http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 권경주(Gyeong Ju Kwon) (검색결과 2 건)
- 무료
- 기관 내 무료
- 유료
-
간호대학생의 자기효능감, 회복 탄력성 및 셀프리더십이 주관적 행복감에 미치는 영향
이진숙(Jin-Sook Lee),권려원(Ryeo-Won Kwon),이연규(Yeon-Kyu Lee),홍경주(Gyeong-Ju Hong) 대구과학대학교 국방안보연구소 2020 사회융합연구 Vol.4 No.4
본 연구는 간호대학생이 인식하는 주관적 행복감에 영향을 미치는 요인을 파악하기 위한 서술적 조사연구이다. 연구대상은 G시에 소재의 4년제 간호학과에 재학중인 2-4학년 간호대학생 227명을 대상으로 2020년 5월 1일부터 6월 30일까지 주관적 행복감, 자기효능감, 회복 탄력성, 셀프리더십 도구를 이용하여 설문조사를 실시하였다. 수집된 자료는 SPSS/WIN 23.0을 이용하여 서술적 통계, independent t-test, one-way ANOVA, Pearson’s correlation coefficients과 stepwise multiple regression으로 분석하였다. 간호대학생이 인식하는 주관적 행복감은 7점 척도에 5.24±1.00점이었으며, 일반적 특성에 따른 주관적 행복감은 주관적 건강상태(F=15.07, p<.001), 학과 지원동기(F=3.00, p=.012), 성격(F=15.02, p<.001), 친구 관계(t=6.56, p<.001), 가족 구성원과의 관계(t=4.38, p<.001)에 따라서 유의한 차이를 보였다. 간호대학생의 회복 탄력성(t=4.68, p<.001), 친구관계(t=4.52, p<.001), 자기효능감(t=2.95, p=.004), 주관적 건강상태(t=2.72, p=.007), 학과 지원동기(t=-2.29, p=.023)는 주관적 행복감에 영향을 미치는 요인으로 나타났으며 회귀모형의 44.7%(F=31.427, p<.001)를 설명하였다. 본 연구를 바탕으로 간호대학생이 인식하는 주관적 행복감 증진을 위한 방안 및 프로그램 개발의 기초자료를 제공할 수 있을 것으로 생각된다. This descriptive study investigated the factors influencing on subjective happiness of nursing students. The participants were 227 nursing students in grades 2 to 4 in G city from May 1, 2020 to June 30, 2020. The data was collected using self-report questionnaires that contained items on subjective happiness, Self-Efficacy, Resilience, Self-Leadership scale. The data was analyzed using descriptive statistics, Pearson s correlation coefficients and stepwise multiple regression analysis with the SPSS/WIN 23.0 program. The subjective happiness of the subjects averaged 5.24±1.00 on the 7-point scale, and the subjective happiness according to the general characteristics of the subjects showed a significant difference in Subjective health status (F=15.07, p<.001), motivation for Entering college (F=3.00, p=.012), personality (F=15.02, p<.001), friendship (t=6.56, p<. 001), relationship with family members (t=4.38, p<.001). The most influential factors on the subjects subjective happiness were Resilience (t=4.68, p<.001), friendship (t=4.52, p<.001), self-efficacy (t=2.95, p=.004), subjective health status (t=2.72, p=. 007), motivation for Entering college (t=-2.29, p=.023), and the explanatory power of the model was 44.7% (F=31.427, p<.001). The results of this study may provide a foundation to development of plans and an efficient intervention program to improve the happiness of nursing students.
-
그래프 트랜스포머 기반 농가 사과 품질 이미지의 그래프 표현 학습 연구
배지훈(Ji-Hoon Bae),김진영(JinYoung Kim),이주환(Ju‑Hwan Lee),유광현(Gwang-Hyun Yu),권경주(Gyeong Ju Kwon) 한국스마트미디어학회 2023 스마트미디어저널 Vol.12 No.1
최근 농가의 사과 품질 선별 작업에서 인적자원의 한계를 극복하기 위해 합성곱 신경망(CNN) 기반 시스템이 개발되고 있다. 그러나 합성곱 신경망은 동일한 크기의 이미지만을 입력받기 때문에 샘플링 등의 전처리 과정이 요구될 수 있으며, 과도 샘플링의 경우 화질 저하, 블러링 등 원본 이미지의 정보손실 문제가 발생한다. 본 논문에서는 위 문제를 최소화하기 위하여, 원본 이미지의 패치 기반 그래프를 생성하고 그래프 트랜스포머 모델의 랜덤워크 기반 위치 인코딩 방법을 제안한다. 위 방법은 랜덤워크 알고리즘 기반 위치정보가 없는 패치들의 위치 임베딩 정보를 지속적으로 학습하고, 기존 그래프 트랜스포머의 자가 주의집중 기법을 통해 유익한 노드정보들을 집계함으로써 최적의 그래프 구조를 찾는다. 따라서 무작위 노드 순서의 새로운 그래프 구조와 이미지의 객체 위치에 따른 임의의 그래프 구조에서도 강건한 성질을 가지며, 좋은 성능을 보여준다. 5가지 사과 품질 데이터셋으로 실험하였을 때, 다른 GNN 모델보다 최소 1.3%에서 최대 4.7%의 학습 정확도가 높았으며, ResNet18 모델의 23.52M보다 약 15% 적은 3.59M의 파라미터 수를 보유하여 연산량 절감에 따른 빠른 추론 속도를 보이며 그 효과를 증명한다. Recently, a convolutional neural network (CNN) based system is being developed to overcome the limitations of human resources in the apple quality classification of farmhouse. However, since convolutional neural networks receive only images of the same size, preprocessing such as sampling may be required, and in the case of oversampling, information loss of the original image such as image quality degradation and blurring occurs. In this paper, in order to minimize the above problem, to generate a image patch based graph of an original image and propose a random walk-based positional encoding method to apply the graph transformer model. The above method continuously learns the position embedding information of patches which don`t have a positional information based on the random walk algorithm, and finds the optimal graph structure by aggregating useful node information through the self-attention technique of graph transformer model. Therefore, it is robust and shows good performance even in a new graph structure of random node order and an arbitrary graph structure according to the location of an object in an image. As a result, when experimented with 5 apple quality datasets, the learning accuracy was higher than other GNN models by a minimum of 1.3% to a maximum of 4.7%, and the number of parameters was 3.59M, which was about 15% less than the 23.52M of the ResNet18 model. Therefore, it shows fast reasoning speed according to the reduction of the amount of computation and proves the effect.
ScienceON연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
