http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
장소를 나타내는 영어 전치사 "in, at, on"과 대응하는 한국어 형태 대조 연구 -영어 연설문을 중심으로-
강찬미 ( Chan Mi Kang ),한승규 ( Seung Kyu Han ) 연세대학교 언어정보연구원(구 연세대학교 언어정보개발원) 2013 언어사실과 관점 Vol.32 No.-
From the point of view of language typology, Korean and English are different grammatically. Prepositions in English and forms in Korean, which have functions as postpositions, have similar fuctions in sentences. This study researches prepositions in english and forms responding to them in Korean by carrying out contrastive analysis of a parallel corpus. The parallel corpus is composed of English speeches and Korean translations. Locative prepositional phrases appear with propositions like in, at, on. Specifically, they imply whereabouts, places of an act, objective places, destinational places, abuted places, places of origin, ranges of the area. According to the corresponding forms, prepositional phrases show different meanings. This contrastive analysis can be applied to comparing two structurally different languages.
이순탁,김종성,강찬미,백중환,Lee Soon-Tak,Kim Jong-Sung,Kang Chan-Mi,Baek Joong-Hwan 한국융합신호처리학회 2005 융합신호처리학회 논문지 (JISPS) Vol.6 No.4
본 논문에서는 인물 기반의 비디오 요약 방법으로써 비디오 내 음성정보를 이용하여 화자 인식 기법을 통한 등장인물 중심의 요약 기법을 제안한다. 먼저, 얼굴 영역을 포함하는 장면을 중심으로 비디오로부터 배우의 대사에 해당하는 음성 정보를 분리하고, 화자 인식 기법을 수행하여 등장인물 별로 분류하였다. 화자인식 기법은 각 화자별로 MFCC(Mel Frequency Cepstrum Coefficient) 값을 추출하고 GMM(Gaussian Mixture Model)을 이용하여 분류한다. 본 논문에서는 4명의 등장인물에 대해 GMM을 학습시키고 4명 중 1명을 검출하는 실험을 통해 학습된 GMM 분류기가 실험 비디오에 대해 0.138 정도의 오분류율을 보임을 확인하였다. In this paper, we propose a character-based summarization algorithm using speaker identification method from the dialog in video. First, we extract the dialog of shots containing characters' face and then, classify the scene according to actor/actress by performing speaker identification. The classifier is based on the GMM(Gaussian Mixture Model) using the 24 values of MFCC(Mel Frequency Cepstrum Coefficient). GMM is trained to recognize one actor/actress among four who are all trained by GMM. Our experiment result shows that GMM classifier obtains the error rate of 0.138 from our video data.
MPEG 스트림에서의 비디오 및 오디오 정보를 이용한 신 경계 검출 방법
김재홍(Kim Jae Hong),강찬미(Kang Chan Mi),낭종호(Nang Jong Ho),김경수(Kim Kyong Soo),하명환(Ha Myung Hwan),정경희(Jeong Kyung Hee) 한국정보과학회 2001 한국정보과학회 학술발표논문집 Vol.28 No.1B
본 논문에서는 MPEG 형식으로 압축된 동영상 데이터에 대하여 비디오 및 오디오 정보를 모두 이용하는 새로운 신 경계 검출방법을 제안하고 여러 실험을 통해서 그 유용성을 증명한다. 즉, 본 논문에서는 DC이미지 형태의 대표 프레임을 바탕으로 한 비디오 기잔 신 경계 검출방법[8]과 dB값을 이용한 오디오 기반 신 경계 검출방법[9]을 결합하는 방법을 제안한다. 제안한 방법에서는 두 방법에서 모두 신으로 검출한 경계에 대하여서는 신으로 인정하고, 검출된 결과가 다를 경우에 대하여서는 각각의 경계 데이터를 좀 더 자세히 분석하여 신 경계를 검출하도록 한다. 비디오 기반 신 경계 검출방법에서만 검출된 신 경계에 대해서는 그 경계 데이터에 대해서 dB값의 차이를 해당 시간범위 내에서 다시 비교하여 신 경계 여부를 판단하고, 오디오 기반 신 경계 검출방법에서만 검출된 신 경계에 대해서는 그 경계 데이터에 대해서 샷의 유사도를 샷의 개수에 관계없이 시간의 임계치만 고려해서 비교한 다음 신 경계 여부를 판단하게 된다. 이러한 방법으로 신 경계를 검출한 결과를 살펴보면 Precision측면에서는 최고24%까지, Recall측면에서는 최고 25%까지 효율을 높이고 있음을 알 수 있다. 이러한 알고리즘은 기존의 신 경계 검출 방법보다 높은 효율을 제공하여 비디오 데이터를 사용하는 여러 응용분야에서의 프로그램 개발에 이용될 수 있을 것이다.