• Proceedings of the National Institute of Ecology of the Republic of Korea
• /
• 제3권2호
• /
• pp.67-72
• /
• 2022

Ecological research relies on the interpretation of large amounts of visual data obtained from extensive wildlife surveys, but such large-scale image interpretation is costly and time-consuming. Using an artificial intelligence (AI) machine learning model, especially convolution neural networks (CNN), it is possible to streamline these manual tasks on image information and to protect wildlife and record and predict behavior. Ecological research using deep-learning-based object recognition technology includes various research purposes such as identifying, detecting, and identifying species of wild animals, and identification of the location of poachers in real-time. These advances in the application of AI technology can enable efficient management of endangered wildlife, animal detection in various environments, and real-time analysis of image information collected by unmanned aerial vehicles. Furthermore, the need for school education and social use on biodiversity and environmental issues using AI is raised. School education and citizen science related to ecological activities using AI technology can enhance environmental awareness, and strengthen more knowledge and problem-solving skills in science and research processes. Under these prospects, in this paper, we compare the results of our early 2013 study, which automatically identified African cichlid fish species using photographic data of them, with the results of reanalysis by CNN deep learning method. By using PyTorch and PyTorch Lightning frameworks, we achieve an accuracy of 82.54% and an F1-score of 0.77 with minimal programming and data preprocessing effort. This is a significant improvement over the previous our machine learning methods, which required heavy feature engineering costs and had 78% accuracy.

• 인터넷정보학회논문지
• /
• 제25권2호
• /
• pp.11-19
• /
• 2024

This paper was studied abouta technology for detecting damage to temporary works equipment used in construction sites with explainable artificial intelligence (XAI). Temporary works equipment is mostly composed of steel or aluminum, and it is reused several times due to the characters of the materials in temporary works equipment. However, it sometimes causes accidents at construction sites by using low or decreased quality of temporary works equipment because the regulation and restriction of reuse in them is not strict. Currently, safety rules such as related government laws, standards, and regulations for quality control of temporary works equipment have not been established. Additionally, the inspection results were often different according to the inspector's level of training. To overcome these limitations, a method based with AI and image processing technology was developed. In addition, it was devised by applying explainableartificial intelligence (XAI) technology so that the inspector makes more exact decision with resultsin damage detect with image analysis by the XAI which is a developed AI model for analysis of temporary works equipment. In the experiments, temporary works equipment was photographed with a 4k-quality camera, and the learned artificial intelligence model was trained with 610 labelingdata, and the accuracy was tested by analyzing the image recording data of temporary works equipment. As a result, the accuracy of damage detect by the XAI was 95.0% for the training dataset, 92.0% for the validation dataset, and 90.0% for the test dataset. This was shown aboutthe reliability of the performance of the developed artificial intelligence. It was verified for usability of explainable artificial intelligence to detect damage in temporary works equipment by the experiments. However, to improve the level of commercial software, the XAI need to be trained more by real data set and the ability to detect damage has to be kept or increased when the real data set is applied.

• 정보교육학회논문지
• /
• 제24권6호
• /
• pp.573-584
• /
• 2020

본 연구는 초등학생들의 인공지능에 대한 이미지를 긍정적으로 향상시키고자 하는 인지 모델링기반 인공지능 알고리즘 교육 프로그램의 개발에 관한 것이다. 먼저 인공지능 알고리즘 중 협력필터링의 개념을 분석하고 이를 인지모델링 방법을 활용하여 교육 프로그램을 개발하였다. 이후 전문가 타당도 검사를 통해 인지 모델링기반의 콘텐츠 개발 방법과 개발된 프로그램에 대한 적절성이 CVR .80 이상으로 타당함을 확인하였다. 개발 프로그램은 초등학교 6학년 학생들에게 수업으로 적용하였고 형용사 단어 23쌍을 이용한 의미분별법을 이용하여 사전-사후에 인공지능에 대한 학생들의 이미지 인식의 변화를 살펴보았다. 학생들의 인공지능에 대한 이미지는 총 23개 단어 쌍 중 12개에서 유의미한 긍정적 변화를 확인할 수 있었다.

• 정보처리학회 논문지
• /
• 제13권9호
• /
• pp.453-459
• /
• 2024

자연어 처리를 활용한 생성 AI 기술의 최근 발전은 텍스트, 이미지 및 비디오 제작에 큰 영향을 미쳤다. 이러한 발전에도 불구하고, AI가 생성한 출력의 일관성 및 재사용 가능성과 관련하여 상당한 문제가 있다. 이는 캐릭터와 특정 객체를 생성하는 것이 중요한 만화 제작 분야에서 문제가 될 수 있다. 이를 해결하기 위해 언어 분석 기반 요구사항 엔지니어링과 만화 엔지니어링의 접목을 제안한다. 제안된 방법은 자연어 분석을 위한 Chomsky와 Fillmore의 언어학을 적용하고 객체의 상호작용을 표현하기 위한 UML 시퀀스 모델 사용하여 일관적인 3D Objects를 생성한는 것이다. 또한 자연어 입력에서 창작자의 의도를 체계적 해석한다. 이를 통해 캐릭터 또는 객체가 정의되면 다양한 패널과 에피소드에서 정확하게 재사용해 시각적, 맥락적 무결성을 유지하게 한다. 이 접근 방식은 만화에서 캐릭터 묘사의 정확성과 일관성을 향상시켜 캐릭터와 장면이 원래 요구 사항과 밀접하게 일치시킨다. 따라서 본 연구에서 제안하는 방법은 자연어 텍스트에서 복잡한 시각적 콘텐츠의 재현이 필요한 다른 분야에서도 적용할 수 있을 것으로 기대된다.

• 한국정보전자통신기술학회논문지
• /
• 제17권1호
• /
• pp.1-9
• /
• 2024

본 논문은 특허 출원 문서를 기초로 하여 생성형 AI 기술의 동향을 분석한다. 이를 위해 2003년부터 2023년까지 한국, 미국, 유럽에서 출원된 생성형 AI 관련 특허 5,433건을 선별하고, 국가별, 기술 분야별, 연도별, 출원인별 데이터를 분석하고 시각적으로 제시함으로써 시사점을 찾고 기술 흐름을 확인하고자 한다. 분석 결과, 이미지 분야의 특허가 36.9%로 가장 많고 지속적으로 출원 건수가 상승하고 있지만, 문장/문서나 음악/음성 분야는 2019년 이후로 출원이 감소하거나 유지되고 있다. 가장 많은 특허를 출원한 기업은 한국 기업이지만 상위 5개 출원인 중 4개가 미국 기업이며 모든 기업이 미국에 가장 많은 특허를 출원하고 있어 생성형 AI는 미국 시장을 중심으로 성장하고 경쟁하고 있음을 확인하였다. 논문의 분석 결과는 향후 생성형 AI 연구 개발과 지식 재산 확보 전략을 수립하는 데 활용될 수 있을 것으로 기대된다.

• 디지털융복합연구
• /
• 제18권10호
• /
• pp.175-180
• /
• 2020

최근 활성화 되고 있는 인슈어테크(InsurTech) 산업에서의 인공지능(AI)을 활용한 보험서비스 마케팅 사례연구를 통해, 보험산업 생태계에서 혁신적인 기술(예: 인공지능, 기계학습 등)이 어떻게 활용되고 있는지 살펴보았다. 특히, 국내·외 서비스 사례연구를 통해 인공지능기술을 활용하여 파괴적 혁신을 가져온 미국의 레모네이드(Lemonade)사의 챗봇을 이용한 신속하고, 간편한 보험가입 및 보험금 지급 서비스, 국내 AI컴퍼니의 광학 문자 인식(OCR)기반의 진단서 입력을 통해 예상 보험금이 산출되는 보험금 산정서비스를 고찰해 보았다. 사례분석 결과 인공지능 기반의 수많은 고객데이터를 활용한 기계학습을 통해 보험 가입 및 지급 절차에 있어 리드타임을 획기적으로 단축하였고, 고객과 보험사간의 분쟁이 많은 보험금 산정에 있어서도 정확하고 합리적인 보험금을 산출함으로써, 고객만족과 고객가치를 높일 수 있었다.

• 전기전자학회논문지
• /
• 제23권3호
• /
• pp.978-983
• /
• 2019

자율주행, AI의 시대가 도래함에 따라 카메라를 통하여 물체를 정확히 인식 및 판단하는 것이 중요해졌다. 특히 카메라를 이용하여 물체를 인식하는 방법은 다른 여러 방법들에 비하여 시각적으로 많은 양의 정보를 얻을 수 있기 때문에 정확한 영상을 추출하기 위하여 많은 영상 신호 처리 방법들이 연구되고 있다. 또한, 이러한 영상 신호 처리의 기능을 실제 하드웨어로 구현하기 위하여 많은 연구도 동시에 진행되고 있다. 본 논문에서는 영상 신호 처리에서 자주 사용되는 정렬 알고리즘에 대하여 동작원리 및 특징을 비교하고 성능에 대한 평가를 정리하였다. 이를 토대로 대표적인 정렬 알고리즘 중 하드웨어로 구현할 때 효율적인 알고리즘에 대하여 정의한다.

• 정보처리학회논문지:컴퓨터 및 통신 시스템
• /
• 제10권11호
• /
• pp.305-310
• /
• 2021

의료분야 인공지능 기술이 분석과 알고리즘 개발에 중점을 두었으나 점차 제품으로 서비스하기 위한 Web 애플리케이션 개발로 변화되고 있다. 본 연구는 복부 CT 영상에서 요로결석(Urinary Stone) 분할모델과 이를 기반으로 한 인공지능 웹 애플리케이션에 대해 기술한다. 이를 구현하기 위해 의료영상 분야에서 이미지 분할을 목적으로 제안된 End-to-End 방식의 Fully-Convolutional Network 기반 모델인 U-Net을 사용하여 모델을 개발하였다. 그리고 Python 기반의 Flask라는 마이크로 웹 프레임워크를 사용하여 AWS 클라우드 기반 웹 애플리케이션으로 개발하였다. 끝으로 모델 서빙으로 요로결석 분할모델이 예측한 결과를 인공지능 웹 애플리케이션 서비스 수행 결과로 보인다. 제안한 AI 웹 애플리케이션 서비스가 선별 검사에 활용되기를 기대한다.

• International Journal of Internet, Broadcasting and Communication
• /
• 제13권1호
• /
• pp.210-218
• /
• 2021

CNN (Convolutional Neural Network), a type of deep learning algorithm, is a type of artificial neural network used to analyze visual images. In deep learning, it is classified as a deep neural network and is most commonly used for visual image analysis. Accordingly, an AI autonomous driving model was constructed through real-time image processing, and a crosswalk image of a road was used as an obstacle. In this paper, we proposed a low-cost model that can actually implement autonomous driving based on the CNN model. The most well-known deep neural network technique for autonomous driving is investigated and an end-to-end model is applied. In particular, it was shown that training and self-driving on a simulated road is possible through a practical approach to realizing lane detection and keeping.

• 대한임베디드공학회논문지
• /
• 제18권3호
• /
• pp.89-100
• /
• 2023

Recently, on-device artificial intelligence (AI) solutions using mobile devices and embedded edge devices have emerged in various fields, such as computer vision, to address network traffic burdens, low-energy operations, and security problems. Although vision transformer deep learning models have outperformed conventional convolutional neural network (CNN) models in computer vision, they require more computations and parameters than CNN models. Thus, they are not directly applicable to embedded edge devices with limited hardware resources. Many researchers have proposed various model compression methods or lightweight architectures for vision transformers; however, there are only a few studies evaluating the effects of model compression techniques of vision transformers on performance. Regarding this problem, this paper presents a performance evaluation of vision transformers on embedded platforms. We investigated the behaviors of three vision transformers: DeiT, LeViT, and MobileViT. Each model performance was evaluated by accuracy and inference time on edge devices using the ImageNet dataset. We assessed the effects of the quantization method applied to the models on latency enhancement and accuracy degradation by profiling the proportion of response time occupied by major operations. In addition, we evaluated the performance of each model on GPU and EdgeTPU-based edge devices. In our experimental results, LeViT showed the best performance in CPU-based edge devices, and DeiT-small showed the highest performance improvement in GPU-based edge devices. In addition, only MobileViT models showed performance improvement on EdgeTPU. Summarizing the analysis results through profiling, the degree of performance improvement of each vision transformer model was highly dependent on the proportion of parts that could be optimized in the target edge device. In summary, to apply vision transformers to on-device AI solutions, either proper operation composition and optimizations specific to target edge devices must be considered.