• Journal of applied mathematics & informatics
• /
• 제35권5_6호
• /
• pp.565-586
• /
• 2017

In this paper we continue to investigate the Super Vertex Mean behaviour of all graphs up to order 5 and all regular graphs up to order 7. Let G(V,E) be a graph with p vertices and q edges. Let f be an injection from E to the set {1,2,3,${\cdots}$,p+q} that induces for each vertex v the label defined by the rule $f^v(v)=Round\;\left({\frac{{\Sigma}_{e{\in}E_v}\;f(e)}{d(v)}}\right)$, where $E_v$ denotes the set of edges in G that are incident at the vertex v, such that the set of all edge labels and the induced vertex labels is {1,2,3,${\cdots}$,p+q}. Such an injective function f is called a super vertex mean labeling of a graph G and G is called a Super Vertex Mean Graph.

• 한국지능시스템학회논문지
• /
• 제24권6호
• /
• pp.646-650
• /
• 2014

본 논문에서는 다차원 문제로 인하여 발생하는 패턴 분류 성능의 저하를 방지 하여 퍼지 패턴 분류기의 성능을 개선하기 위하여 다수의 Feature들 중에서 패턴 분류 성능 향상에 기여하는 Feature를 선택하기 위한 새로운 Feature Selection 방법을 제안 한다. 새로운 Feature Selection 방법은 각각의 Feature 들을 퍼지 클러스터링 기법을 이용하여 클러스터링 한 후 각 클러스터가 임의의 class에 속하는 정도를 계산하고 얻어진 값을 이용하여 해당 feature 가 fuzzy pattern classifier에 적용될 경우 패턴 분류 성능 개선 가능성을 평가한다. 평가된 성능 개선 가능성을 기반으로 이미 정해진 개수만큼의 Feature를 선택하는 Feature Selection을 수행한다. 본 논문에서는 제안된 방법의 성능을 평가, 비교하기 위하여 다수의 머신 러닝 데이터 집합에 적용한다.

• 대한전자공학회:학술대회논문집
• /
• 대한전자공학회 2008년도 하계종합학술대회
• /
• pp.1117-1118
• /
• 2008

The LightScribe Technology is for printing images on the label side of recordable media using CD laser diode. By implementing Optimum Labeling Power Calibration for LightScribe, Labeling Quality can be improved. This paper proposes a new laser power calibration method using RFSUM signal. This function is implemented based on GH22LP20 of LG Electronics.

• 한국콘텐츠학회논문지
• /
• 제21권3호
• /
• pp.23-32
• /
• 2021

컴퓨터 비전 분야의 의미론적 영상 분할(Semantic Image Segmentation) 기술은 이미지를 픽셀 단위로 분할 하여 클래스를 나누는 기술이다. 이 기술도 기계 학습을 이용한 방법으로 성능이 빠르게 향상되는 중이며, 픽셀 단위의 정보를 활용할 수 있는 높은 활용성이 주목받는 기술이다. 그러나 이 기술은 초기부터 최근까지도 계속 '세밀하지 못한 분할'에 대한 문제가 제기되어 왔다. 이 문제는 레이블 맵의 크기를 계속 늘리면서 발생한 문제이기 때문에, 자세한 에지 정보가 있는 원본 영상의 에지 맵을 이용해 레이블 맵을 수정하여 개선할 수 있을 것으로 예상할 수 있었다. 따라서 본 논문은 기존 방법대로 학습 기반의 의미론적 영상 분할을 유지하되, 그 결과인 레이블 맵을 원본 영상의 에지 맵 기반으로 수정하는 후처리 알고리즘을 제안한다. 기존의 방법에 알고리즘의 적용 한 뒤 전후의 정확도를 비교했을 때 평균적으로 약 1.74% 픽셀 정확도와 1.35%의 IoU(Intersection of Union) 정확도가 향상되었으며, 결과를 분석했을 때 성공적으로 본래 목표한 세밀한 분할 기능을 개선했음을 보였다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제11권8호
• /
• pp.3984-4005
• /
• 2017

Image recognition has become an increasingly important topic for its wide application. It is highly challenging when facing to large-scale database with large variance. The recognition systems rely on a key component, i.e. the low-level feature or the learned mid-level feature. The recognition performance can be potentially improved if the data distribution information is exploited using a more sophisticated way, which usually a function over hidden variable, model parameter and observed data. These methods are called generative score space. In this paper, we propose a discriminative extension for the existing generative score space methods, which exploits class label when deriving score functions for image recognition task. Specifically, we first extend the regular generative models to class conditional models over both observed variable and class label. Then, we derive the mid-level feature mapping from the extended models. At last, the derived feature mapping is embedded into a discriminative classifier for image recognition. The advantages of our proposed approach are two folds. First, the resulted methods take simple and intuitive forms which are weighted versions of existing methods, benefitting from the Bayesian inference of class label. Second, the probabilistic generative modeling allows us to exploit hidden information and is well adapt to data distribution. To validate the effectiveness of the proposed method, we cooperate our discriminative extension with three generative models for image recognition task. The experimental results validate the effectiveness of our proposed approach.

• 한국정보통신학회논문지
• /
• 제19권4호
• /
• pp.819-824
• /
• 2015

SDN(Software Defined Network)기술은 네트워크 제어기능이 기존의 스위치나 라우터 등의 하드웨어와 별도로 분리되어야 하고 데이터 전달기능과도 역시 분리되어 개발 및 실행될 수 있는 네트워크 구조를 말한다. 네트워크를 계획하고 디자인할 때에는 SDN 기술을 적용하여 반영해야 자원을 효율적으로 반영할 수 있다. 본 연구에서는 일명 Applications SDN을 제안하며 이는 MPLS(Multiprotocol Label Switching) IOS의 절대적으로 필요한 부분을 코딩한 프로그램과 기존 IOS를 결합한 이점(Combined Benefits)을 통해 Controller 부분을 완성하여 적용한 모델을 제안한다. OpenFlow Controller는 LER(Label Edge Router)에 명령을 하고 라우터는 그 명령에 따라 패킷을 EXP bit에 따라 목적지로 전송한다. TCP/IP를 코딩을 통해 최적화된 IOS로 구성한다. OpenFlow 프로토콜을 이용하여 컨트롤러는 MPLS의 정의된 헤더를 패킷에 캡슐화 하여 전송한다.

• 한국통신학회논문지
• /
• 제28권12B호
• /
• pp.1081-1090
• /
• 2003

차세대 인터넷은 QoS(Quality of Service)의 보장과 초고속 전송을 특징으로 하는데 그 대표적인 구조가 DiffServ(Differentiated Service)와 MPLS(Multi-Protocol Label Switching)이다. 차세대 인터넷에서 종단간 QoS를 보장하기 위해서 DiffServ와 MPLS를 연동하기 위한 기술에 관한 연구가 필수적이고, 현재 이에 관한 연구가 활발하게 진행되고 있다. IETF(Internet Engineering Task Force)의 MPLS WG(Working Group)에서는 이를 위하여 E-LSP(EXP inferred-PSC LSPs)와 L-LSP(Label-Only-Inferred-PSC LSPs) 방안을 제안했는데, 두 가지 방법 모두 MPLS에서 DiffServ의 서비스 클래스를 지원하는데 문제점을 가지고 있다. 본 논문에서는 기존의 E-LPS를 확장하여 DiffServ의 이론적인 모든 클래스와 ECN(Explicit Congestion Notification)을 비롯한 실험적인 기능을 지원하는 확장 E-LSP를 제안한다. 제안된 확장 E-LSP를 이용한 MPLS망에서 보다 세분화된 DiffServ 클래스를 지원할 경우 서비스 품질을 시뮬레이션을 통하여 검증하였다.

• 한국컴퓨터정보학회논문지
• /
• 제27권5호
• /
• pp.77-84
• /
• 2022

본 논문에서는 새로운 비지도 특징 선별 기법을 제안한다. 기존 비지도 방식의 특징 선별 기법들은 특징을 선별하기 위해 가상의 레이블 데이터를 정하고 주어진 데이터를 이 레이블 데이터에 사영하는 회귀 분석 방식으로 특징을 선별하였다. 하지만 가상의 레이블은 데이터로부터 생성되기 때문에 사영된 공간이 비슷하게 형성될 수 있다. 따라서 기존의 방법들에서는 제한된 공간에서만 특징이 선택될 수 있었다. 이를 해소하기 위해 본 논문에서는 직교 사영과 저랭크 근사를 이용하여 특징을 선별한다. 이 문제를 해소하기 위해 가상의 레이블을 직교 사영하고 이 공간에 데이터를 사영할 수 있도록 한다. 이를 통해 더 주요한 특징 선별을 기대할 수 있다. 그리고 사영을 위한 변환 행렬에 저랭크 제한을 두어 더 효과적으로 저차원 공간의 특징을 선별할 수 있도록 한다. 이 목표를 달성하기 위해 본 논문에서는 비용 함수를 설계하고 효율적인 최적화 방법을 제안한다. 여섯 개의 데이터에 대한 실험 결과는 제안된 방법이 대부분의 경우 기존의 비지도 특징 선별 기법보다 좋은 성능을 보여주었다.

• Journal of Microbiology and Biotechnology
• /
• 제26권6호
• /
• pp.1124-1131
• /
• 2016

In this study, the global proteome of the IPEC-J2 cell line was evaluated using ultra-high performance liquid chromatography coupled to a quadrupole Q Exactive^™ Orbitrap mass spectrometer. Proteins were isolated from highly confluent IPEC-J2 cells in biological replicates and analyzed by label-free mass spectrometry prior to matching against a porcine genomic dataset. The results identified 1,517 proteins, accounting for 7.35% of all genes in the porcine genome. The highly abundant proteins detected, such as actin, annexin A2, and AHNAK nucleoprotein, are involved in structural integrity, signaling mechanisms, and cellular homeostasis. The high abundance of heat shock proteins indicated their significance in cellular defenses, barrier function, and gut homeostasis. Pathway analysis and annotation using the Kyoto Encyclopedia of Genes and Genomes database resulted in a putative protein network map of the regulation of immunological responses and structural integrity in the cell line. The comprehensive proteome analysis of IPEC-J2 cells provides fundamental insights into overall protein expression and pathway dynamics that might be useful in cell adhesion studies and immunological applications.

• International journal of advanced smart convergence
• /
• 제8권1호
• /
• pp.141-146
• /
• 2019

These days, there are many applications using neural networks as parts of their system. On the other hand, adversarial examples have become an important issue concerining the security of neural networks. A classifier in neural networks can be fooled and make it miss-classified by adversarial examples. There are many research to encounter adversarial examples by using denoising methods. Some of them using GAN (Generative Adversarial Network) in order to remove adversarial noise from input images. By producing an image from generator network that is close enough to the original clean image, the adversarial examples effects can be reduced. However, there is a chance when adversarial noise can survive the approximation process because it is not like a normal noise. In this chance, we propose a research that utilizes high-level representation in the classifier by combining GAN network with a trained U-Net network. This approach focuses on minimizing the loss function on high representation terms, in order to minimize the difference between the high representation level of the clean data and the approximated output of the noisy data in the training dataset. Furthermore, the generated output is checked whether it shows minimum error compared to true label or not. U-Net network is trained with true label to make sure the generated output gives minimum error in the end. At last, the remaining adversarial noise that still exist after low-level approximation can be removed with the U-Net, because of the minimization on high representation terms.