http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
이지원 ( Jiwon Lee ),남도원 ( Dowon Nam ),이정수 ( Jeongsoo Lee ),문성원 ( Sungwon Moon ),김경일 ( Kyungill Kim ),김호원 ( Howon Kim ) 한국정보처리학회 2016 한국정보처리학회 학술대회논문집 Vol.23 No.2
최근 스포츠 과학과 ICT 기술을 접목하여 스포츠 활동을 분석하고자 하는 시도가 증가하고 있다. 이런 양상은 축구 경기에 대한 분석에서도 나타나고 있으며, 그 목적에 따라 다양한 방법으로 분석을 시도한 사례를 쉽게 발견할 수 있다. 하지만, 현재까지 제시된 시스템들은 높은 수준의 경기 내용 분석을 제공하려는 시도를 보이지 않고 있다. 본 논문은 통계 분석 위주의 현재 축구 분석 시스템의 한계에 대해 논한 후 이를 내용 이해 기반으로 끌어올리기 위한 시스템의 구성 방법에 대한 구체적인 안을 제시하였다. 제안하는 시스템의 개발을 통하여 새로운 양상의 서비스와 산업·생태 계 측면의 긍정적 변화를 기대할 수 있다.
영상 기반 군함 함종/함급 식별 시스템 구성에 관한 연구
이지원(Jiwon Lee),남도원(Dowon Nam),유원영(Wonyoung Yoo) 한국정보통신학회 2019 한국정보통신학회 종합학술대회 논문집 Vol.23 No.2
운행 중인 선박이나 해안 초소, 관제 센터 등에서는 교통 통제나 전시 상황 등 여러 가지 목적을 위해 주변 선박의 정보 및 위치, 속도 등의 확인이 필요하다. 주변 선박에 대한 정확한 정보가 중요한 국방 분야에서는 레이더를 사용하여 주변 선박에 대한 위치 정보를 획득하고 있으나, 전시에는 상대방의 위치 뿐만 아니라 그 중 고가치 표적의 선별이 더욱 중요하고 우선되어야 하며, 이를 위한 영상 기반 군함 함종/함급 식별 기술이 필요하다. 본 논문은 입력된 해상 영상에 기반하여 선박의 선종을 인식하고, 인식된 선종이 군함인 경우 해당 군함의 구조 분석을 통해 함종/함급 수준의 상세 식별을 지원하는 시스템을 구성하는 방법에 대한 구체적인 안을 제시한다. 제안하는 시스템의 개발을 통해 신뢰성있는 군함 식별 정보를 국방 분야의 전술적 응용에 사용함으로써 국방력 강화에 기여할 수 있다. Ships, coastal posts, and control centers need to verify the information, location, and speed of nearby vessels for various purposes, such as traffic control or maritime warfare. In the field of defense where accurate information on nearby ships is important, radar is used to acquire location information on nearby ships. However, the selection of the opponent"s position as well as the high-value units must be more important and prioritized, and image-based warship type/class identification techniques are required in naval warfare. This paper presents a detailed method for system construction that supports detailed identification of warship type/class through structural analysis. Through the development of the proposed system, reliable warship identification can be used for tactical applications in the defense field, thereby contributing to the enhancement of defense capabilities.
생성 AI 모델을 위한 텍스트 프롬프트 추정 기반 한국화 재생성에 대한 연구
문성원 ( Sung-won Moon ),이지원 ( Jiwon Lee ),남도원 ( Dowon Nam ) 한국정보처리학회 2023 한국정보처리학회 학술대회논문집 Vol.30 No.2
스테이블 디퓨전(Stable diffusion)과 같은 텍스트 프롬프트 입력 기반 이미지 생성 AI 기술의 발전으로 원하는 형태의 고품질 이미지를 누구나 손쉽게 생성가능할 것으로 기대하였으나 대부분의 경우 원하는 이미지를 얻기 위해서는 텍스트 프롬프트를 정교하게 조정해가며 많은 실패를 겪어야만 한다. 이러한 한계를 극복하기 위해 클립 인터로게이터(CLIP Interrogator)와 같은 유사 이미지를 재생성하기 위한 텍스트 프롬프트 추정 기술이 개발되었으며 몇몇 이미지에 대해 뛰어난 결과를 보였다. 본 논문에서는 이러한 텍스트 프롬프트 추정 기술의 활용이 한국화를 재생성할 수 있는지 실험을 통해 가능성을 확인하고 향후 한국화 재생성을 위한 연구 방향을 제안하고자 한다.
문성원 ( Sungwon Moon ),이지원 ( Jiwon Lee ),남도원 ( Dowon Nam ),김호원 ( Howon Kim ),김원준 ( Wonjun Kim ) 한국정보처리학회 2016 한국정보처리학회 학술대회논문집 Vol.23 No.2
기계학습 기술의 발전으로 인해 다양한 분야에서 객체를 자동으로 인식하고 그 행동을 분석하는 연구의 필요성이 대두되고 있으며,이는 스포츠 분야도 마찬가지이다. 현재 스포츠 경기내의 다중객체를 검출하고 추적하는 시스템은 정확성이 높지 않아 대부분의 서비스가 숙련된 오퍼레이터의 수작업에 의존하고 있어 객체의 위치를 검출하고 이를 실시간으로 정확하게 추적할 수 있는 기술의 개발이 필요하다. 본 논문에서는 기존 알고리즘을 다중객체 추적에 적합하도록 구현하고 성능을 비교한 결과를 제시하여 스포츠 경기 내의 다중객체 추적에 적합한 알고리즘을 제안하고자 한다.
적대적 생성 신경망기반 데이터 증강을 통한 해상객체 식별 성능향상에 대한 연구
문성원(SungWon Moon),이지원(Jiwon Lee),오아름(Ahreum Oh),남도원(Dowon Nam),유원영(Wonyoung Yoo) 대한전자공학회 2021 대한전자공학회 학술대회 Vol.2021 No.6
With the advancement of generative adversarial networks(GAN), it has become possible to successfully create images of various classes[1]. In this situation, through various studies, methods of using the image generated by GAN as a meaningful result have been proposed. In some fields, there are cases in which the classification performance has been successfully improved by using augmented data through GAN, but research on maritime images is relatively insufficient. In this paper, we intend to show through an experiment that the performance of marine object identification can be improved by enhancing data through GAN.
군함 영상의 의미론적 분할을 위한 도메인 적응 및 엔트로피 기반 자가학습 기법
박진영(Jinyoung Park),양승한(Seunghan Yang),김윤형(Yoonhyung Kim),남도원(Dowon Nam),김창익(Changick Kim) 대한전자공학회 2020 대한전자공학회 학술대회 Vol.2020 No.11
Learning semantic segmentation networks for naval ship images requires a large amount of images and corresponding pixel-wise annotations. However, it is difficult to collect lots of real naval ship images, also it takes a lot of time to annotate their labels. In this paper, we propose a self-training-based semi-supervised domain adaptation scheme that utilizes i) synthesized naval ship images and their labels, ii) unlabeled real naval ship images, and iii) a small number of labeled naval ship images. Experiment results show that the proposed method achieves competitive performance on semantic segmentation for real – domain naval ship images.