• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2017년도 춘계학술발표대회
• /
• pp.577-580
• /
• 2017

중합 효소 연쇄 반응 (PCR) 젤 전기영동 이미지에서 DNA 지문을 분석하기 위한 새로운 레인 검출 및 추적 알고리즘이 제안하였다. 이전에 여러 연구 결과가 보고되었지만 갑작스런 배경 밝기 차이와 구부러진 레인이 있는 이미지에서 레인을 정확하게 추출하는 것은 여전히 어려움이 있다. 우리는 평균 레인 폭과 레인 주기를 계산하기 위한 에지 기반 알고리즘을 제안한다. 본 논문에서 제안한 방법은 k-means 클러스터링 알고리즘을 이용하여 상승 에지와 하강 에지를 정확하게 추출하는 부화소(sub-pixel) 알고리즘을 적용하여 레인 폭과 주기를 추정한다. 구부러진 레인을 처리하기 위해 젤 이미지를 정상영역과 비정상영역으로 분할하고, 각 분할 된 이미지의 레인 중심을 추적한다. 우리가 제안한 방법의 성능을 평가하기 위해 534 레인을 포함한 32 개의 젤 이미지가 사용되었다. 실험 결과는 우리의 방법이 전처리 과정 없이 배경 차이와 구부러진 레인을 갖는 이미지에 강인함을 보여 주었다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2024년도 제69차 동계학술대회논문집 32권1호
• /
• pp.481-484
• /
• 2024

본 논문에서는 레고(LEGO®) 조립 설명서를 생성하기 위해 딥러닝을 이용한 조립 및 설명서 생성 시스템을 제안한다. 이 시스템은 사용자가 제공한 단일 이미지를 기반으로 레고 조립 설명서를 자동 생성한다. 해당 시스템은 딥러닝 기반 이미지 분할 기술을 활용하여 물체를 배경으로부터 분리하고 이를 통해 조립 설명서를 생성하는 과정을 포함하며, 조립을 위한 알고리즘을 새로 설계하였다. 이 시스템은 기존 레고 제품의 한계를 극복하고, 사용자에게 주어진 부품으로 다양한 모델을 자유롭게 조립할 수 있게 한다. 또한, 복잡한 레고 조립 과정을 간소화하고, 조립의 장벽을 낮추는 데 도움을 준다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 1999년도 가을 학술발표논문집 Vol.26 No.2 (2)
• /
• pp.644-646
• /
• 1999

본 논문은 한 물체에 대해 스캔 위치 정보가 없는 여러 시점의 레인지 이미지들로부터 3차원 형상 복원을 위한 정합 알고리즘을 제안한다. 기존의 정합 방법은 스캔 위치 정보와 기하학 정보를 이용하여 레인지 이미지들을 정렬시킨 반면, 본 논문의 정합 방법은 스캔 위치와는 독립적으로 수행되며 기하학 정보와 텍스쳐 정보를 함께 이용하여 정렬시킨다. 그러므로 텍스쳐가 있는 여러 장의 레인지 이미지들로부터 3차원 형상을 보다 정확하고 효율적으로 복원할 수 있다.

• 한국방송∙미디어공학회:학술대회논문집
• /
• 한국방송∙미디어공학회 2017년도 추계학술대회
• /
• pp.88-91
• /
• 2017

넓은 동적 영역 (high dynamic range: HDR) 이미지는 시각적으로 우수하지만 대부분의 디스플레이는 좁은 동적 영역 (low dynamic range: LDR)만 지원이 가능하다. 이를 해결하기 위해서 톤 매핑 기법 (tone mapping operator: TMO)을 사용한 동적 영역 압축을 수행한다. 기존의 적응적 로그 매핑 (adaptive logarithmic mapping)의 경우 에지 부분에서 디테일이 손실되는 문제점이 있었다. 본 논문에서는 가이디드 이미지 필터링 (guided image filtering: GIF)을 통해 베이스 레이어와 디테일 레이어로 나눠서 처리하는 알고리듬을 제안한다. 베이스 레이어는 적응적 로그 매핑을 통해 동적 영역을 압축하고 디테일 레이어와 더해 기존의 톤 매핑 과정에서 발생하는 디테일의 손실을 감소시켰다.

• 한국전자파학회논문지
• /
• 제11권4호
• /
• pp.565-574
• /
• 2000

본 논문에서는 지하 탐사용 레이다를 이용하여 공사현장에 매설된 파이프 또는 케이블의 위치를 파악하는 법 과 이에 따른 새로운 근사 이미지 추출 방법을 제안하였다. 기본 원리는 매설 구조물에 의해 산란된 광대역펄스 산란신호의 지연시간과 크기 복원에 기초를 두고 있다. 산란신호의 정확한 측정을 위해 레이다 탐색경로에 따른 수신신호의 절대치 적분 방법을 사용하였고, 이로 인해 다양한 지면 상태 하에서도 선명한 이미지 추출이 가능 하였다. 분산과 손실특성을 나타내는 다항 Debye모텔을 사용하여 지하매질을 기술하였고, 모의 실험은 FDTD 방법을 사용하였다. 본 논문에서 제안한 이미지 추출방법은 시간영역에서의 전파 경로추적이라는 새로운 방법을 사용하였고, 이를 이용하여 구조물의 위치를 탐색하였다.

• 대한조선학회논문집
• /
• 제59권2호
• /
• pp.118-124
• /
• 2022

Marine environment analysis and ship motion prediction during ship navigation are important technologies for safe and economical operation of autonomous ships. As a marine environment analysis technology, there is a method of analyzing waves by measuring the sea states through images acquired based on radar(radio detection and ranging) signal. However, in the process of deriving marine environment information from radar images, noises generated by external factors are included, limiting the interpretation of the marine environment. Therefore, image processing for noise removal is required. In this study, image inpainting by partial convolutional neural network model is proposed as a method to remove noises and reconstruct radar images.

• 방송공학회논문지
• /
• 제23권4호
• /
• pp.474-483
• /
• 2018

본 논문에서는 가이디드 이미지 필터를 이용한 다중 스케일 넓은 동적 영역 톤 매핑 알고리듬을 제안한다. 가이디드 이미지 필터는 이미지를 베이스 레이어와 디테일 레이어로 나누기 위해 사용된다. 이때 디테일 레이어의 동적 영역을 줄이기 위해 압축 함수가 사용된다. 하지만 대부분의 경우의 이미지는 다양한 스케일의 디테일과 에지 정보를 포함하고있다. 즉, 특정 스케일로 디테일 특성을 표현하는 것은 불가능하며 단일 스케일 이미지 분할 방법은 에지 주변에서 열화 현상을 야기시킨다. 이러한 문제를 해결하기 위해 다중 스케일 이미지 분할 방법을 제안한다. 다중 스케일의 디테일 레이어들을 이용하여 에지 보존 정도를 조절한다. 실험 결과를 통해 제안하는 알고리듬이 기존의 알고리듬 보다 에지 보존의 정도가 더 우수함을 보인다.

• 한국해안·해양공학회논문집
• /
• 제33권3호
• /
• pp.101-109
• /
• 2021

항해용 X-band 레이다를 이용한 파랑관측은 해수면에 후방산란 된 전자기파 이미지를 분석하여 이루어진다. 1분당 42개의 해수면 시계열 이미지로부터 3차원 FFT를 계산하고 변조전달함수(Modulation Transfer Function)를 구하여 파랑정보를 추출한다. 따라서 레이다 파고계로 계측한 유의파고의 정확도는 X-band 레이다 영상의 상태에 따라 결정된다. 2020년 여름 태풍 마이삭과 하이선 내습 시 강릉 안인 해안에 설치된 X-band 레이다 파고계로 관측한 유의파고의 오차가 크게 발생하였다. 이는 태풍 내습 시 급격히 유의파고가 증가하는 한편 강한 강우가 동반되어 X-band 레이다 영상의 품질이 저하되었기 때문이다. 최대 오차 발생 이전까지 많은 강우가 있었음이 확인된다. 본 연구에서는 convolution neural network(CNN)을 이용하여 레이다 이미지로부터 강우 여부를 분류하고 강우여부에 따라 강우시 인공신경망 모델을 적용하여 태풍 시 유의파고 관측 정확도를 향상시켰다. 폭우를 동반한 태풍 시 레이다 자료 특성에 기반하여 인공신경망 유의파고 산출 알고리즘을 개선하고 이를 통해 X-band 레이다 파고계의 정확도를 향상시키는 방법을 제시하였다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2023년도 추계학술발표대회
• /
• pp.89-92
• /
• 2023

최근에 Serverless 컴퓨팅은 많은 관심을 받는 기술로, 서버 프로비저닝 없이 코드를 배포하고 실행할 수 있으며 요청량에 따라 동적으로 컴퓨팅 리소스를 확장하여 애플리케이션을 안정적으로 운영할 수 있는 환경을 제공한다. Serverless 컴퓨팅의 주요 이슈 중 하나인 cold start 는 함수를 실행하기 위한 컨테이너 초기화 및 구동하는 단계이며, 해당 과정에서는 이미지 풀링이 수행될 수 있다. 이미지 풀링은 cold start 지연의 대부분을 차지하고 함수의 응답시간을 증가 시켜서 사용자 경험에 부정적인 영향을 줄 수 있다. 따라서, 본 논문에서는 cold start 지연을 줄이기 위해 도커를 활용해서 이미지 레이어 동시 풀링 개수를 조절함으로써 이미지 풀링 속도를 개선시킬 수 있는지 분석하였다. 이와 같은 분석을 통해 풀링 개수가 풀링 속도에 영향을 줄 수 있음을 확인하였다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.205-225
• /
• 2018

Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.