를 통해 제안하는 기법을 검증하였다.

본 논문에서는 연속 프레임에서 움직임이 큰 얼굴을 자동으로 추적하기 위해 두 단계 합성 기울기 지형 생성 방법을 제안한다. 본 제안 방법은 다음과 같은 세 가지 단계로 이루어진다. 첫째, 활성 외곽선이 빠르게 수렴하기 위한 두 단계 해상도 기울기 맵을 생성한다. 둘째, 연속하는 프레임 간의 변위를 파악하고 주변 배경을 제거하기 위하여 이전 프레임과 현재 프레임의 합성 기울기 맵과 차별 마스크를 산정하여 가중 합성 기울기 맵을 구성한다. 셋째, 활성 외곽선이 지역적 최소값에 수렴하는 것을 막기 위해 닫기 연산을 사용하여 에너지 비탈면을 생성한다. 이 때, 닫기 연산의 계산 비용 문제는 빠른 닫기 연산을 통해 해결한다. 제안방법의 정확성을 평가하기 위해 기존 활성 외곽선 모델 기반 방법들과 제안방법의 수행 결과를 통한 육안 평가와 활성 외곽선의 평균 에너지 변화를 통한 견고성 평가를 수행하고, 수행 시간을 분석한다. 실험 결과 제안방법의 경우 배경의 영향을 받지 않으면서 얼굴의 움직임이 큰 경우에도 빠르고 정확하게 추적할 수 있었다.

본 논문에서는 이차원 텐서보팅과 에지 기반 방법을 이용하여 자연영상에서 문자를 검출하는 새로운 방법을 제시한다. 텍스트의 문자들은 보통 연속적인 완만한 곡선 상에 배열되어 있고 서로 가깝게 위치하며, 이러한 특성은 텐서보팅에 의하여 효과적으로 검출될 수 있다. 이차원 텐서보팅은 토큰의 연속성을 curve saliency 로 산출하며 이러한 특성은 다양한 영상해석에 사용된다. 먼저 에지 검출을 이용하여 영상 내의 텍스트 영역이 위치할 가능성이 있는 텍스트 후보영역을 찾고 이러한 후보영역의 연속성을 텐서보팅에 의해 검증하여 잡음영역을 제거하고 텍스트 영역만을 구분한다. 실험 결과, 제안된 방법은 복잡한 자연영상에서 효과적으로 텍스트 영역을 검출함을 확인하였다.

본 논문에서는 고령자의 약복용에 대한 순응도을 향상시킬 수 있는 약복용 행위 지원 시스템을 개발하였다. 이 시스템은 고령자의 약복용 상황에 필요한 행위들을 XML템플릿으로 미리 정의한 선행 지식을 이용한다. 지식 기반 약복용 행위 지원 서비스는 고령자의 약복용 스케줄이나 위치를 계속적으로 모니터링함으로써 인식되는 현재 상황에 매우 의존적이다. 본 시스템은 약복용 모니터링을 약상자와 디스플레이에 각각 부착된 적외선 센서 및 초음파 센서를 통해 수행한다. 이 모니터링된 결과로부터 인식된 고령자 상황에 따라 요구되는 약복용 행위는 사용자 친화형 멀티미디어를 통해 서비스한다. 특히, 실험을 통해 본 논문에서 개발된 시스템이 만성질환 환자들의 약복용 순응도를 향상시킬 수 있음을 평가하였다.

온톨로지 스키마 추론은 개념의 정합성을 테스트하고 계층구조를 자동으로 생성해 준다. 이를 위해 개념의 검색과정은 반드시 수행하여야 한다. 온톨로지 스키마 추론은 온톨로지에 정의된 모든 개념들간의 포함관계를 테스트함으로써 수행된다. 이러한 포함관계 테스트 결과는 개념의 완전 그래프 생성여부에 따라 결정되며 이는 추론의 전체적인 성능에 결정적인 영향을 준다. 일반적으로 완전 그래프 생성 과정은 복잡도가 높은 과정으로 알려져 있으며 이는 낮은 추론성능을 유발시키는 원인이 되고 있다. 본 논문에서는 개념들간의 포함관계 테스트시 개념의 향상된 검색방법을 통해 불필요한 포함관계 테스트를 생략함으로써 온톨로지 스키마 추론의 성능을 향상시키는 방법을 제시하고자 한다. 이 향상된 검색방법은 개념의 포함관계 테스트 결과를 정의상 연관된 다른 개념에 전파함으로써 이루어진다.

그래프 컷(graph cuts) 방법은 주어진 사전정보와 각 픽셀간의 유사도를 나타내는 데이터 항(data term)과 이웃하는 픽셀간의 유사도를 나타내는 스무드 항(smoothness term)으로 구성된 에너지 함수를 전역적으로 최소화하는 방법으로, 최근 영상 분할에 많이 이용되고 있다. 기존 그래프 컷 기반의 영상 분할 방법에서 데이터 항을 설정하기 위해 GMM(Gaussian mixture model)을 주로 이용하였으며, 평균과 공분산을 각 클래스를 위한 사전정보로 이용하였다. 이 때문에 클래스의 모양이 초구(hyper-sphere) 또는 초타원(hyper-ellipsoid)일 때만 좋은 성능을 보이는 단점이 있다. 다양한 클래스의 모양에서 좋은 성능을 보이기 위해, 본 논문에서는 mean shift 분석 방법을 이용한 그래프 컷 기반의 자동 영상분할 방법을 제안한다. 데이터 항을 설정하기 위해 $L^*u^*{\upsilon}^*$ 색상공간에서 임의로 선택된 초기 mean으로부터 밀도가 높은 지역인 모드(mode)로 이동하는 mean의 집합들을 사전정보로 이용한다. Mean shift 분석 방법은 군집화에서 좋은 성능을 보이지만, 오랜 수행시간이 소요되는 단점이 있다. 이를 해결하기 위해 특징공간을 3차원 격자로 변형하였으며, mean의 이동은 격자에서 모든 픽셀이 아닌 3차원 윈도우내의 1차원 모멘트(moment)를 이용한다. 실험에서 GMM을 이용한 그래프 컷 기반의 영상분할 방법과 최근 많이 이용되고 있는 mean shift와 normalized cut기반의 영상분할 방법을 제안된 방법과 비교하였으며, Berkeley dataset을 기반으로 앞의 세 가지 방법보다 좋은 성능을 보였다.

본 논문은 입력받은 다수 이미지의 Visual Hull을 이용하여 Surfel 기반의 물체를 복원하는 새로운 방법을 제안한다. Sufel은 포인트 집합면을 효과적으로 근사하여 나타내는 포인트 표현 단위이다. LDC(Layered Depth Cube) Surfel 샘플링 방식에 입력 이미지로부터 근사되는 형상을 대표하는 Visual Hull의 개념을 연동하여 이미지로부터 물체의 Surfel 기하 정보를 생성할 수 있다. Surfel 표현 방식은 기존의 폴리곤 기반 방식에 비해 상대적으로 적은 메모리를 소모하고 LDC 해상도를 자유롭게 바꿀 수 있기 때문에, 대상 물체를 복원하는 품질을 조절 가능하며, 주어진 메모리 자원에 대해서 최대의 품질을 가진 결과를 얻을 수 있다.

본 논문에서는 휴먼 객체들의 이동 궤적 정보를 기반으로 휴먼 상호 행동을 인식하기 위한 새로운 모델을 제안한다. 복잡한 휴먼 상호 행동들은 의미있는 작은 단위로 분할될 수 있는데 이를 '부-상호행동'이라 하며, 이들을 표현하는 모델들의 순차적 연결 또는 네트워크로 상호 행동을 모델링한다. 제안하는 모델은 서로 다른 상호 행동들에 공통적으로 나타나는 부-상호 행동들을 공유하도록 함으로써 모델의 복잡도를 낮추어 매우 효율적이다. 상호 행동 네트워크 모델의 동작 분석 및 기존 방법과의 비교 실험을 통해 제안한 방법의 우수성을 확인할 수 있었다.

다양체는 고차원 표본 데이터들 사이의 관계를 표현하기 위해 저차원 공간에서 생성된 구조로서 고차원 데이터인 영상과 3차원 인체 구성 데이터를 처리하는데 많이 사용되고 있다. 다양체 학습은 이러한 다양체를 생성하는 과정을 말한다. 그러나 다양체 학습을 이용한 포즈 추정은 학습하지 못한 실루엣 변화에 취약하다. 실루엣 변화는 2차원 영상에서 시점 변화, 포즈 변화, 사람 변화, 거리 변화, 잡영에 의해 발생되며, 이러한 변화를 하나의 다양체로 학습하기란 어렵다. 본 논문에서는 실루엣 변화를 유발하는 문제중 하나인 시점 변화에 대한 문제를 해결하고자 한다. 종래에 시점 변화에 상관 없이 포즈를 추정하는 방법에서는, 각 시점마다 다양체를 가지거나 사상 함수에서 시점에 관련한 요소들을 분리하석 별도의 다양체로 학습한다. 하지만 이러한 방법들은 복잡하고, 추정 과정에서 어떠한 시점의 다양체를통해 포즈를 추정할지 판단을 요구하며, 비교사 학습으로 인해 실루엣과 대응되는 3차원 인체 구성을 지정하기 어렵다. 본 논문에서는 시점 다양체, 포즈 다양체, 인체 구성 다양체를 편향된 다양체로 학습하여 사용하는 방법을 제안한다. 그리고 영상과 시점 다양체, 영상과 포즈 다양체, 인체 구성과 인체 구성 다양체, 포즈 다양체와 인체 구성 다양체 간에 사상 함수를 학습한다. 실험에서는 학습된 다양체와 사상 함수를 이용하여 24개의 시점에서 강인한 포즈 추정 결과를 보여주고 있다.