http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Patchmatch-Based Robust Stereo Matching Under Radiometric Changes
Lim, Jaeseung,Lee, Sankeun IEEE 2019 IEEE transactions on pattern analysis and machine Vol.41 No.5
<P>In the real world, the two challenges of stereo vision system include a robust system under various radiometric changes and real-time process. To extract depth information from stereoscopic images, this paper proposes Patchmatch-based robust and fast stereo matching under radiometric changes. For this, a cost function was designed and minimized for estimating an accurate disparity map. Specifically, we used a prior probability to minimize the occlusion region and a smoothness term that considers convexity of objects to extract a fine disparity map. For evaluating the performance of the proposed scheme, we used Middlebury stereo data sets with radiometric changes. The experimental result showed that the proposed method outperforms state-of-the-art methods by up to 3.35 percent better and a range of 4.71 - 27.24 times faster result in terms of bad pixel error and processing time, respectively. Therefore, we believe that the proposed scheme can be a useful tool for computer vision-based applications.</P>
효과적인 딥러닝 기반 비프로파일링 부채널 분석 모델 설계방안
한재승(JaeSeung Han),심보연(Bo-Yeon Sim),임한섭(Han-Seop Lim),김주환(Ju-Hwan Kim),한동국(Dong-Guk Han) 한국정보보호학회 2020 정보보호학회논문지 Vol.30 No.6
최근 딥러닝 기반 비프로파일링 부채널 분석이 제안됐다. 딥러닝 기반 비프로파일링 분석은 신경망 모델을 모든 추측키에 대해 학습시킨 뒤, 학습된 정도의 차이를 통해 올바른 비밀키를 찾아내는 기법이다. 이때, 신경망 학습모델 설계에 따라 비프로파일링 분석성능이 크게 달라지기 때문에 올바른 모델 설계의 기준이 필요하다. 본 논문은 학습모델 설계에 사용 가능한 2가지 loss 함수와 8가지 label 기법을 설명하고, 비프로파일링 분석과 소비전력모델 관점에서 각 label 기법의 분석성능을 예측했다. 해밍웨이트 소비전력모델을 가정했을 때의 비프로파일링 분석 특징을 고려해서 One-hot인코딩을 적용하지 않은 HW(Hamming Weight) label과 CO(Correlation Optimization) loss를 적용한 학습모델이 가장 좋은 분석성능을 가질 것으로 예측했다. 그리고 AES-128 1라운드 Subbytes 연산 부분 데이터 집합 3가지에 대해 실제 분석을 수행했다. 제시한 각 label 기법과 loss 함수를 적용한 총 16가지 MLP(Multi-Layer Perceptron)기반 학습모델로 두 데이터 집합을 비프로파일링 분석하여 예측에 대해 검증했다. Recently, a deep learning-based non-profiling side-channel analysis was proposed. The deep learning-based non-profiling analysis is a technique that trains a neural network model for all guessed keys and then finds the correct secret key through the difference in the training metrics. As the performance of non-profiling analysis varies greatly depending on the neural network training model design, a correct model design criterion is required. This paper describes the two types of loss functions and eight labeling methods used in the training model design. It predicts the analysis performance of each labeling method in terms of non-profiling analysis and power consumption model. Considering the characteristics of non-profiling analysis and the HW (Hamming Weight) power consumption model is assumed, we predict that the learning model applying the HW label without One-hot encoding and the Correlation Optimization (CO) loss will have the best analysis performance. And we performed actual analysis on three data sets that are Subbytes operation part of AES-128 1 round. We verified our prediction by non-profiling analyzing two data sets with a total 16 of MLP-based model, which we describe.
근적외선 분광분석을 이용한 사과 당도 예측 PLS 모델의 최소 표본 규모 설정에 관한 연구
심재승 ( Jaeseung Shim ),김밝금 ( Balgeum Kim ),임종국 ( Jongguk Lim ),이아영 ( Ahyeong Lee ) 한국농업기계학회 2021 한국농업기계학회 학술발표논문집 Vol.26 No.1
근적외선(NIR) 분광분석은 과일의 당도를 비파괴적으로 측정하는 방식으로 오랜 기간 실무에서 활용되고 있다. NIR을 이용한 과일 당도 예측 모델개발에는 과일의 근적외선 스펙트럼 데이터와 실측 당도(Brix)가 활용되며 이 과정에서 적지 않은 과일이 소모된다. 하지만 모델 개발에 필요한 과일의 최소 규모에 대해서는 이론적으로 명확히 밝혀진 바는 없다. 이에 본 연구에서는 일정 수준(RMSEP 0.5이하)의 NIR 과일 당도 예측 모델 구축에 필요한 최소 과일(표본) 소모량을 확인하고 표본 규모에 따라 달라지는 성능의 변화를 살펴보고자 했다. 실험에는 청송, 장수, 당진 지역 후지 사과의 NIR 스펙트럼 데이터와 실측 당도가 활용되었으며, 표본 규모별 교정모델들이 지역별로 각각 구축되었다. 모델 구축 과정에서 SNV전처리, PLS모델, 5겹 교차검증, 격자탐색이 활용되었으며, 미리 할당된 테스트 데이터로 교정모델의 성능을 검증하며 RMSEP 0.5이하의 성능에 도달하기까지 필요한 표본의 최소 수량을 탐색하였다. 그 결과 청송 지역은 103개, 당진 지역은 95개, 장수지역은 60개이상의 표본을 구축할 경우 일정 수준의 예측 성능이 확보되는 것으로 확인되었으며, 지역을 통합하여 모델을 개발할 경우 최소 213개의 표본이 필요함을 확인하였다. 또한 데이터 증가에 따른 예측 성능의 개선은 표본 규모 약 100개 미만일 때 급격하게 증가하고 이후로는 서서히 증가폭이 둔화됨을 확인하였다. 이번 연구는 당도 예측 모델 구축용 과일의 최소 소모량과 표본 규모에 따른 모델의 예측 성능 수준을 여러 지역의 사례로 산출해냈다는 점에서 의의가 있다. 향후 지역별 표본 규모의 차이를 발생하는 외란 요소의 탐색과 통제 방법에 관한 연구를 수행하여 교정모델 구축 효율화 수준을 한 층 높이는 기반 정보로 활용할 수 있을 것이라 기대된다.
김밝금 ( Balgeum Kim ),심재승 ( Jaeseung Sim ),이아영 ( Ahyeong Lee ),임종국 ( Jongguk Lim ) 한국농업기계학회 2021 한국농업기계학회 학술발표논문집 Vol.26 No.1
최근 ‘당도’가 높은 프리미엄 과일의 수요가 많아지는 추세에 따라 유통 과정에서 비파괴 당도 선별기를 활용한 과일 당도 선별이 더욱 중요해지고 있다. 현재 국내 유통 현장에서 사용하는 비파괴 당도 선별기는 빠르고 간편하게 과일 당도를 선별할 수 있다는 장점이 있다. 하지만 선별기 관리 측면에서 매 수확기에 해당 지역의 당해 수확 과일로 학습 모델을 구축하지 않으면 당도 예측 성능을 보장할 수 없다는 단점이 있다. 이러한 문제를 일으키는 데에는 다양한 원인이 있지만, 동일 품종의 과일이라도 재배지의 차이에 따라 당도 예측을 위한 학습 과정에서 이질성을 보일 수 있다는 의견이 있다. 본 연구에서는 지도학습 모델링 관점에서 과일 표본(후지 사과)의 재배지(당진, 청송, 장수)에 따른 차이를 확인하고 이를 극복하는 방안을 모색하고자 하였다. 470~1,150 nm의 파장 대역을 가지는 비파괴 당도 선별 시스템을 이용해 사과 당도 스펙트럼을 획득하였으며, 실측한 당도 값의 평균은 당진, 청송, 장수 각각 15.5, 13.5, 12.6이었다. 지역별 학습 모델을 구축하여 동일 지역과 타 지역 사과의 당도를 예측하고 그 수준을 비교한 결과, 1derivative-PLS 모델에서 동일 지역을 예측할 때에 비해(평균 R2=0.821, 평균 RMSEP=0.499) 타 지역을 예측할 경우(평균 R2=0.625, 평균 RMSEP=0.681) 전반적으로 예측 성능이 저하 되었다. 이를 통해 표본의 재배지가 달라지면 동일한 품종과 실험 환경이더라도 검량선의 차이가 발생함을 확인하였다. 그러나 전처리를 적용함에 따른 성능 개선을 확인하였으며, 한 지역의 학습 모델을 활용해 타 지역의 당도를 예측한 결과와 실제 당도 값이 피어슨 상관관계 0.7이상으로 높은 상관관계를 보임을 알 수 있었다. 향후 다양한 전처리 조합과 개선된 모델 구축을 통해 타 지역 표본도 함께 고려하여 당도 예측 모델 구축을 위한 비파괴 당도 선별에 발생 되는 시료의 소비를 줄이는 방안을 고안해 낼 수 있을 것이라 기대된다.