• 한국콘텐츠학회논문지
• /
• 제20권5호
• /
• pp.251-260
• /
• 2020

<인셉션>에서 음악은 꿈속 공간들의 통로가 되는 동시에 시간속도가 서로 다른 공간 사이에서 시간성의 문제를 낳는다. 본 논문은 이 음악의 시간성을 베르그손의 시간개념을 통해 고찰하는 데 목적이 있다. 영화에서 사용된 음악《Non, je ne regrette rien》은 원곡 버전과 템포를 늦춘 버전, 그리고 느려진 템포를 골격으로 재편곡된 버전으로 나누어지며, 본 연구는 실제적 분석을 통해 그 특징과 유사도를 시각적으로 확인하였다. 베르그손의 지각과 기억 도식의 관점에서, 디제시스의 잠재태적 음악(템포를 늦춘 버전)이 내재하는 비디제시스의 현실태적 음악(재편곡된 버전)은 영화음악과 음악신호의 역할을 동시에 수행하고 있다. 또한 원곡 버전과 템포를 늦춘 버전은 질적 변화를 갖는 지속하는 동일체의 관계로서, 우리는 역원뿔 도식 내의 위치를 살펴보고, 이 둘의 관계를 도식에 응용해 보았다. <인셉션>의 다층구조에서 생기는 음악의 시간성을 현재와 과거가 공존하는 베르그손의 철학에 근거하여 탐구한 것은 본 연구의 큰 성과라 할 수 있다.

• TTA 저널
• /
• 통권131호
• /
• pp.28-29
• /
• 2010

올해 극장가를 가장 뜨겁게 달궜던 영화는 크리스토퍼 놀란 감독의 <인셉션(Inception, 2010)>일 것이다. 이 영화는 꿈을 스크린에서 환상적으로 그려냈다는 점에서도 놀라움을 줬지만 그보다 더 충격적인 것은 꿈을 훔치고, 꿈을 통해 다른 사람의 기억을 조작한다는 발상이었다. 이렇게 인간의 꿈마저 스크린을 옮겨낼 수 있기에 할리우드를 '꿈의 공장'이라고 부르는 것이다. 그렇다면 꿈이란 무엇이기에 꿈속에서는 현실에서 불가능한 많은 것들이 벌어지는 것일까?

• 한국군사과학기술학회지
• /
• 제27권2호
• /
• pp.256-264
• /
• 2024

In the last 10 years, AI has made rapid progress, and image classification, in particular, are showing excellent performance based on deep learning. Nevertheless, due to the nature of deep learning represented by a black box, it is difficult to actually use it in critical decision-making situations such as national defense, autonomous driving, medical care, and finance due to the lack of explainability of judgement results. In order to overcome these limitations, in this study, a model description algorithm capable of local interpretation was applied to the inception network-derived AI to analyze what grounds they made when classifying national defense data. Specifically, we conduct a comparative analysis of explainability based on confidence values by performing LIME analysis from the Inception v2_resnet model and verify the similarity between human interpretations and LIME explanations. Furthermore, by comparing the LIME explanation results through the Top1 output results for Inception v3, Inception v2_resnet, and Xception models, we confirm the feasibility of comparing the efficiency and availability of deep learning networks using XAI.

• 디지털융복합연구
• /
• 제15권11호
• /
• pp.407-412
• /
• 2017

영화<인셉션>을 살펴보면 인간의 꿈의 세계를 프로이드의 정신분석학 중 잠재의식이론을 적용하여 묘사하고 있음을 알 수 있는데 이러한 잠재의식의 표현을 통해 주인공의 마음 속 감정표현을 심층 있게 묘사함으로써 관객의 심도 있는 사고와 고찰이 가능한 등 인간의 본성을 통찰, 표현하는 데 새로운 관점을 제시하고 있다. 본 논문은 프로이드의 잠재의식이론을 바탕으로 영화 속의 꿈의 세계와 잠재의식의 표현에 대해 탐구하여 이를 통한 영화의 의미표현을 고찰하였다. 주인공은 그의 꿈을 통해 통제할 수 없는 잠재의식에 기인한 과거에 대한 집착과 강박관념 속에서 혼란스러운 삶을 살고 있음이 잘 묘사되고 있으며 억압된 생각과 소망이 위장된 방식으로 만족을 얻게 되는 꿈의 보충 기능을 통해서는 후회되는 순간들을 돌리기 위해 꿈을 꾸며 자위하는 모습으로 가책과 미련을 느끼고 있음이 잘 표현되고 있다. 또한 현실과 꿈속에서 갈팡질팡 하는 모습으로 의식과 잠재의식간의 충돌과 대립이 잘 표현되고 있다. 이처럼 인문학적 학문에 대한 적용 및 접목은 깊이 있는 구조의 설정과 플롯의 전개, 그리고 무엇보다도 창의적인 시공간 창출이라는 무게를 더해 줄 수 있음을 알 수 있듯이 이는 깊이 있는 대중예술 콘텐츠 제작에 대한 좋은 사례가 아닐 수 없다.

• 디지털융복합연구
• /
• 제15권10호
• /
• pp.437-444
• /
• 2017

꿈속의 세계를 독특한 시공간으로 묘사하며 꿈의 표현에 새로운 장을 연 크리스토퍼 놀란 감독의 영화 "인셉션(2012)"은 현실과 꿈 사이에서 환영에 빠져 있는 몽환적인 무의식의 세계를 잘 묘사하고 있다. 그러나 비현실적인 구조와 형태라는 실제적인 꿈의 모습과 본질에 대해서는 표현에 있어 한계와 모순점을 발견할 수 있는데 꿈의 실제적인 프레젠테이션 과정의 표현에 있어 프로이드의 정신분석학에 보다 가까운 데이빗 린치 감독의 영화 "멀홀랜드 드라이브(2001)"와의 비교 분석을 통해 프로이드가 언급한 꿈에 대한 해석과 맥락을 분석하려 한다. 영화 "인셉션"은 공상과학 영화의 관점에서 창조된 시공간과 풍부한 상상력은 높이 평가될 수 있으나 실제 꿈의 본질을 적용시킨다는 관점에서 논리적 개연성이 떨어짐을 알 수 있다. 반면 영화 "멀홀랜드 드라이브"는 비논리적이고 혼란스럽고 불유쾌한 무의식의 느낌에 대해 프로이드의 정신분석학적인 꿈의 해석에 입각한 논리와 질서를 부여해서 무의식의 사고과정과 흡사한 관점으로 묘사하고 있음을 알 수 있다. 이처럼 프로이드의 정신분석학의 관점에 입각한 꿈과 무의식의 묘사를 통해서만 꿈의 보다 더 리얼한 장면묘사가 가능하다고 할 수 있다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2017년도 추계학술발표대회
• /
• pp.257-258
• /
• 2017

머신러닝 기법을 다양한 분야에 사용되는 연구가 한창이다. 본 논문에서는 악성 코드의 분류 시스템에 머신러닝 기법을 적용하였다. 악성 코드 파일을 적당한 크기로 이미지화하여 텐서 플로우의 인셉션 V3에 적용하였다. 실험 결과, 이미지의 사이즈 조정과 파라미터 조정을 통해 매우 만족할 만한 수준으로 악성 코드를 잘 분류함을 확인할 수 있었다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제10권1호
• /
• pp.9-18
• /
• 2021

생성적 적대 신경망(Generative Adversarial Networks, GANs)은 컴퓨터 비전 분야와 관련 분야에서 큰 인기를 얻었으나, 아직까지는 오디오 신호를 직접적으로 생성하는 GAN이 제시되지 못했다. 오디오 신호는 이미지와 다르게 이산 값으로 구성된 생플링된 신호이므로, 이미지 생성에 널리 사용되는 CNN 구조로 학습하기 어렵다. 이러한 제약을 해결하고자, 최근 GAN 연구자들은 오디오 신호의 시간-주파수 표현을 기존 이미지 생성 GAN에 적용하는 전략을 제안했다. 본 논문은 이 전략을 따르면서 GAN을 사용해 생성된 오디오 신호의 충실도를 높이기 위한 개선된 방법을 제안한다. 본 방법은 공개된 스피치 데이터세트를 사용해 검증했으며, 프레쳇 인셉션 거리(Fréchet Inception Distance, FID)를 사용해 평가했다. 기존의 최신(state-of-the-art) 방법은 11.973의 FID를, 본 연구에서 제안하는 방법은 10.504의 FID를 보였다(FID가 낮을수록 충실도는 높다).

• 전기전자학회논문지
• /
• 제23권4호
• /
• pp.1166-1174
• /
• 2019

이 논문에서는 사람 재식별 모델인 PersonNet의 성능을 개선하는 방법을 제안하고 실험한다. 특징점 추출을 위해 인셉션 레이어를 접목하여, 기존 32개의 특징점을 154개로 증가시켜 강화하였다. 또한, PersonNet에서 사용하는 CND 방식을 수정하여 비대칭성을 완화하였고, 보행자 이미지의 특징점을 3부분으로 나누어 가중치를 적용한 방법을 적용하여 특징을 더 뚜렷하게 파악하도록 하였다. 성능 평가를 위해 CUHK01, CUHK03 그리고 Market-1501 3가지의 데이터베이스를 사용하였고 실험 결과 27~31% 성능이 개선되었다.

• 전기학회논문지
• /
• 제67권9호
• /
• pp.1224-1231
• /
• 2018

Automatic age estimation has been used in many social network applications, practical commercial applications, and human-computer interaction visual-surveillance biometrics. However, it has rarely been explored. In this paper, we propose an automatic age estimation system, which includes face detection and convolutional deep learning based on an inception module. The latter is a 22-layer-deep network that serves as the particular category of the inception design. To evaluate the proposed approach, we use 4,000 images of eight different age groups from the Adience age dataset. k-fold cross-validation (k = 5) is applied. A comparison of the performance of the proposed work and recent related methods is presented. The results show that the proposed method significantly outperforms existing methods in terms of the exact accuracy and off-by-one accuracy. The off-by-one accuracy is when the result is off by one adjacent age label to the above or below. For the exact accuracy, the age label of "60+" is classified with the highest accuracy of 76%.

• 융합신호처리학회논문지
• /
• 제20권3호
• /
• pp.132-137
• /
• 2019

의료영상으로 생성된 데이터의 양은 전문적인 시각적 분석 한계를 점점 초과하여, 자동화된 의료영상 분석의 필요성이 증가되고 있는 실정이다. 이러한 이유 등으로 인하여 본 논문에서는 정상소견과 종양소견을 보이는 각각의 뇌 실질 MRI 의료영상을 이용하여 Inception V3 딥러닝 모델을 이용한 종양 유무에 따른 분류 및 정확도를 평가하였다. 연구 결과, 딥러닝 모델의 정확도 평가는 학습 데이터 세트의 경우 90%, 검증 데이터 세트의 경우 86%의 정확도를 나타내었다. 손실률 평가에서는 학습 데이터 세트의 경우 0.56, 검증 데이터 세트의 경우 1.28의 손실률을 나타내었다. 향 후 연구에서는 딥러닝 모델의 성능 향상 및 평가의 신뢰성 확보를 위하여 공개된 의료영상의 데이터를 충분히 확보하고, 라벨링 분류 작업을 통한 라벨링의 정확도를 개선하여 모델링을 구현해 볼 필요가 있다고 사료된다.