• 한국컴퓨터정보학회논문지
• /
• 제26권7호
• /
• pp.29-36
• /
• 2021

본 논문에서는 딥러닝 모델을 이용하여 모바일 기기의 심전도 신호 측정 데이터를 분류한다. 비정상 심장박동을 높은 정확도로 분류하기 위해 딥러닝 모델의 구성 요소 세 가지를 선정하고 요소의 조건 변화에 따른 분류 정확도를 비교한다. 심전도 신호 데이터의 특징을 스스로 추출할 수 있는 CNN 모델을 적용하고 모델을 구성하는 모델의 깊이, 최적화 방법, 활성화 함수의 조건을 변경하여 총 48개의 조합의 성능을 비교한다. 가장 높은 정확도를 보이는 조건의 조합을 도출한 결과 컨볼루션 레이어 19개, 최적화 방법 SGD, 활성화 함수 Mish를 적용하였을 때 정확도 97.88%로 모든 조합 중 가장 높은 분류 정확도를 얻었다. 이 실험에서 CNN을 활용한 1-채널 심전도 신호의 특징 추출과 비정상 박동 검출의 적합성을 확인하였다.

• Journal of Information Processing Systems
• /
• 제20권3호
• /
• pp.375-390
• /
• 2024

Edge computing architecture has effectively alleviated the computing pressure on cloud platforms, reduced network bandwidth consumption, and improved the quality of service for user experience; however, it has also introduced new security issues. Existing anomaly detection methods in big data scenarios with cloud-edge computing collaboration face several challenges, such as sample imbalance, difficulty in dealing with complex network traffic attacks, and difficulty in effectively training large-scale data or overly complex deep-learning network models. A lightweight deep-learning model was proposed to address these challenges. First, normalization on the user side was used to preprocess the traffic data. On the edge side, a trained Wasserstein generative adversarial network (WGAN) was used to supplement the data samples, which effectively alleviates the imbalance issue of a few types of samples while occupying a small amount of edge-computing resources. Finally, a trained lightweight deep learning network model is deployed on the edge side, and the preprocessed and expanded local data are used to fine-tune the trained model. This ensures that the data of each edge node are more consistent with the local characteristics, effectively improving the system's detection ability. In the designed lightweight deep learning network model, two sets of convolutional pooling layers of convolutional neural networks (CNN) were used to extract spatial features. The bidirectional long short-term memory network (BiLSTM) was used to collect time sequence features, and the weight of traffic features was adjusted through the attention mechanism, improving the model's ability to identify abnormal traffic features. The proposed model was experimentally demonstrated using the NSL-KDD, UNSW-NB15, and CIC-ISD2018 datasets. The accuracies of the proposed model on the three datasets were as high as 0.974, 0.925, and 0.953, respectively, showing superior accuracy to other comparative models. The proposed lightweight deep learning network model has good application prospects for anomaly traffic detection in cloud-edge collaborative computing architectures.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2016년도 춘계학술대회
• /
• pp.727-730
• /
• 2016

TSC(Time Series Classification)은 시계열데이터를 패턴에 따라 분류하는 것으로, 시계열이 매우 흔한 데이터형태이고, 또한 활용도가 높기 때문에 오랜 시간동안 Data Mining 과 Machine Learning 분야의 주요한 이슈였다. 전통적인 방법에서는 Distance와 Dictionary 기반의 방법들을 많이 활용하였으나, Time Scale과 Random Noise의 문제로 인해 분류의 정확도가 제한되었다. 본 논문에서는 Deep Learning의 CNN(Convolutional Neural Network)과 변종데이터(Data Mutation)을 이용해 정확도를 향상시킨 방법을 제시한다. CNN은 이미지분야에서 이미 검증된 신경망 모델로써 시계열데이터의 특성을 나타내는 Feature를 인식하는데 효과적으로 활용할 수 있고, 변종데이터는 하나의 데이터를 다양한 방식으로 변종을 만들어 CNN이 특정 패턴의 가능한 변형에 대해서도 학습할 수 있도록 데이터를 제공한다. 제시한 방식은 기존의 방식보다 우수한 정확도를 보여준다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2018년도 춘계학술대회
• /
• pp.464-465
• /
• 2018

국내의 대표적인 생태계 교란 외래어종인 배스와 블루길은 국내 토종 어류 개체군 감소에 가장 중요한 요인으로 보고되고 있다. 그러므로 이러한 외래어종 퇴치를 위한 시스템개발 및 현장 적용기술이 필요한 실정이다. 본 연구는 이러한 시스템개발에 앞서 물고기 인식을 위한 전체적인 시스템을 설계하고자 한다. 최근 들어 물체의 인식, 분류 그리고 학습에 이르는 일련의 과정들을 딥러닝(deep learning) 중 하나인 CNN(convolutional Neural Network)이 매우 뛰어난 성능을 나타내고 있다. 그러나 물체의 인식과 분류작업에 사용된 CNN의 데이터들은 특징들이 확연한 다른 물체의 인식과 분류에 주로 적용되었다. 본 연구는 비슷한 특징들을 갖는 물고기 개체들의 분류에 CNN을 적용하는 시스템을 설계하고자 한다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제11권6호
• /
• pp.245-254
• /
• 2022

단백질은 모든 생명 활동의 기본 단위이며, 이를 이해하는 것은 생명 현상을 연구하는 데 필수적이다. 인공신경망을 이용한 기계학습 방법론이 대두된 이후로 많은 연구자들이 단백질 서열만을 사용하여 단백질의 기능을 예측하고자 하였다. 많은 조합의 딥러닝 모델이 학계에 보고되었으나 그 방법은 제각각이며 정형화된 방법론이 없고, 각기 다른 데이터에 맞춰져있어 어떤 알고리즘이 더 단백질 데이터를 다루는 데 적합한지 직접 비교분석 된 적이 없다. 본 논문에서는 단백질의 기능을 예측하는 융합 분야에서 가장 많이 사용되는 대표 알고리즘인 CNN, LSTM, GRU 모델과 이를 이용한 두가지 결합 모델에 동일 데이터를 적용하여 각 알고리즘의 단일 모델 성능과 결합 모델의 성능을 정확도와 속도를 기준으로 비교 평가하였으며 최종 평가 척도를 마이크로 정밀도, 재현율, F1 점수로 나타내었다. 본 연구를 통해 단순 분류 문제에서 단일 모델로 LSTM의 성능이 준수하고, 복잡한 분류 문제에서는 단일 모델로 중첩 CNN이 더 적합하며, 결합 모델로 CNN-LSTM의 연계 모델이 상대적으로 더 우수함을 확인하였다.

• 한국멀티미디어학회논문지
• /
• 제24권5호
• /
• pp.651-658
• /
• 2021

In this paper, we propose methods for character recognition and classification for table items through deep learning. First, table areas are detected in a document image through CNN. After that, table areas are separated by separators such as vertical lines. The text in document is recognized through a neural network combined with CNN and RNN. To correct errors in the character recognition, multiple candidates for the recognized result are provided for a sentence which has low recognition accuracy.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2021년도 춘계학술대회
• /
• pp.644-645
• /
• 2021

본 논문에서는 초 고해상도 디지털 이미지 및 비디오의 지적 재산권 보호를 위한 딥러닝 기술 기반 워터마킹 프로세서의 하드웨어 구조를 제안한다. 하드웨어에서 딥 러닝 기반 워터마킹 알고리즘을 구현하기 위한 최적화 방법론을 제안한다.

• 한국건축시공학회:학술대회논문집
• /
• 한국건축시공학회 2021년도 봄 학술논문 발표대회
• /
• pp.10-11
• /
• 2021

As concrete is used in many construction works, the use of aggregates is increasing. However, supply and demand of high-quality aggregates has become difficult recently, and although circular aggregates that recycle construction waste are used, the performance of concrete, such as liquidity and strength, are being reduced due to defective aggregates. As a result, quality tests such as sieve analysis test are conducted, but a lot of waste occurs such as time and manpower. To solve this problem, this study was conducted to measure the assembly rate of fine aggregate, which accounts for about 35% of the concrete volume, using Deep Learning.

• Structural Monitoring and Maintenance
• /
• 제10권1호
• /
• pp.43-62
• /
• 2023

Damage monitoring is a prerequisite step to ensure the safety and performance of concrete structures. Smart aggregate (SA) technique has been proven for its advantage to detect early-stage internal cracks in concrete. In this study, a 1-D CNN-based method is developed for autonomously classifying the damage feature in a concrete anchorage zone using the raw impedance signatures of the embedded SA sensor. Firstly, an overview of the developed method is presented. The fundamental theory of the SA technique is outlined. Also, a 1-D CNN classification model using the impedance signals is constructed. Secondly, the experiment on the SA-embedded concrete anchorage zone is carried out, and the impedance signals of the SA sensor are recorded under different applied force levels. Finally, the feasibility of the developed 1-D CNN model is examined to classify concrete damage features via noise-contaminated signals. The results show that the developed method can accurately classify the damaged features in the concrete anchorage zone.

• 방사선산업학회지
• /
• 제18권3호
• /
• pp.177-182
• /
• 2024

The purpose of this study is to develop a CNN based deep learning model that can effectively detect pneumonia by analyzing chest X-ray images of adults over the age of 20 and compare it with VUNO, LUNIT a commercialized AI model. The data of chest X-ray image was evaluate based on accuracy, precision, recall, F1 score, and AUC score. The CNN model recored an accuracy of 82%, precision 76%, recall 99%, F1 score 86%, and AUC score 0.7937. The VUNO model recordded an accuracy of 84%, precision 81%, recall 94%, F1 score 87%, and AUC score 0.8233. The LUNIT model recorded an accuracy of 77%, precision 72%, recall 96%, F1 score 83%, and AUC score 0.7436. As a result of the Confusion Matrix analysis, the CNN model showe FN (3), showing the highest recall rate (99%) in the diagnosis of pneumonia. The VUNO model showed excellent overall perfomance with high accuracy (84%) and AUC score (0.8233), and the LUNIT model showed high recall rate (96%) but the accuracy and precision showed relatively low results. This study will be able to provide basic data useful for the development of a pneumonia diagnosis system by comprehensively considers the perfomance of the medel is necessary to effectively discriminate between penumonia and normal groups.