• 정보처리학회논문지B
• /
• 제10B권2호
• /
• pp.143-150
• /
• 2003

오류 은닉은 데이타 전송시 발생한 오류를 처리하는 데 중요한 역할을 하는 기술로 우수한 데이타 품질을 보이는 다양한 오류 은닉 방법들은 대개 복잡도가 높다. 하지만 복잡한 알고리즘은 실시간 응용 분야에 적용하기 어렵다. 본 연구에서는 오류 내성 기술과 데이터 숨김 기법을 이용하여 디코더의 오류 은닉 부담을 줄이는 방법을 제안한다. 이를 위해 공간적 오류 내성 인코딩 방법으로써 손실 블록의 확산을 막는 블록 인터리빙을 적용하며, 시간적 오류 내성 방법으로는 움직임 벡터의 손실을 확인할 수 있는 패리티 비트를 데이터 숨김 방법을 이용하여 디코더로 전송하는 구조를 적응한다. 또한 전송 비디오 블록의 경계선 특징을 미리 추출한 후 이 데이터를 데이터 숨김을 통해 디코더로 전달하여 비디오 데이터가 전송시 손상되면 전달된 특징을 이용하여 은닉 처리함으로써 디코더에서 오류 은닉시 손실 정보를 주변 블록으로부터 예측해야 하는 과정을 줄여 계산 복잡도를 낮춘다. 본 연구에서 제안한 움직임 벡터 확인 패리티 비트와 블록 경계선 특징 데이터를 전송 블록에 데이터 숨김방법으로 전송하는 것은 표준 인코더의 복잡도에 큰 영향을 미치지 않는다. 제안 오류 은닉 방법이 인터넷과 같이 버스트 오류가 많은 채널에서도 디코더에서 전송 오류를 효과적으로 빠르게 처리함을 실험 결과를 통해 알 수 있다.

• 한국통신학회논문지
• /
• 제28권7C호
• /
• pp.726-732
• /
• 2003

본 논문은 계산량을 줄이는 움직임 추정 (motion estimation: ME) 방법을 제안한다. 이 방법은 움직임 추정이 필요 없다고 판단되는 매크로블록(macro-block: MB)들에 대한 움직임 추정 과정을 생략함으로써 고속의 움직임 추정을 가능하게 한다. 그래서, 제안된 방법은 움직임 생략 기법 (ME skipping technique: MEST)이라고 부른다. 일반적으로 움직임 추정은 정수 화소 단위 움직임 추정 (IME)과 반화소 단위 움직임 추정 (HME)로 구성된다. MEST는 IME 과정 바로 직전에 수행되고, 이미 부호화된 주위의 MB들의 움직임 추정 오차에 기초한 기준에 따라 IME 과정을 생략할지를 판단한다. 하나의 MB에 대한 IME 과정이 생략되는 것으로 판단되었을 경우 (이 경우를 ME 생략 모드 (ME skip mode)라 부른다), IME 과정은 생략되고 그 MB에 대한 정수 화소 단위 움직임 벡터를 예측벡터로 대치한다. 예측된 그 벡터는 HME의 입력으로 사용된다. 한편, ME 생략 모드가 아닌 경우(ME non-skip mode)의 MB들에 대한 IME 과정은 생략되지 않고 보통의 IME과정을 수행하게 된다. 따라서 MEST는 ME 생략 모드로 판단되는 MB들이 많을수록 계산량을 감소시키는데 효과적이다. 뿐만 아니라 MEST가 비디오 부호화기에 적용되었을 경우, 좀 더 정화한 율제어 (rate control)과 채널 오류에 좀 더 강한 비트열 (bitstream)을 제작하는데 도움을 준다. 실험을 통해, MEST가 같은 화질을 유지하면서도 이러한 장점을 가짐을 보인다.

• 한국측량학회지
• /
• 제39권3호
• /
• pp.141-148
• /
• 2021

본 논문은 SegNet과 ResNet을 조합한 딥러닝을 이용하여 횡단보도를 검출하는 방법을 제안한다. 시각 장애인의 경우 횡단보도가 어디에 있는지 정확히 아는 게 안전한 교통 시스템에서 중요하다. 딥러닝에 의한 횡단보도 검출은 이 문제에 대한 좋은 해결책이 될 수 있다. 로봇 시각 기반 보조 기술은 지난 몇년 동안 카메라를 사용하는 특정 장면에 초점을 두고 제안되어 왔다. 이러한 전통적인 방법은 비교적 긴 처리 시간으로 의미있는 결과를 얻었으며 횡단보도 인식을 크게 향상시켰다. 그러나 전통적인 방법은 지연 시간이 길고 웨어러블 장비에서 실시간을 만족시킬 수 없다. 본 연구에서 제안하는 방법은 취득한 영상에서 횡단보도를 빠르고 안정적으로 검출하기 위한 모델을 제안한다. 모델은 SegNet과 ResNet을 기반으로 개선되었으며 3단계로 구성된다. 첫째, 입력 영상을 서브샘플링하여 이미지 특징을 추출하고 ResNet의 컨벌루션 신경망을 수정하여 새로운 인코더로 만든다. 둘째, 디코딩 과정에서 업샘플링 네트워크를 통해 특징맵을 원영상 크기로 복원한다. 셋째, 모든 픽셀을 분류하고 각 픽셀의 정확도를 계산한다. 이 실험의 결과를 통하여 수정된 시맨틱 분할 알고리즘의 적격한 정확성을 검증하는 동시에 결과 출력 속도가 비교적 빠른 것으로 파악되었다.