http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
김창호(Chang-Ho Kim),강제원(Jae-Won Kang) 한국기계가공학회 2006 한국기계가공학회 춘추계학술대회 논문집 Vol.2006 No.-
Dielectric has several functions like insulation, ionization, cooling, the removal of waste metal particles. The presence of minute metal particles(debris) in spark gap contaminates and lowers the breakdown strength of dielectric. And it is considered that too much debris in spark gap is generally believed to be the cause of arcing. This paper deals with the electrical conductivity of dielectric as a working fluid on machining characteristics of a carbon steel(SM25C) and sintered carbides cut by wire electrical discharge machining(WEDM). Experimental results show that increases of cobalt amount in carbides affects the metal removal rate and worsens the surface quality as a greater quantity of solidified metal deposits on the eroded surface. Lower electrical conductivity of the dielectric results in a lower metal removal rate because the gap between wire electrode and workpiece reduced.
이정경(Jung Kyung Lee),강제원(Jewon Kang) 한국방송·미디어공학회 2018 한국방송공학회 학술발표대회 논문집 Vol.2018 No.6
본 논문에서는 비디오 부호화 과정 중 화면 간 예측 부호화 과정에 딥러닝을 적용하여 부호화 효율을 제고하는 알고리즘을 제안한다. 보다 구체적으로 딥러닝으로 생성한 가상의 픽쳐를 현재 프레임의 참조 픽쳐로 사용하는 방법에 대해 설명한다. 부호화 과정에서 복원된 픽쳐 두 장을 이용하여 가상의 보간 픽쳐를 생성하고 생성된 보간 픽쳐를 참조 프레임으로 사용하여 화면 간 예측의 효율을 높인다. 실험에 따르면 참조 픽쳐 리스트를 수정하여 참조 구조를 변경함으로써 HEVC 참조 코덱인 HM 16.9 대비 평균 1.4%의 BD-rate 감소 효율을 제공하였다.
딥러닝 기반 비디오 보간법의 패치 단위 학습과 고해상도 비디오를 이용한 비교 분석 실험
김나영(Nayoung Kim),강제원(Je-Won Kang) 한국방송·미디어공학회 2018 한국방송공학회 학술발표대회 논문집 Vol.2018 No.6
본 논문에서는 딥러닝을 활용한 비디오 보간법 (video interpolation)에 대한 최근 모델들을 HD 급 비디오로 학습시키는 방법과 평가 성능을 비교 분석하는 것을 목표로 한다. 기존의 딥러닝을 활용한 비디오 보간법에 대해 제안된 모델들은 낮은 해상도의 비디오로 실험을 진행하였다. 반면 본 연구에서는 한정된 메모리를 가지고도 높은 해상도의 비디오를 학습시키기 위해서 패치 단위 데이터 셋을 구성하여 학습을 진행하였다. 평가 성능을 보이기 위해서 학습 데이터와 마찬가지로 패치 단위 평가와 전체 프레임 단위 평가 성능의 결과를 비교한다.
CNN 을 이용한 전방위 비디오 합성 시점의 화질 개선 알고리즘
박현수(Hyeonsu Park),강제원(Je-Won Kang) 한국방송·미디어공학회 2019 한국방송공학회 학술발표대회 논문집 Vol.2019 No.6
본 논문은 최근 MPEG-I 에서 논의되고 있는 전방위 6 자유도 영상의 가상시점 합성의 기존 공개 소프트웨어의 문제점 해결방안을 제안한다. 참조시점을 사용하여 합성된 가상시점의 영상을 대상으로 묶음 조정(bundle adjustment) 개념의 딥 러닝을 적용하여 영상 간 시공간적 품질 차이를 낮춘다. 실험에 따르면 중간시점 영상 합성 후 같은 시간적 특성을 같은 묶음을 MF-CNN (Multi-Frame Convolutional Neural Networks)에 적용함으로써 단순 VVS2.0 의 합성 결과 대비 평균 공간적으로 0.34dB, 시간적으로 0.81dB 의 성능 향상을 제공하였다.