http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Message Queueing Telemetry Transport을 통한 실시간 다중제어 IoT 플랫폼 시스템 설계
신현준(Sin Hyeon-Jun),양종섭(Yang Jong-Seop),박한준(Park Han-Jun),신민철(Sin Min-Cheol),김윤호(Kim Yoon-Ho) 한국정보기술학회 2018 Proceedings of KIIT Conference Vol.2018 No.11
본 논문에서는 저전력/경량화 프로토콜인 MQTT를 이용하여 제한된 자원 환경에서 다양한 기기, 센서들이 상호작용 하면서 소비자의 요구까지 해결할 수 있는 실시간 다중제어 IoT 플랫폼 시스템을 제안하였다.
신현준(Hyeon-Jun Sin),양종섭(Jong-Seop Yang),고재일(Jae-il Ko),신민철(Min-Cheol Shin),성경(Sung Kyung) 한국정보기술학회 2019 Proceedings of KIIT Conference Vol.2019 No.6
전체 사업체의 수는 꾸준히 증가하는 추세지만, 외식업 경기지수의 미래예측 증가량에 비해 실제 증가량은 절반 이하 수준으로 외식업계 경기 침체 현상의 개선 여지가 보이지 않는다. 서비스 경제화가 고도화되고 경쟁이 심화됨에 따라 서비스 품질 향상의 결과에 대해 기업과 학계의 관심이 고조되고 있다. 물리적 서비스 품질의 향상은 고객만족으로 이어져 고객의 재방문율 증가로 이는 매장의 매출 향상과 이익 증대로 이어질 것으로 보고 있다. 본 연구의 목적은 매장에서의 서비스 품질의 향상이 매출에 어떠한 영향을 주는지를 규명하며, 서비스 품질을 높이기 위한 시스템을 제안한다.
EDGE AI 기반의 멀티플렉싱을 활용한 다중 카메라 스트림 골격 추정 시스템
송근호(Geun-Ho Song),이주영(Ju-Young Lee),양종섭(Jong-Seop Yang),정회경(Hoe-Kyung Jung) 한국콘텐츠학회 2023 한국콘텐츠학회논문지 Vol.23 No.12
이미지 멀티플렉싱이란 여러대의 카메라에서 취득한 여러장의 이미지들을 하나의 이미지로 만들기 위한 기법이다. 본 논문에서는 여러장의 이미지들을 다운사이징한 후 멀티플렉싱하여, 하나의 GPU 모델로 여러 장의 이미지를 동시에 골격 포즈를 추론하는 시스템을 구현하였다. 4장 이상의 이미지를 동시에 무리없이 처리하기 위해서 이미지를 가로, 세로를 각각 1/2 비율로 다운사이징한 후 멀티플렉싱하여 1장의 이미지로 생성하고 Yolov8-pose 모델을 사용하여 골격을 추론하였다. 실험 시 이미지 4개 추론 총 소요시간의 약 1/4 정도인 결과를 얻었으며, 골격 추론 성능도 단일 이미지 추론과 비슷한 퍼포먼스를 확인하였다. 이에 본 논문은 골격 추론뿐만 아니라 다수의 카메라로부터 수집되는 영상을 동시에 병렬로 처리하는 것을 필요로 하는 곳에 최소한의 연산 장치와 빠른 런타임으로 효과적인 솔루션을 제공한다. Image multiplexing is a technique for creating one image from multiple images acquired from multiple cameras. In this paper, we implemented a system that infers skeletal poses from multiple images simultaneously using a single GPU model by downsizing and multiplexing multiple images. In order to process four or more images simultaneously without difficulty, the images were downsized horizontally and vertically by 1/2, then multiplexed to create one image, and the skeleton was inferred using the Yolov8-pose model. During the experiment, the result was about 1/4 of the total time required for inference for 4 images, and skeletal inference performance was also confirmed to have similar performance to single image inference. Accordingly, this paper provides an effective solution with a minimum number of computing devices and a fast runtime for areas that require not only skeletal inference but also parallel processing of images collected from multiple cameras.
신상은(Sang-Eun Shin),강호석(Ho-Seok Kang),양종섭(Jong-Seop Yang),송근호(Geun-Ho Song),정회경(Hoe-Kyung Jung) 한국콘텐츠학회 2023 한국콘텐츠학회논문지 Vol.23 No.12
본 논문에서는 딥러닝을 기반으로 한 실시간 상품 인식 및 진열 상황 추정 기술을 이용하여 상품의 진열 상태를 실시간으로 감지하고 플래노그램을 준수하도록 관리하는 매장관리시스템을 개발하였다. 이를 위해 매장 진열대 이미지를 입력받아 SKU110K data set으로 훈련된 YOLOv8 딥러닝 모델을 사용하여 각 상품을 지역화하고, ResNet-50 모델을 미세 조정(fine-tuning)한 임베더(embedder)로 이미지 특징 벡터(image feature vector)를 생성하여 미리 등록된 참조 이미지 특징 벡터와 비교하여 상품을 식별하고 분류한다. 플래노그램 준수 제어 알고리즘은 수정된 Needleman-Wunsch(NW) 알고리즘의 시퀀스 정렬을 통해 생성된 플래노그램 준수 상태를 실제 매장 상황에서 활용할 수 있도록 보완하였다. 기존에는 정확한 일치 항목(MT), 올바른 위치에 빠진 항목(MI), 올바른 위치에 추가된 항목(ME), 추가 또는 잘못 배치된 항목 또는 빈 공간(NM)의 4가지 상태로 판단하여 오류가 많았다. 이에 본 논문에서는 NM을 추가, 삭제, 위치 변경, 떨어진 배치, 자리 밀림 등 5가지로 세분화하여 전체 8가지 상태로 확장하고, 여러 가지 특징적인 케이스를 처리할 수 있는 알고리즘을 제시한다. In this paper, we developed a store management system that detects the display status of products in real time and manages them to comply with the plan-o-gram using real-time product recognition and display status estimation technology based on deep learning. To achieve this, we input store shelf images, localize each product using the YOLOv8 deep learning model trained with the SKU110K data set, and generate an image feature vector using an em-bedder that fine-tunes the ResNet-50 model, combining the pre-registered reference image feature vector and Compare and identify and classify products. The plan-o-gram compliance control algorithm has been supplemented so that the plan-o-gram compliance status generated through sequence alignment of the modified Needleman-Wunsch(NW) algorithm can be utilized in actual store situations. Previously, there were many errors by judging the four states: exact match(MT), missing item(MI), added item in the correct position(ME), and added or misplaced item or empty space(NM). Accordingly, in this paper, we subdivide NM into 5 states (addition, deletion, location change, remote placement, and position shift), expand it to a total of 8 states, and present an algorithm that can handle various characteristic cases.