• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.06a
• /
• pp.435-437
• /
• 2022

스마트 해상물류 통합 프로세스 설계 기술을 위한 데이터 처리 연구는 스마트 해상 물류 통합을 위한 메시지 관리 패턴 정의로 해운-항만-내륙물류의 다양한 서비스와의 연계 데이터 관리 패턴 설계, 디지털 문서의 수용 및 데이터 교환을 위한 상호운용성 보완 기술 설계 그리고 프로세스 기반 거래검증 알고리즘에 대한 연구 내용이다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.11a
• /
• pp.239-241
• /
• 2022

스마트 해상물류 통합 프로세스 자동화 및 간소화 기술 설계를 위해 해운-항만-내륙 물류의 다양한 서비스와의 연계 데이터 관리패턴을 설계하고, 디지털 문서 수용 및 데이터 교환을 위한 상호 운용성 보완 기술 설계, 프로세스 기반 거래검증 알고리즘 개발 및 데이터교환 트랜잭션 자동화 기술 개발을 통해 해상물류 통합 프로세스 설계 프로토타입을 구현하고자 한다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2001.10a
• /
• pp.769-771
• /
• 2001

인터넷의 급속한 발달과 이를 통한 다양한 서비스가 확산됨에 따라, 인증과 보안은 아주 중요한 분야로 대두되고 있다. 본 논문에서는 Egterl 을 이용하여 최근 정보화 사회에서 개인적 정보 뿐만 아니라 비즈니스 간의 데이터 응용 분야에 이르기까지 폭 넓게 사용되어지고 있는 스마트 카드의 인증과 보안 시스템 대한 모델링 및 정형검증에 대해 논한다.

• Proceedings of the Korean Association of Geographic Inforamtion Studies Conference
• /
• 2008.06a
• /
• pp.123-129
• /
• 2008

본 연구에서는 국내 3차원 공간정보 데이터 표준 포맷인 3DF-GML 데이터 모델의 데이터 구조 분석을 수행하였다. 또한 3DF-GML 데이터 포맷과 기존 공간정보 데이터 포맷과의 전환 가능성을 검토하여 기존에 구축된 공간정보간의 연계 및 전환 가능성을 분석하였다. 이러한 분석 결과를 바탕으로 Shape파일, 3DS 데이터와 3DF-GML 데이터 간의 포맷 변환 도구를 개발하였으며, 변환된 3DF-GML 데이터의 유효성 검증을 위한 3DF-GML 가시화 도구를 개발하였다. 본 연구에서 제시한 3차원 공간정보 데이터 변환 및 가시화 도구는 국내 3차원 표준 포맷인 3DF-GML의 변환 및 가시화 기능을 제공해줌으로써, 다양한 응용 분야에서 3차원 공간정보 데이터 사용의 활성화에 크게 기여할 수 있을 것으로 기대한다.

• Proceedings of the Korea Multimedia Society Conference
• /
• 2003.05b
• /
• pp.811-816
• /
• 2003

VRML은 애니메이션을 구현하기 위한 구문을 기본적으로 제공하고 있으나, 몇 가지 문제점을 가지고 있다. 우선 아바타 데이터와 애니메이션 데이터의 완벽한 분리가 불가능하고 데이터가 종속적이어서, 어느 한 쪽의 수정이 가해질 경우 다른 데이터도 그에 맞춰 수정해 주어야 한다. 이러한 기존 VRML의 단점을 극복하기 위해, 아바타 데이터와 애니메이션 데이터를 XML 기반의 행위기술 언어를 정의하고. 이 언어로 작성된 데이터를 처리하기 위한 애니메이션 시스템의 연구가 필요하다. 이러한 행위기술 언어는 아바타 데이터와 애니메이션 데이터를 서로 독립적으로 분리시킬 수 있어야 하며, 또한 아바타 데이터의 수정이 전제되어도 재활용이 가긍한 애니메이션 데이터를 작성하는 것이 가능해야 한다. 이에 본 연구에서는 아바타 관련 표준화 동향과 VRML로 정의된 휴머노이드 아바타의 문제점을 정의하고. 이를 극복하기 위한 방안으로 휴머노이드 아바타의 외형을 H-Anim 표준에 따르는 계층적 구조로 정의하였다 또한 휴머노이드 아바타의 행위 및 표정을 XML DTD와 DI로 정의하고, XML로 정의된 휴머노이드의 외형/행위/표정을 기존의 VRML 브라우저에서 표현하기 위한 처리 방법 덴 시스템을 설계하고 구현하였다. 끝으로 위와 같이 설계된 결과를 아바타 채팅 시스템의 구현에 적용하여 연구결과의 타당성을 검증하였다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2023.01a
• /
• pp.377-380
• /
• 2023

본 논문에서는 합성곱 신경망(Convolutional Neural Networks, CNN)과 탄성왜곡(Elastic Distortion) 기법을 통한 데이터 증강 기법을 활용하여 학습 데이터를 구축하는 프레임워크를 제안한다. 실제 균열 이미지는 정형화된 형태가 없고 복잡한 패턴을 지니고 있어 구하기 어려울 뿐만 아니라, 데이터를 확보할 때 위험한 상황에 노출될 우려가 있다. 이러한 데이터베이스 구축 문제점을 본 논문에서 제안하는 데이터 증강 기법을 통해 비용적, 시간적 측면에서 효율적으로 해결한다. 세부적으로는 DeepCrack의 데이터를 10배 이상 증가하여 실제 균열의 특징을 반영한 메타 데이터를 생성하여 U-net을 학습하였다. 성능을 검증하기 위해 균열 탐지 연구를 진행한 결과, IoU 정확도가 향상되었음을 확인하였다. 데이터를 증강하지 않았을 경우 잘못 예측(FP)된 경우의 비율이 약 25%였으나, 데이터 증강을 통해 3%까지 감소하였음을 확인하였다.

• The Journal of the Korea Contents Association
• /
• v.16 no.11
• /
• pp.488-498
• /
• 2016

Much of the information is stored as data, research has been activated for analyzing the data and predicting the special circumstances. In the case of power data, the studies, such as research of renewable energy utilization, power prediction depending on site characteristics, smart grid, and micro-grid, is actively in progress. In this paper, we propose a power prediction model using the substation environment data. In this case, we try to verify the power prediction result to reflect the multiple arguments on the power and weather data, rather than a simple power data. The validation process is the effect of multiple factors compared to other two methods, one of power prediction result considering power data and the other result using power pattern data that have been made in the similar weather data. Our system shows that it can achieve max prediction error of less than 15%.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.23 no.5
• /
• pp.533-539
• /
• 2019

This study proposes a malware classification model that can handle arbitrary length input data using the Microsoft Malware Classification Challenge dataset. We are based on imaging existing data from malware. The proposed model generates a lot of images when malware data is large, and generates a small image of small data. The generated image is learned as time series data by Dynamic RNN. The output value of the RNN is classified into malware by using only the highest weighted output by applying the Attention technique, and learning the RNN output value by Residual CNN again. Experiments on the proposed model showed a Micro-average F1 score of 92% in the validation data set. Experimental results show that the performance of a model capable of learning and classifying arbitrary length data can be verified without special feature extraction and dimension reduction.

• Journal of Platform Technology
• /
• v.8 no.1
• /
• pp.16-23
• /
• 2020

For protecting copyright for trademark, convolutional neural network can be used to confirm genuine of trademark image. For this, repeated training one trademark image degrades the performance of machine learning because of overfitting problem. Therefore, this type of machine learning application generates training data in various way. But if genuine trademark image is rotated, this image is classified as not genuine trademark. In this paper, we propose the way for extending training data to confirm genuine of trademark image which is rotated. Our proposed way generates rotated image from genuine trademark image as training data. To show effectiveness of our proposed way, we use CNN machine learning model, and evaluate the accuracy with test image. From evaluation result, our way can be used to generate training data for machine learning application which confirms genuine of rotated trademark image.

• KIPS Transactions on Software and Data Engineering
• /
• v.11 no.7
• /
• pp.307-314
• /
• 2022

Recently, researches using deep learning-based models are being actively conducted to replace statistical-based time series forecast techniques to predict electric power demand. The result of analyzing the researches shows that the performance of the LSTM-based prediction model is acceptable, but it is not sufficient for long-term regional-wide power demand prediction. In this paper, we propose a WaveNet deep learning model to predict electric power demand 24-hour-ahead with temperature data in order to achieve the prediction accuracy better than MAPE value of 2% which statistical-based time series forecast techniques can present. First of all, we illustrate a delated causal one-dimensional convolutional neural network architecture of WaveNet and the preprocessing mechanism of the input data of electric power demand and temperature. Second, we present the training process and walk forward validation with the modified WaveNet. The performance comparison results show that the prediction model with temperature data achieves MAPE value of 1.33%, which is better than MAPE Value (2.33%) of the same model without temperature data.