본 연구에서는 직물조직의 분석과정을 자동화할 수 있는 전용 하드웨어 및 소프트웨어를 개발하였다. 직물조직의 분석은 직물 설계 및 품질관리 단계에서 매우 중요한 공정이나 현재까지도 확대경과 분해침에 의존하여 수작업으로 이루어지고 있는 것이 실정이라 자동화가 절실히 요구되는 분야라고 할 수 있다. 최근 컴퓨터 기술의 발달로 섬유산업 분야에서도 자동화 관련 연구가 많이 이루어지고 있으며 직물 분석 과정에 대한 연구도 여러 차례 시도된 바 있다. 여기에는 주로 디지털 영상으로부터 특징을 찾아내고 분석하는 이미지 프로세싱 기법이 쓰였는데 이는 재현성, 정확성, 속도 등에서 육안에 의한 방법과는 비교할 수 없는 장점을 가지고 있다. 그러나 기존의 연구들은 카메라의 한계로 인해 주로 저해상도의 이미지를 가지고 작업을 하거나, 이미지 프로세싱 또는 인공 신경망을 단독으로 적용하는 등의 한계를 가지고 있었다. 본 연구에서는 이러한 문제점을 극복하기 위해 초고해상도 직물 이미지를 획득한 뒤 이로부터 직물의 교차점을 인식하는데 필요한 파라미터를 추출하고 이를 인공 신경망에 학습시켜 직물 설계에 필요한 조직도를 생성하는 시스템을 개발하고자 하였다. 이를 위해 먼저 컴퓨터로 컨트롤이 가능한 직물 분석 전용 초정밀 XY 스테이지의 하드웨어를 설계 제작 하였으며 각종 이미지 분석 및 하드웨어 컨트롤에 필요한 전용 소프트웨어를 개발하였으며 그 결과 각종 직물의 조직을 매우 정확히 인식할 수 있게 되었다. 향후 이미지 획득 과정의 보완, 새로운 파라미터의 정의 및 신경망의 반복 학습을 통해 본 시스템이 보다 보완된다면 직물 분석 작업의 자동화를 통한 제품 개발과 생산에 소요되는 시간을 단축 및 품질 관리 공정의 자동화에 기여할 수 있을 것으로 기대된다.
최근 자연어 처리에서 사용되던 트랜스포머 모델이 이미지 초해상화 분야에서도 적용되면서 좋은 성능을 보여주고 있다. 그러나 이러한 트랜스포머 기반 모델들은 복잡하고 많은 학습 파라미터를 가지고 있어 많은 하드웨어 자원을 요구하기 때문에 작은 모바일 기기에서는 사용하기 어렵다는 단점을 가지고 있다. 따라서 본 논문에서는 트랜스포머 기반 초해상화 모델의 크기를 효과적으로 줄일 수 있는 지식 증류 기법을 제안한다. 실험 결과 트랜스포머 블록의 개수를 줄인 학생 모델에서 제안 기법을 적용해 교사 모델과 비슷한 성능을 내거나 더 높일 수 있음을 확인하였다.
최근 방위 산업에서는 전시상황에서 병사의 전투력 및 생존성 증대를 위하여 지하 공간, 좁은 통로등에서 적에게 노출되지 않으며 정찰임무를 수행할 수 있는 소형 생체 모방 로봇의 수요가 늘어나고 있다. 특히 소형생체 모방 로봇에 사용 가능한 생체모방 영상 센서에 대한 연구가 많이 진행되고 있다. 그중 복안영상센서는 작은 크기, 적은 수차, 넓은 화각 등의 장점을 갖으며, 복안영상센서를 통해 출력된 복안 영상을 이용해 깊이 추정, HDR 등을 구현 하여 다양한 임무에서 활용 가능하다. 다만 복안영상은 작은 렌즈 크기와 렌즈의 구조로 인하여 영상의 품질이 저하되는 현상이 발생한다. 특히 복안영상으로 출력된 각 Sub-Aperture 이미지를 융합 시 이미지 품질이 많이 저하된다. 본 논문은 이미지 융합 시 이미지의 품질이 저하되는 문제를 극복하기 위하여 여러 이미지 개선 기능과 생성 신경망의 한 종류인 ESRGAN를 사용하여 복안영상 품질 향상 알고리즘을 제안한다. 본 논문에서 제안한 알고리즘은 이미지 전처리부, 이미지 융합부, 이미지 개선 부로 구성된다. 제안한 알고리즘을 복안 영상에 적용하면 영상 품질을 높힐 수 있어, 복안 영상을 이용한 다양한 연구에 활용될 수 있다.
광 단층촬영기법은 의료영상진단 기기로 최근에 주목받고 있는 분야이다. 현재 병원 초음파보다 공간 해상도가 10-100배 우수하지만 침투깊이가 조직 내에서 1-2 mm로 얇기 때문에 인체 내 장기 이미징을 위하여서 반드시 내시경 기법을 동반하여야 한다. 본 연구를 통하여 고속 광 단층촬영기법을 소개하고 초소형 기전공학 기술을 바탕으로 개발된 내시경을 사용하여 New Zealand white rabbit의 식도와 위장 벽을 3차원으로 이미징한 결과를 고찰하였다. 개발된 내시경에는, 2축 스캔 반사경이 정전기력에 의하여 구동하는 구 동부 위에 위치하여, 입력광을 2축으로 스캔할 수 있도록 하는 구조를 포함하고 있다. 내시경의 외경은 6 mm이며 스캔 반사경의 직경은 1.2 mm 였다. 3.5초 동안 스캔하면서 3차원 이미지를 획득하였다. 3차원 이미지는 200개의 2차원 이미지를 쌓아서 구현되었으며 각각의 2차원 단면이미지는 $200{\times}500$ 픽셀들로 구성되었다. 이미지의 공간해상도는 공기 중에서 8 ${\mu}m$ 였다.
본 논문은 방대한 크기의 볼륨 데이타를 효율적으로 렌더링하기 위한 셀 기반 웨이브릿 압축 방법을 제시한다. 이 방법은 볼륨을 작은 크기의 셀로 나누고, 셀 단위로 웨이브릿 변환을 한 다음 복원 순서에 따른 런-길이(run-length) 인코딩을 수행하여 높은 압축율과 빠른 복원을 제공한다. 또한 최근 복원 정보를 캐쉬 자료 구조에 효율적으로 저장하여 복원 시간을 단축시키고, 에러 임계치의 정규화로 비정규화된 웨이브릿 압축보다 빠른 속도로 정규화된 압축과 같은 고화질의 이미지를 생성하였다. 본 연구의 성능을 평가하기 위하여 {{}} 해상도의 볼륨 데이타를 압축하여 쉬어-? 분해(shear-warp factorization) 알고리즘에 적용한 결과, 손상이 거의 없는 상태로 약 27:1의 압축율이 얻어졌고, 약 3초의 렌더링 시간이 걸렸다.Abstract This paper presents an efficient cell-based wavelet compression method of large volume data. Volume data is divided into individual cell of {{}} voxels, and then wavelet transform is applied to each cell. The transformed cell is run-length encoded according to the reconstruction order resulting in a fairly good compression ratio and fast reconstruction. A cache structure is used to speed up the process of reconstruction and a threshold normalization scheme is presented to produce a higher quality rendered image. We have combined our compression method with shear-warp factorization, which is an accelerated volume rendering algorithm. Experimental results show the space requirement to be about 27:1 and the rendering time to be about 3 seconds for {{}} data sets while preserving the quality of an image as like as using original data.
대한민국 해군이 운영하는 P-3C 또는 P-3CK 해상초계기에는 다양한 센서와 통신 장치를 탑재하고 있다. 임무 중 수집된 데이터는 항공기내 비행 조작사들에 의해 전술 정보로 관리되어 저장된다. 비행임무가 종료되면 이 정보는 지상에 있는 전술지원센터로 이관되고 전술분석도구를 통해 재생되거나 후속 업무를 위해 사용된다. 비행임무 시 한국방공식별구역 영역에서만 한 시간 이내 탐지 객체만 수만 개를 갖는다. 이에 대하여 전술분석도구 이용 시 지도를 함께 도시하는 전술 상황표시기에는 탐지 객체들에 대하여 모두 심볼로 표현한다. 표시 심벌의 증가는 전술 상황표시기의 이미지 갱신에 많은 영향을 끼치고 결과적으로 조작사들의 원활한 작업에 지장을 준다. 본 논문에서는 기존 상황표시기의 성능을 개선하기 위해 다중 스레드와 다중 레이어 적용을 제안한다. 그리고 이 제안에 대한 적용과 실행 결과를 통해 전술 상황표시기의 성능향상을 증명한다.
위성은 준 실시간으로 국토 전체의 관측과 미계측/비접근 지역의 관측도 가능하여 가뭄, 홍수 등 수재해와 관련된 분석 자료로 활용되고 있으며, 위성 기반의 수재해 모니터링 적용성에 대한 연구 또한 수행되고 있다. 위성에서 관측된 자료는 NASA, JAXA 등의 위성 관리 센터에서 알고리즘을 적용하여 인터넷으로 제공하고, 최근 K-water에서는 수자원분야의 위성활용을 위해 위성 자료 수집 시스템을 갖추어 Aqua/Terra MODIS, GPM, GCOM-W1 등의 위성 자료를 수집하고 있다. 위성 자료는 5분~16일 등의 다양한 주기로 제공되고 있으며, 자료 타입, 측정 시간 등의 간단한 정보만 파일명으로 표시되어 위성의 위치(경위도) 및 해당 지점의 위성 자료를 얻기 위해서는 위성 자료를 확인해야만 하는 번거로움이 따른다. 본 연구에서는 순차적으로 관측된 위성 자료의 시 공간적 속성정보를 추출하고 해당 정보를 영상과 함께 맵핑하여, 시간의 흐름에 따른 위성 궤도의 시각화 방안을 제시하였다. 위성 궤도의 시각화 방안으로 사용된 위성 자료는 Terra MODIS의 'MOD02SSH', GPM GMI 센서의 'GPROF' 자료 타입을 사용하였다. 'MOD02SSH'는 5분 동안 5km의 공간해상도로 측정한 자료가 1개의 파일이며, 'GPROF'는 5분 동안 4km의 공간해상도로 측정한다. 공전 주기의 검증을 위해 케플러의 제3법칙을 적용한 Terra 위성의 공전주기는 98.75분으로 계산되며, 위성 자료의 공전주기는 98.87분으로 나타난다. 검증 결과 약 0.12초의 오차가 발생하며, 정확한 위성 고도와 높은 해상도의 위성 자료를 통해 오차의 감소가 가능하다. 이를 통해 시각화 된 동적 시계열 이미지는 시간에 따른 위성 궤도의 정보를 추출 할 수 있다. 이는 수재해 정보시스템의 모니터링을 위해 사용 가능하고, 시간에 따른 위성 궤도 정보를 통하여 필요한 시간대의 위성 위치 정보, 해당 지점의 관측 자료를 효율적으로 수집하여 자료 수집을 위한 시간 단축이 가능하며, 사용자 또는 관리자를 위한 모니터링 수행 또한 효율적인 운영이 가능할 것으로 사료된다.
드론과 같은 임베디드 시스템에서 데이터를 서버로 전송해 실시간 분석을 진행함에 있어진행하는 데 초분광 영상 전체를 저장, 전송, 분석하는 데 전력 소모와 시간이 많이 소요되어 어려움이 있다. 그래서 초분광 영상 데이터는 차원 축소 또는 압축 전처리를 통해 서버로 전송하게 된다. 분석에 필요한 밴드만 보내기 위해서는 피처 선택 기법을 사용하는데 이러한 알고리즘은 대게 효율은 높더라도 영상 크기에 따라 처리 시간이 매우 소요가 크다. 본 논문에서는 밴드선택 알고리즘의 시간적인 단점을 개선하여한 기댓값 기반의 알고리즘을 제안한다. 실험 결과 8GB 데이터의 40000*682 해상도 이미지 기준 평균 소요 시간인 24시간을 60~180초 내외로 감소시키고, 150개 밴드 중에 45개를 활용하여 7.6GB 램 사용을 2.3GB로 크게 감소시켰다. 시간은 크게 줄였음에도 픽셀 분류 성능은 기존과 유사하게 98% 이상의 분석 결과를 도출하였다.
In this study, using deep learning, super-resolution images of transmission electron microscope (TEM) images were generated for nanomaterial analysis. 1169 paired images with 256 × 256 pixels (high resolution: HR) from TEM measurements and 32 × 32 pixels (low resolution: LR) produced using the python module openCV were trained with deep learning models. The TEM images were related to DyVO4 nanomaterials synthesized by hydrothermal methods. Mean-absolute-error (MAE), peak-signal-to-noise-ratio (PSNR), and structural similarity (SSIM) were used as metrics to evaluate the performance of the models. First, a super-resolution image (SR) was obtained using the traditional interpolation method used in computer vision. In the SR image at low magnification, the shape of the nanomaterial improved. However, the SR images at medium and high magnification failed to show the characteristics of the lattice of the nanomaterials. Second, to obtain a SR image, the deep learning model includes a residual network which reduces the loss of spatial information in the convolutional process of obtaining a feature map. In the process of optimizing the deep learning model, it was confirmed that the performance of the model improved as the number of data increased. In addition, by optimizing the deep learning model using the loss function, including MAE and SSIM at the same time, improved results of the nanomaterial lattice in SR images were achieved at medium and high magnifications. The final proposed deep learning model used four residual blocks to obtain the characteristic map of the low-resolution image, and the super-resolution image was completed using Upsampling2D and the residual block three times.
탄성파 탐사 자료 획득 시 자료의 일부가 손실되는 문제가 발생할 수 있으며 이를 위해 자료 보간이 필수적으로 수행된다. 최근 기계학습 기반 탄성파 자료 보간법 연구가 활발히 진행되고 있으며, 특히 영상처리 분야에서 이미지 초해상화에 활용되고 있는 CNN (Convolutional Neural Network) 기반 알고리즘과 GAN (Generative Adversarial Network) 기반 알고리즘이 탄성파 탐사 자료 보간법으로도 활용되고 있다. 본 연구에서는 손실된 탄성파 탐사 자료를 높은 정확도로 복구하는 보간법을 찾기 위해 CNN 기반 알고리즘인 U-Net과 GAN 기반 알고리즘인 cWGAN (conditional Wasserstein Generative Adversarial Network)을 탄성파 탐사 자료 보간 모델로 사용하여 성능 평가 및 결과 비교를 진행하였다. 이때 예측 과정을 Case I과 Case II로 나누어 모델 학습 및 성능 평가를 진행하였다. Case I에서는 규칙적으로 50% 트레이스가 손실된 자료만을 사용하여 모델을 학습하였고, 생성된 모델을 규칙/불규칙 및 샘플링 비율의 조합으로 구성된 총 6가지 테스트 자료 세트에 적용하여 모델 성능을 평가하였다. Case II에서는 6가지 테스트 자료와 동일한 형식으로 샘플링된 자료를 이용하여 해당 자료별 모델을 생성하였고, 이를 Case I과 동일한 테스트 자료 세트에 적용하여 결과를 비교하였다. 결과적으로 cWGAN이 U-Net에 비해 높은 정확도의 예측 성능을 보였으며, 정량적 평가지수인 PSNR과 SSIM에서도 cWGAN이 높은 값이 나타나는 것을 확인하였다. 하지만 cWGAN의 경우 예측 결과에서 추가적인 잡음이 생성되었으며, 잡음을 제거하고 정확도를 개선하기 위해 앙상블 작업을 수행하였다. Case II에서 생성된 cWGAN 모델들을 이용하여 앙상블을 수행한 결과, 성공적으로 잡음이 제거되었으며 PSNR과 SSIM 또한 기존의 개별 모델 보다 향상된 결과를 나타내었다.
본 웹사이트에 게시된 이메일 주소가 전자우편 수집 프로그램이나
그 밖의 기술적 장치를 이용하여 무단으로 수집되는 것을 거부하며,
이를 위반시 정보통신망법에 의해 형사 처벌됨을 유념하시기 바랍니다.
[게시일 2004년 10월 1일]
이용약관
제 1 장 총칙
제 1 조 (목적)
이 이용약관은 KoreaScience 홈페이지(이하 “당 사이트”)에서 제공하는 인터넷 서비스(이하 '서비스')의 가입조건 및 이용에 관한 제반 사항과 기타 필요한 사항을 구체적으로 규정함을 목적으로 합니다.
제 2 조 (용어의 정의)
① "이용자"라 함은 당 사이트에 접속하여 이 약관에 따라 당 사이트가 제공하는 서비스를 받는 회원 및 비회원을
말합니다.
② "회원"이라 함은 서비스를 이용하기 위하여 당 사이트에 개인정보를 제공하여 아이디(ID)와 비밀번호를 부여
받은 자를 말합니다.
③ "회원 아이디(ID)"라 함은 회원의 식별 및 서비스 이용을 위하여 자신이 선정한 문자 및 숫자의 조합을
말합니다.
④ "비밀번호(패스워드)"라 함은 회원이 자신의 비밀보호를 위하여 선정한 문자 및 숫자의 조합을 말합니다.
제 3 조 (이용약관의 효력 및 변경)
① 이 약관은 당 사이트에 게시하거나 기타의 방법으로 회원에게 공지함으로써 효력이 발생합니다.
② 당 사이트는 이 약관을 개정할 경우에 적용일자 및 개정사유를 명시하여 현행 약관과 함께 당 사이트의
초기화면에 그 적용일자 7일 이전부터 적용일자 전일까지 공지합니다. 다만, 회원에게 불리하게 약관내용을
변경하는 경우에는 최소한 30일 이상의 사전 유예기간을 두고 공지합니다. 이 경우 당 사이트는 개정 전
내용과 개정 후 내용을 명확하게 비교하여 이용자가 알기 쉽도록 표시합니다.
제 4 조(약관 외 준칙)
① 이 약관은 당 사이트가 제공하는 서비스에 관한 이용안내와 함께 적용됩니다.
② 이 약관에 명시되지 아니한 사항은 관계법령의 규정이 적용됩니다.
제 2 장 이용계약의 체결
제 5 조 (이용계약의 성립 등)
① 이용계약은 이용고객이 당 사이트가 정한 약관에 「동의합니다」를 선택하고, 당 사이트가 정한
온라인신청양식을 작성하여 서비스 이용을 신청한 후, 당 사이트가 이를 승낙함으로써 성립합니다.
② 제1항의 승낙은 당 사이트가 제공하는 과학기술정보검색, 맞춤정보, 서지정보 등 다른 서비스의 이용승낙을
포함합니다.
제 6 조 (회원가입)
서비스를 이용하고자 하는 고객은 당 사이트에서 정한 회원가입양식에 개인정보를 기재하여 가입을 하여야 합니다.
제 7 조 (개인정보의 보호 및 사용)
당 사이트는 관계법령이 정하는 바에 따라 회원 등록정보를 포함한 회원의 개인정보를 보호하기 위해 노력합니다. 회원 개인정보의 보호 및 사용에 대해서는 관련법령 및 당 사이트의 개인정보 보호정책이 적용됩니다.
제 8 조 (이용 신청의 승낙과 제한)
① 당 사이트는 제6조의 규정에 의한 이용신청고객에 대하여 서비스 이용을 승낙합니다.
② 당 사이트는 아래사항에 해당하는 경우에 대해서 승낙하지 아니 합니다.
- 이용계약 신청서의 내용을 허위로 기재한 경우
- 기타 규정한 제반사항을 위반하며 신청하는 경우
제 9 조 (회원 ID 부여 및 변경 등)
① 당 사이트는 이용고객에 대하여 약관에 정하는 바에 따라 자신이 선정한 회원 ID를 부여합니다.
② 회원 ID는 원칙적으로 변경이 불가하며 부득이한 사유로 인하여 변경 하고자 하는 경우에는 해당 ID를
해지하고 재가입해야 합니다.
③ 기타 회원 개인정보 관리 및 변경 등에 관한 사항은 서비스별 안내에 정하는 바에 의합니다.
제 3 장 계약 당사자의 의무
제 10 조 (KISTI의 의무)
① 당 사이트는 이용고객이 희망한 서비스 제공 개시일에 특별한 사정이 없는 한 서비스를 이용할 수 있도록
하여야 합니다.
② 당 사이트는 개인정보 보호를 위해 보안시스템을 구축하며 개인정보 보호정책을 공시하고 준수합니다.
③ 당 사이트는 회원으로부터 제기되는 의견이나 불만이 정당하다고 객관적으로 인정될 경우에는 적절한 절차를
거쳐 즉시 처리하여야 합니다. 다만, 즉시 처리가 곤란한 경우는 회원에게 그 사유와 처리일정을 통보하여야
합니다.
제 11 조 (회원의 의무)
① 이용자는 회원가입 신청 또는 회원정보 변경 시 실명으로 모든 사항을 사실에 근거하여 작성하여야 하며,
허위 또는 타인의 정보를 등록할 경우 일체의 권리를 주장할 수 없습니다.
② 당 사이트가 관계법령 및 개인정보 보호정책에 의거하여 그 책임을 지는 경우를 제외하고 회원에게 부여된
ID의 비밀번호 관리소홀, 부정사용에 의하여 발생하는 모든 결과에 대한 책임은 회원에게 있습니다.
③ 회원은 당 사이트 및 제 3자의 지적 재산권을 침해해서는 안 됩니다.
제 4 장 서비스의 이용
제 12 조 (서비스 이용 시간)
① 서비스 이용은 당 사이트의 업무상 또는 기술상 특별한 지장이 없는 한 연중무휴, 1일 24시간 운영을
원칙으로 합니다. 단, 당 사이트는 시스템 정기점검, 증설 및 교체를 위해 당 사이트가 정한 날이나 시간에
서비스를 일시 중단할 수 있으며, 예정되어 있는 작업으로 인한 서비스 일시중단은 당 사이트 홈페이지를
통해 사전에 공지합니다.
② 당 사이트는 서비스를 특정범위로 분할하여 각 범위별로 이용가능시간을 별도로 지정할 수 있습니다. 다만
이 경우 그 내용을 공지합니다.
제 13 조 (홈페이지 저작권)
① NDSL에서 제공하는 모든 저작물의 저작권은 원저작자에게 있으며, KISTI는 복제/배포/전송권을 확보하고
있습니다.
② NDSL에서 제공하는 콘텐츠를 상업적 및 기타 영리목적으로 복제/배포/전송할 경우 사전에 KISTI의 허락을
받아야 합니다.
③ NDSL에서 제공하는 콘텐츠를 보도, 비평, 교육, 연구 등을 위하여 정당한 범위 안에서 공정한 관행에
합치되게 인용할 수 있습니다.
④ NDSL에서 제공하는 콘텐츠를 무단 복제, 전송, 배포 기타 저작권법에 위반되는 방법으로 이용할 경우
저작권법 제136조에 따라 5년 이하의 징역 또는 5천만 원 이하의 벌금에 처해질 수 있습니다.
제 14 조 (유료서비스)
① 당 사이트 및 협력기관이 정한 유료서비스(원문복사 등)는 별도로 정해진 바에 따르며, 변경사항은 시행 전에
당 사이트 홈페이지를 통하여 회원에게 공지합니다.
② 유료서비스를 이용하려는 회원은 정해진 요금체계에 따라 요금을 납부해야 합니다.
제 5 장 계약 해지 및 이용 제한
제 15 조 (계약 해지)
회원이 이용계약을 해지하고자 하는 때에는 [가입해지] 메뉴를 이용해 직접 해지해야 합니다.
제 16 조 (서비스 이용제한)
① 당 사이트는 회원이 서비스 이용내용에 있어서 본 약관 제 11조 내용을 위반하거나, 다음 각 호에 해당하는
경우 서비스 이용을 제한할 수 있습니다.
- 2년 이상 서비스를 이용한 적이 없는 경우
- 기타 정상적인 서비스 운영에 방해가 될 경우
② 상기 이용제한 규정에 따라 서비스를 이용하는 회원에게 서비스 이용에 대하여 별도 공지 없이 서비스 이용의
일시정지, 이용계약 해지 할 수 있습니다.
제 17 조 (전자우편주소 수집 금지)
회원은 전자우편주소 추출기 등을 이용하여 전자우편주소를 수집 또는 제3자에게 제공할 수 없습니다.
제 6 장 손해배상 및 기타사항
제 18 조 (손해배상)
당 사이트는 무료로 제공되는 서비스와 관련하여 회원에게 어떠한 손해가 발생하더라도 당 사이트가 고의 또는 과실로 인한 손해발생을 제외하고는 이에 대하여 책임을 부담하지 아니합니다.
제 19 조 (관할 법원)
서비스 이용으로 발생한 분쟁에 대해 소송이 제기되는 경우 민사 소송법상의 관할 법원에 제기합니다.
[부 칙]
1. (시행일) 이 약관은 2016년 9월 5일부터 적용되며, 종전 약관은 본 약관으로 대체되며, 개정된 약관의 적용일 이전 가입자도 개정된 약관의 적용을 받습니다.