http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
조지은(Jieun Jo),이예영(Yhe Young Lee) 한국복식학회 2016 服飾 Vol.66 No.2
The purpose of this research was to give the basic educational sources that could nurture creative fashion designers for the creative advancement of the fashion industry. After investigating and categorizing the ideation behind designer collections in four fashion capitals - Paris, London, Milan and New York, the materialization of concepts was analyzed in relation to inspiration and design elements. As a result, design inspiration was classified into figures, artworks and art trends, historicity of fashion, regional features, natural objects, artificial objects, abstract concepts, clothing for specific occasions, events, and others. This study found that inspiration for fashion design comes from various fields, and that creative design skills can be nurtured through ideation training using a wide variety of subjects.
GNSS 음영 지역에서의 정밀 위치추정을 위한 데이터셋
조지은(Jieun Cho),송하민(Hamin Song),조기춘(Kichun Jo) 한국자동차공학회 2021 한국자동차공학회 부문종합 학술대회 Vol.2021 No.6
최근 도심, 지하차도 및 터널 등 Global Navigation Satellite System (GNSS) 수신 상태가 취약한 지역에서 자율주행에 필수적인 위치추정 기술의 수요가 증가함에 따라 단안 카메라 기반 위치 추정 연구가 활발하게 진행하고 있다. 2D 이미지 기반 객체 인식 분야에서 Convolutional Neural Networks(CNN)을 활용한 딥러닝 네트워크인 YOLOv3, EfficientDet, Fater R-CNN 등 객체의 클래스 및 바운딩 박스 정보를 추출해내는 연구가 활발히 진행되고 있으며, 시맨틱 분할 방법인 DeepLab, ENet, FCN 등을 활용하여 픽셀 별 클래스 분류를 수행하는 연구 또한 활발히 진행중이다. 이러한 딥러닝 기반 인공지능 구현에서 가장 중요한 것은 컴퓨터를 충분히 학습시킬 수 있는 다양한 학습 데이터이다. 하지만 국내 자율주행 시스템 개발을 위한 오픈소스 데이터는 해외의 데이터셋과 비교하여 매우 부족한 편이며 특히 GNSS정보는 수신이 어려운 지역에 대한 자료는 턱없이 부족한 상황이다. 따라서 본 논문에서는 GNSS 음영 지역에서의 정밀 위치추정을 위한 데이터셋을 구축하고자 한다. 본 데이터셋을 주행 시나리오에서 검출 가능한 다양한 랜드마크 중 위치추정 알고리즘에 활용될 수 있는 랜드마크를 선정하고, GNSS 정보의 신뢰성을 잃은 도심부, 터널 및 지하차도에서 영상 및 다양한 센서 데이터를 수집한다. 취득한 원천 데이터는 정제 및 크라우드소싱 기반 가공(labeling) 작업을 거쳐 양질의 인공지능 학습용 데이터로 변환된다. 마지막으로, 딥러닝 기술을 이용한 랜드마크 인식 알고리즘을 통해 학습 데이터의 유효성을 검증한다. 바운딩 박스 형태의 랜드마크에 대해서는 객체 인식 알고리즘을 적용하여 Average Precision (AP) 등의 지표를 통해 데이터셋의 유효성을 검증한다. 폴리곤 형태의 랜드마크에 대해서는 시맨틱 분할 방법을 적용하고 Intersection over Union (IoU)등의 지표를 통해 데이터셋의 유효성을 검증한다. 위 데이터셋을 활용한 이미지 랜드마크 인식 AI는 정밀 위치추정 알고리즘에 필요한 객체 인식 정보를 제공할 수 있다.