• 한국HCI학회논문지
• /
• 제1권1호
• /
• pp.37-44
• /
• 2006

물체의 반사 효과는 물체의 재질, 기하학적 모양 및 조명 환경을 표현하는데 있어 매우 중요한 요소이다. 사진품질을 추구하는 사실적 렌더링에서는 기존의 국소 반사 모델을 사용하여 좋은 결과를 얻을 수 있지만, 사용자의 주관이 중시되는 비사실적 렌더링에서는 사용자가 원하는 반사 효과를 표현할 수 있어야 한다. 텍스처는 사용자가 원하는 반사 효과를 직관적으로 표현할 수 있는 수단이며, 이 텍츠처를 모델에 투영하면 원하는 반사 효과를 얻을 수 있다. 이 때 사용자는 텍스처가 투영될 위치와 크기, 방향을 직접 키프레임으로 정해 줄 수 있다. 그러나 모든 반사 효과를 사용자가 직접 정해준다는 것은 번거로운 일이며, 아울러 실시간 응용분야에는 적용할 수 없는 단점이 있다. 본 논문에서는 국소반사모델과 주곡률 해석을 통해 반사 효과의 위치, 방향 및 크기를 결정하기 위한 텍스처 투영기의 새로운 설정 방법을 제시한다. 광원과 시점 정보로부터 주어진 모델 위에서 최대 명점을 구한 후, 텍스처 투영기를 최대 조명점을 지나는 법선 벡터에 평행한 직선 위에 위치시킨다. 투영기의 방위를 최대 조명점에서의 주방향에 따라서 일치시키고, 투영기의 투영 피라미드의 크기를 주곡률에 따라서 결정한다. 텍스처 투영기의 단순한 이동, 회전 및 주곡률 값의 조절을 통하여 반사 영역의 이동, 회전 및 확대/축소가 가능하다. 본 논문에서 제시한 방법은 DirectX 9.0c와 프로그램이 가능한 셰이더 2.0을 사용하여 GeForce FX 7800 그래픽 카드에 구현되었다. 본 논문의 연구 결과는 만화적 표현을 추구하는 게임 등과 같은 실시간 응용분야에 사용될 수 있으며, 실험 결과에 의하면 수만 개의 다면체 모델에 대한 스타일 반사효과를 실시간에 렌더링할 수 있다.

• Nuclear Medicine and Molecular Imaging
• /
• 제43권5호
• /
• pp.459-467
• /
• 2009

목적: ML-EM (The maximum likelihood-expectation maximization) 기법은 방출과 검출 과정에 대한 통계학적 모델에 기반한 재구성 알고리즘이다. ML-EM은 결과 영상의 정확성과 유용성에 있어 많은 이점이 있는 반면 반복적인 계산과 방대한 작업량 때문에 CPU(central processing unit)로 처리할 때 상당한 연산시간이 소요되었다. 본 연구에서는 GPU(graphic processing unit)의 병렬 처리 기술을 ML-EM 알고리즘에 적용하여 영상을 재구성하였다. 대상 및 방법: 엔비디아사(社)의 CUDA 기술을 이용하여 ML-EM 알고리즘의 투사 및 역투사 과정을 병렬화 전략을 구상하였으며 Geforce 9800 GTX+ 그래픽 카드를 이용하여 병렬화 연산을 수행하여 기존의 단일 CPU기반 연산법과 비교하였다. 각 반복횟수마다 투사 및 역투사 과정에 걸리는 총 지연 시간과 퍼센트 오차(percent error)를 측정하였다. 총 지연 시간에는 RAM과 GPU 메모리 간의 데이터 전송 지연 시간도 포함하였다. 결과: 모든 반복횟수에 대해 CPU 기반 ML-EM 알고리즘보다 GPU 기반 알고리즘이 더 빠른 성능을 나타내는 것을 확인하였다. 단일 CPU 및 GPU 기반 ML-EM의 32번 반복연산에 있어 각각 3.83초와 0.26초가 걸렸으며 GPU의 병렬연산의 경우 15배 정도의 개선된 성능을 보였다. 반복횟수가 1024까지 증가하였을 경우, CPU와 GPU 기반 알고리즘은 각각 18분과 8초의 연산시간이 걸렸다. GPU 기반 알고리즘이 약 135배 빠른 처리속도를 보였는데 이는 단일 CPU 계산이 특정 반복횟수 이후 나타나는 시간 지연에 따른 것이다. 결과적으로, GPU 기반 계산이 더 작은 편차와 빠른 속도를 보였다. 결론: ML-EM 알고리즘에 기초한 GPU기반 병렬 계산이 처리 속도와 안정성을 더 증진시킴을 확인하였으며 이를 활용해 다른 영상 재구성 알고리즘에도 적용시킬 수 있을 것으로 기대한다.

• 지능정보연구
• /
• 제23권2호
• /
• pp.71-88
• /
• 2017

언어모델은 순차적으로 입력된 자료를 바탕으로 다음에 나올 단어나 문자를 예측하는 모델로 언어처리나 음성인식 분야에 활용된다. 최근 딥러닝 알고리즘이 발전되면서 입력 개체 간의 의존성을 효과적으로 반영할 수 있는 순환신경망 모델과 이를 발전시킨 Long short-term memory(LSTM) 모델이 언어모델에 사용되고 있다. 이러한 모형에 자료를 입력하기 위해서는 문장을 단어 혹은 형태소로 분해하는 과정을 거친 후 단어 레벨 혹은 형태소 레벨의 모형을 사용하는 것이 일반적이다. 하지만 이러한 모형은 텍스트가 포함하는 단어나 형태소의 수가 일반적으로 매우 많기 때문에 사전 크기가 커지게 되고 이에 따라 모형의 복잡도가 증가하는 문제가 있고 사전에 포함된 어휘 외에는 생성이 불가능하다는 등의 단점이 있다. 특히 한국어와 같이 형태소 활용이 다양한 언어의 경우 형태소 분석기를 통한 분해과정에서 오류가 더해질 수 있다. 이를 보완하기 위해 본 논문에서는 문장을 자음과 모음으로 이루어진 음소 단위로 분해한 뒤 입력 데이터로 사용하는 음소 레벨의 LSTM 언어모델을 제안한다. 본 논문에서는 LSTM layer를 3개 또는 4개 포함하는 모형을 사용한다. 모형의 최적화를 위해 Stochastic Gradient 알고리즘과 이를 개선시킨 다양한 알고리즘을 사용하고 그 성능을 비교한다. 구약성경 텍스트를 사용하여 실험을 진행하였고 모든 실험은 Theano를 기반으로 하는 Keras 패키지를 사용하여 수행되었다. 모형의 정량적 비교를 위해 validation loss와 test set에 대한 perplexity를 계산하였다. 그 결과 Stochastic Gradient 알고리즘이 상대적으로 큰 validation loss와 perplexity를 나타냈고 나머지 최적화 알고리즘들은 유사한 값들을 보이며 비슷한 수준의 모형 복잡도를 나타냈다. Layer 4개인 모형이 3개인 모형에 비해 학습시간이 평균적으로 69% 정도 길게 소요되었으나 정량지표는 크게 개선되지 않거나 특정 조건에서는 오히려 악화되는 것으로 나타났다. 하지만 layer 4개를 사용한 모형이 3개를 사용한 모형에 비해 완성도가 높은 문장을 생성했다. 본 논문에서 고려한 어떤 시뮬레이션 조건에서도 한글에서 사용되지 않는 문자조합이 생성되지 않았고 명사와 조사의 조합이나 동사의 활용, 주어 동사의 결합 면에서 상당히 완성도 높은 문장이 발생되었다. 본 연구결과는 현재 대두되고 있는 인공지능 시스템의 기초가 되는 언어처리나 음성인식 분야에서 한국어 처리를 위해 다양하게 활용될 수 있을 것으로 기대된다.