• Proceedings of the Korea Information Processing Society Conference
• /
• 2017.04a
• /
• pp.865-867
• /
• 2017

본 논문에서는 데이터스트림 환경에서 개념 변화를 탐지하기 위해 합성곱 신경망(CNN)을 사용하는 방법을 제시한다. 데이터스트림 환경에서 입력될 수 있는 데이터를 패턴화하여 신경망 모델에 학습시키고, 패턴화한 데이터를 학습시킨 신경망 모델을 이용하여 스트림 환경에서 개념 변화를 검출 가능함을 보인다.

• Journal of the Korean Society for Aeronautical & Space Sciences
• /
• v.35 no.4
• /
• pp.347-352
• /
• 2007

This paper describes the design and implementation of PFM(Proto Flight Model, PFM) of DRE(Data Receiving Equipment, DRE) for Science and Technology Satellite 2(STSAT-2) and the results of integration performance test. DRE components are X-band receiver, DCE(Data Combine Equipment, DCE) and RAC(Receiving and Archiving Computer, RAC). DCE consists of I&Q data combiner and ECL signal distributor. RAC consists of DRC(Data Receiving Card) and ST2RAS(STSAT-2 Receiving and Archinving Software). X-band receiver receives 10Mbps QPSK I, Q satellite data and sends the data to DCE. DRC stores the I&Q combine data from DCE to RAID. The pre-processing program sorts and stores to satellite status data and payload data. The performance of DRE in the functional and space environments test satisfies the requirements of STSAT-2.

• Proceedings of the Acoustical Society of Korea Conference
• /
• spring
• /
• pp.255-258
• /
• 1999

본 논문에서는 파동 방정식으로부터 클래식 기타의 Physical 모델을 유도해 낸 후 이를 구현하였다. 이러한 모델을 이용해 별도의 음원 데이터를 사용하지 않고 현재 전자 음악에서 일반적으로 사용되는 table look-Up 방식보다 효율적으로 악기 음을 함성 할 수 있도록 하였다. 파동 방정식은 현의 장력, 길이 및 질량 데이터를 이용해 현의 움직임을 표현한 것이며 이 식으로부터 Fourier Series를 유도하고 다시 Z 변환을 거쳐 현의 운동을 모델링하였다. 이 과정에서 현의 양끝에서 반사되는 신호의 크기를 모델링에 포함 시켰다. 이러한 현의 모델은 모든 종류의 현악기에 공통으로 적용될 수 있으며 현의 장력 길이, 질량 데이터를 변화해 다양한 현의 특성들을 모델링 할 수 있다. 또 음 합성을 위해 현의 초기 상태 및 연속되는 입력 데이터를 바꿔 클래식 기타의 다양한 음들을 합성 할 수 있다. 클래식 기타의 Physical 모델을 평가하기 위해, 실제 악기 음 및 table look-up 방식으로 합성된 음들을 녹음해 서로 비교하였다. 시간 및 주파수 도메인 상에서 비교가 이뤄 졌으며 table look-up 합성 방식에서 모든 주파수대가 동일하게 감소하고 비슷한 음역에서 음 높이에 적합한 배음 주파수 비율을 조절할 수 없는 등, 각 을의 특성들을 정확히 묘사할 수 없는 문제점을 극복할 수 있었다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2020.07a
• /
• pp.429-432
• /
• 2020

본 논문에서는 카메라의 포커싱과 아웃포커싱에 의해 이미지에서 뿌옇게 표현되는 DoF(Depth of field, 피사계 심도) 영역을 합성곱 신경망을 통해 찾는 방법을 제안한다. 우리의 접근 방식은 RGB채널기반의 상호-상관 필터를 이용하여 DoF영역을 이미지로부터 효율적으로 분류하고, 합성곱 신경망 네트워크에 학습하기 위한 데이터를 구축하며, 이렇게 얻어진 데이터를 이용하여 이미지-DoF가중치 맵 데이터 쌍을 설정한다. 학습할 때 사용되는 데이터는 이미지와 상호-상관 필터 기반으로 추출된 DoF 가중치 맵을 이용하며, 네트워크 학습 단계에서 수렴률을 높이기 위해 스무딩을 과정을 한번 더 적용한 결과를 사용한다. 본 논문에서 제안하는 합성곱 신경망은 이미지로부터 포커싱과 아웃포커싱된 DoF영역을 자동으로 추출하는 과정을 학습시키기 위해 사용된다. 테스트 결과로 얻은 DoF 가중치 이미지는 입력 이미지에서 DoF영역을 빠른 시간 내에 찾아내며, 제안하는 방법은 DoF영역을 사용자의 ROI(Region of interest)로 활용하여 NPR렌더링, 객체 검출 등 다양한 곳에 활용이 가능하다.

• Journal of Convergence for Information Technology
• /
• v.11 no.12
• /
• pp.30-38
• /
• 2021

In this paper, we propose a method for extracting thermal data from thermal image and improving detection of heating equipment using the data. The main goal is to read the data in bytes from the thermal image file to extract the thermal data and the real image, and to apply the composite image obtained by synthesizing the image and data to the deep learning model to improve the detection accuracy of the heating facility. Data of KHNP was used for evaluation data, and Faster-RCNN is used as a learning model to compare and evaluate deep learning detection performance according to each data group. The proposed method improved on average by 0.17 compared to the existing method in average precision evaluation.As a result, this study attempted to combine national data-based thermal image data and deep learning detection to improve effective data utilization.

• Proceedings of the Korea Society for Simulation Conference
• /
• 2004.05a
• /
• pp.48-56
• /
• 2004

최근 모델링 및 시뮬레이션 분야에서는 HLA에서 정의하듯이, 여러 가지 시뮬레이션이 동일한 환경에 참여하여 동시에 상호작용 하는 분산 시뮬레이션을 추구하고 있다. 따라서, 이미 모델링 되어 있는 데이터를 재사용하고 확장할 수 있는 방법이 중요해지고 있다. 미국 국방부에서는 이러한 목적으로 합성 환경의 표현과 교환을 위해 SEDRIS와 같은 표준 개념들을 만들고 있으며, 산업계에서의 모델링 및 시뮬레이션 영역에서도 역시, 호환성과 원가절감의 측면에서 표준의 개념을 도입하기 위한 노력이 진행되고 있다. 본 연구에서는, 상업용 디지털 생산 시뮬레이션 솔루션인 DELMIA에서 사용하는 데이터와, 합성 환경의 표준인 SEDRIS 데이터간의 매핑 방법을 설계하고 구현하였다. 이를 통해, 환경 데이터의 표준 기술인 SEDRIS를 DELMIA와 같은 상업용 디지털 생산 시뮬레이션 데이터를 표현하고 교환하는 표준으로서 활용의 가능성을 검토하였다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2021.07a
• /
• pp.659-660
• /
• 2021

본 논문에서는 데카르트 좌표계 기반으로 노드를 압축함으로써 SR(Super-resolution) 기반 연기 합성을 효율적으로 처리할 수 있는 방법을 제안한다. 제안하는 방법은 다운 스케일링과 이진화를 통하여 연기 시뮬레이션의 계산 공간을 효율적으로 줄이고, 데카르트 좌표계 축을 기준으로 쿼드트리의 말단 노드를 압축함으로써 네트워크의 입력으로 전달하는 데이터 개수를 줄인다. 학습에 사용된 데이터는 COCO 2017 데이터셋이며, 인공신경망은 VGG19 기반 네트워크를 사용한다. 컨볼루션 계층을 거칠 때 데이터의 손실을 막기 위해 잔차(Residual)방식과 유사하게 이전 계층의 출력 값을 더해주며 학습한다. 결과적으로 제안하는 방법은 이전 결과에 비해 네트워크로 전달해야 하는 데이터가 압축되어 개수가 줄어드는 결과를 얻었으며, 그로 인해 네트워크 단계에서 필요한 I/O 과정을 효율적으로 처리할 수 있게 되었다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.05a
• /
• pp.476-478
• /
• 2023

딥러닝은 컴퓨터 비전의 상당한 발전을 기여했지만, 딥러닝 모델을 학습하려면 대규모 데이터 세트가 필요하다. 이를 해결하기 위해 데이터 증강 기술이 주목받고 있다. 본 논문에서는 객체 추출 바운딩 박스와 원본 이미지의 바운딩 박스를 결합하여 합성 데이터 생성기법을 제안한다. 원본 이미지와 동일한 범주의 데이터셋에서 참조 이미지의 객체를 추출한 다음 생성 모델을 사용하여 참조 이미지와 원본 이미지의 특징을 통합하여 새로운 합성 이미지를 만든다. 실험을 통해, 생성 기법을 통한 딥러닝 모델의 성능향상을 보여준다.

• KIPS Transactions on Software and Data Engineering
• /
• v.9 no.10
• /
• pp.309-316
• /
• 2020

We predict the mortality of the elderly patients visiting the emergency department who are over 65 years old using Feed Forward Neural Network (FFNN) and Convolutional Neural Network (CNN) respectively. Medical data consist of 99 features including basic information such as sex, age, temperature, and heart rate as well as past history, various blood tests and culture tests, and etc. Among these, we used random forest to select features by measuring the importance of features in the prediction of mortality. As a result, using the top 80 features with high importance is best in the mortality prediction. The performance of the FFNN and CNN is compared by using the selected features for training each neural network. To train CNN with images, we convert medical data to fixed size images. We acquire better results with CNN than with FFNN. With CNN for mortality prediction, F1 score and the AUC for test data are 56.9 and 92.1 respectively.

• Journal of IKEEE
• /
• v.25 no.4
• /
• pp.664-671
• /
• 2021

This paper proposes a GPGPU structure that can reduce the number of operations and memory access by effectively applying a data reuse method to a convolutional neural network(CNN). Convolution is a two-dimensional operation using kernel and input data, and the operation is performed by sliding the kernel. In this case, a reuse method using an internal register is proposed instead of loading kernel from a cache memory until the convolution operation is completed. The serial operation method was applied to the convolution to increase the effect of data reuse by using the principle of GPGPU in which instructions are executed by the SIMT method. In this paper, for register-based data reuse, the kernel was fixed at 4×4 and GPGPU was designed considering the warp size and register bank to effectively support it. To verify the performance of the designed GPGPU on the CNN, we implemented it as an FPGA and then ran LeNet and measured the performance on AlexNet by comparison using TensorFlow. As a result of the measurement, 1-iteration learning speed based on AlexNet is 0.468sec and the inference speed is 0.135sec.