http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
고석주 ( Ko Seokju ) 한국문법교육학회 2021 문법 교육 Vol.42 No.-
This article describes the contents of 「Cho-deung-gug-eo-eo-jeon」, the first approved grammar textbook written by Hee-Sang Kim, who had been educated in Chinese and English for a long time, with the stimulation of English grammar. The first edition was published in 1909, and a revised edition was published in 1910. This article compares and reviews editions, focusing on 「(Revised) Cho-deung-gug-eo-eo-jeon (Vol. 1, Vol. 2, Vol. 3)」, which was published by Yuil Seogwan on February 8, 1910, stored in Sejong University Academic Information Service. It was confirmed that there is no change in the contents of the first edition and the revised version of Vol. 2, which is currently comparable, but only changes in spelling and examples. Three versions of Vol. 1 is compared and reviewed, and confirmed the possibility that there could be more than two edition. In Vol. 3, the contents of which were first introduced through this article, it is reviewed that most of the contents in 「Joseon Eojeon」 and 「Uligultul」 were presented at the elementary education level, and the content on writing is also presented for elementary education.
비디오 감시 카메라 내 사물 추적을 통한 골목길 교차로 사고 예방 시스템
김형진 ( Hyungjin Kim ),김준영 ( Juneyoung Kim ),박주홍 ( Juhong Park ),심재욱 ( Jaeuk Shim ),고석주 ( Seokju Ko ),김정석 ( Jeongseok Kim ) 한국정보처리학회 2020 한국정보처리학회 학술대회논문집 Vol.27 No.1
길이 좁고 차도와 인도의 구분이 없는 골목길의 특성상 사각지대가 많고 보행자의 동선을 예측하기 힘들어 교통사고가 많이 발생하고 있다. 따라서 본 논문에서는 AI 를 활용, 영상 내 사물을 추적하여 골목길에서의 사고를 예방하는 시스템을 제안한다. 해당 시스템은 Object - Detection & Tracking 을 사용하여 보행자 및 차량을 식별ㆍ추적하여 두 개 이상의 사물이 동시에 교차로에 접근 시 사고 예방 알람을 발생시킨다. 이 시스템을 전국에 설치되어 있는 CCTV 에 활용하면 추가적인 비용과 설치 시간에 제한받지 않고 전국적으로 응용할 수 있을 것으로 기대된다.
SIR 모형과 LSTM 기반의 COVID-19 확진자 예측 비교 및 분석
김진오(Jino Kim),김지수(Jisu Kim),김희원(Heewon Kim),박효상(Hyosang Park),김지혜(Jihye Kim),옥혜원(Hyewon Ok),문혜원(Hyewon Moon),정명훈,고석주(Seokju Ko) 한국지능정보시스템학회 2020 한국지능정보시스템학회 학술대회논문집 Vol.2020 No.6
2019년 12일 중국 후베이성 우한 시에서 시작된 코로나바이러스감염증-19(이하 COVID-19)은 2020년 1월부터 전 세계로 퍼져, 일부 국가 및 지역을 따라 제외한 대부분의 나라와 모든 대륙으로 확산되었다. 이에 따라 WHO는 2020년 1월 30일 국제적 공중보건 비상사태(PHEIC)를 선포한 후, 2020년 3월 11일 범 유행 전염병(Pandemic)을 선언하였다. COVID-19의 영향은 생명 손실에 국한되지 않고, 사회경제적 영역으로 불안 등을 감소시키기 위해 전염병 확산에 대한 예측은 필수 불가결 하다. 본 논문은 이처럼 최근 유행하고 있는 전염병인 COVID-19에 대해 전염병 모형과 순환 신경망(Recurrent Neural Network) 두 기법을 통해 확산을 예측하고 결과를 비교한다. 전 세계의 국가별 확진자와 사망자 통계를 활용하여 예측 결과를 도출하였다. 전염병 모형을 통한 예측에는 SIR(Susceptible-Infected-Recovered) 모형을 사용하며, 기계 학습의 최적화 알고리즘 중 L-BFGS를 사용하여 SIR 모형의 곡선 적합을 진행하였다. RNN 기반 예측 모델로는 LSTM 모델을 사용하였다. 예측을 실시하여 각 기법의 결론을 도출하고 실제 확진자 통계와의 정확도를 비교하였다. 본 논문은 특정한 나라들에 대하여 전염병 초기의 SIR 모형을 사용한 예측과, 현재(2020.5.29)까지 진행된 상태에서의 예측을 비교한다. 두 예측의 오차를 통하여 방역 수준에 대한 추론을 제시한다. 추가 확진자와 누적 확진자의 관계 그래프를 제공, 기울기와 두 예측 그래프 사이의 오차와 관계성을 확인하고 대략적 방역 수준을 정의한다.