http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 鄭鎭元 (검색결과 662 건)
- 무료
- 기관 내 무료
- 유료
-
Charles Jencks의 理論을 中心으로 한「포스트-모던」建築의 特性에 관한 硏究
鄭鎭元 경기대학교부설 산업기술종합연구소 1986 산업기술종합연구소 논문집 Vol.2 No.-
After the decadence of modern architecture, todays contemporary architecture has shown meaning of pluralism rather than a strong thread in theory and practice. But a chief feature of current architecture is overcoming the limitation of modern architecture and one of the alternatives is an approach through a Post-Modernism. The objectives of this report are precisely to analyze the ideas and characteristics of Post-Modern architecture which now has been frequently discussed in the aspects of theory and practice in Korea. This study consists of three major parts. The first part deals with the background of the appearance of the Post-Modern architecture. The second part covers the ideas of Post-Modernism, the general characteristics of Late-Modern and the Post-Modern Architecture, and the special features of a different kind of the Post-Modern architecture. And the last part deals with the trend of the Post-Modern Classicism in architecture.
-
회색조 영상의 시맨틱 분할을 위한 사전 학습된 딥러닝 모델 확장 기법
정진원,신요안 한국통신학회 2023 韓國通信學會論文誌 Vol.48 No.1
데이터 양이 적은 데이터 세트로 딥러닝 모델을학습할 때, 전이학습을 통해 업데이트와 재학습을 활용하면 학습 시간과 연산 리소스를 줄이고 알고리즘의 성능을 크게 향상할 수 있다. 하지만 영상처리에서 대부분의 사전 학습된 모델은 컬러 영상을 사용하여 학습되어 있어 3개 색상 채널이 입력 영상 값으로사용된다. 반면, 회색조 영상은 컬러 영상에 비해 크기가 작고 1개의 채널을 가져 여러 개의 채널을 학습한 모델의 입력으로 사용할 수 없다. 따라서 기존 기법들은 데이터를 입력에 맞게 변형시키거나 사전 학습된 모델의 레이어를 수정해야 한다는 한계가 있다. 본 논문에서는 시맨틱 분할 영상처리를 위한 딥러닝모델 앞부분에 컨볼루션 레이어를 추가해 회색조 영상에서 사전 학습된 모델을 사용하는 새로운 방법을제안한다. 모의실험 결과, 제안 기법의 정확도가 높았으며 기존 기법보다 우수한 성능을 얻으면서도 좀 더효과적으로 사전 학습된 모델을 사용할 수 있음을 확인하였다.
-
-
-
위성 영상의 의미론적 분할을 위한 확장된 심층 신경망 연결 모델
정진원,신요안 한국통신학회 2023 韓國通信學會論文誌 Vol.48 No.9
위성 영상에서 의미론적 분할 성능을 향상시키기위한 인코더-디코더 구조의 새로운 심층 신경망 모델을 제안한다. 기존 의미론적 분할은 얕은 구조로 인해특징 압축과 확장 중에 생기는 손실이 크다. 이에 따라 분할 정확도가 줄어들며 물체를 제대로 구별하지못하는 문제가 발생한다. 제안하는 확장 연결 모델은이러한 문제를 해결하기 위해, 기존 인코더-디코더 모델을 확장시켜 여러 계층의 특징을 가져와 디코더에연결한 구조를 만들어 특징 정보의 손실을 개선한 모델이다. 이러한 확장 연결 모델은 특징 학습 과정에서의 정보 손실을 개선하고 업샘플링 과정에서 잔차학습을 사용하여 의미론적 분할의 정확도를 향상시켰다. 실험결과, 제안하는 확장 연결 모델이 기존 의미론적분할 모델보다 크게 향상된 성능을 보여준다.
-
-
-
-
-
이동형 디지털 방송을 위한H.264/AVC 디코더 시스템의 구현 및 성능 분석
정진원,송용호 대한전자공학회 2007 電子工學會論文誌-SD (Semiconductor and devices) Vol.44 No.10
The increasing demand on the use of multimedia video contents drives more mobile embedded systems to incorporate H.264/AVC decoding capability. An H.264/AVC decoder often requires high computation bandwidth during its decoding phase. Depending upon processor computation capability and multimedia contents complexity, the decoder can be implemented either in hardware or software. However, without a thorough analysis on the performance and resource requirements, it is difficult to choose a cost-effective methodology of implementing this codec. This paper presents both hardware and software implementation of H.264/AVC decoding subsystem in mobile embedded systems, and quantitatively analyses the performance and resource requirements. It also shows the methodology to identify performance bottleneck in Linux-based mobile embedded systems, which is in turn used to select feasible and efficient implementation methodology. 멀티미디어 비디오 응용의 이용이 증가함에 따라 모바일 임베디드 시스템 환경에서 H.264/AVC 기반의 디코더 시스템 구현에 대한 수요가 증가하고 있다. H.264/AVC 디코딩 작업은 내부적으로 많은 연산을 필요하므로, 임베디드 시스템 환경 및 멀티미디어 비디오 응용의 기대 품질에 따라 다양한 구현 방법이 사용될 수 있다. 하지만, 주어진 모바일 임베디드 시스템 환경에 적합한 구현 방법을 선택하기 위해서는 임베디드 시스템의 연산 능력과 비디오 디코딩 작업에 필요한 연산 요구량에 대해 정확한 분석이 필요하다. 본 논문에서는 모바일 임베디드 단말 환경을 위한 H.264/AVC 디코더의 하드웨어 및 소프트웨어 구현 방안을 제안하고, 이에 대한 성능 측정 방법 및 결과를 제시하였다. 또한 리눅스 기반의 모바일 임베디드 시스템에서의 비디오 디코딩 시스템의 성능 제한 요소를 판별함으로써 효과적인 구현 방법을 보이고 있다.
RISS
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
