• 한국정보과학회논문지:컴퓨팅의 실제 및 레터
• /
• 제15권9호
• /
• pp.626-636
• /
• 2009

Mobile IP를 지원하는 무선 랜 환경에서 링크 계층 핸드오프와 Mobile IP의 IP 계층 핸드오프로 인해 데이터 전송이 일시적으로 중지되며 이는 스트리밍 클라이언트의 버퍼 언더플로우를 유발하고 다량의 패킷 손실을 발생시킨다. 이들은 연속적인 미디어 스트리밍을 제공함에 있어서 치명적인 문제점으로 작용한다. 아직까지 실시간을 요하는 스트리밍 미디어 응용프로그램에 대한 핸드오프 방식에 따른 실제적인 영향을 고려한 실험적 연구들이 거의 없었기 때문에 그 필요성이 제기되고 있다. 본 논문에서는 Mobile IP를 지원하는 무선 랜 환경에서 사전 버퍼링의 적용을 통하여 핸드오프 시에 발생하는 핸드오프 지연을 보상하는 미디어 스트리밍 구조를 소개한다 추가로 L2 (layer 2) 트리거 기반의 패킷 버퍼링과 포워딩 기능의 구현과 스트리밍 클라이언트에서의 핸드오프를 인지하는 사전 버퍼링의 적용을 통하여 핸드오프 시에 발생하는 핸드오프 지연 및 패킷 손실을 극복한다. 실험을 통해 제안된 방식이 핸드오프 시에 발생하는 핸드오프 지연 및 패킷 손실을 극복하고 연속적인 미디어 스트리밍을 가능하게 함을 확인한다.

• 한국측량학회지
• /
• 제36권6호
• /
• pp.469-481
• /
• 2018

딥러닝은 인간의 학습 및 인지능력을 닮은 인공지능을 실현하기 위해 여러 분야에서 활용하고 있으며, 높은 사양의 컴퓨팅 파워가 요구되고 연산 시간이 많이 소요되는 복잡한 구조의 인공신경망에 의한 딥러닝은 컴퓨터 사양이 향상됨에 따라 성능이 개선된 다양한 딥러닝 모델이 개발되고 있다. 본 논문의 주요 목적은 영상의 딥러닝을 위한 합성곱 신경망 중에서 최근에 FAIR (Facebook AI Research)에서 개발한 Mask R-CNN을 이용하여 항공영상에서 건물을 탐지하고 성능을 평가하는 것이다. Mask R-CNN은 영역기반의 합성곱 신경망으로서 픽셀 정확도까지 객체를 의미적으로 분할하기 위한 딥러닝 모델로서 성능이 가장 우수한 것으로 평가받고 있다. 딥러닝 모델의 성능은 신경망 구조뿐 아니라 학습 능력에 의해 결정된다. 이를 위해 본 논문에서는 모델의 학습에 이용한 영상에 다양한 변화를 주어 학습 능력을 분석하였으며, 딥러닝의 궁극적 목표인 범용화의 가능성을 평가하였다. 향후 연구방안으로는 영상에만 의존하지 않고 다양한 공간정보 데이터를 복합적으로 딥러닝 모델의 학습에 이용하여 딥러닝의 신뢰성과 범용화가 향상될 것으로 판단된다.