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 : 강병근(Byeongkeun Kang) (검색결과 6 건)
- 무료
- 기관 내 무료
- 유료
-
강병근(ByeongKeun Kang),윤길원(Gilwon Yoon) 대한전자공학회 2013 전자공학회논문지 Vol.50 No.12
뇌전도 분석에 의한 제어신호의 검출은 다양한 분야에 활용될 수 있다. 다채널 뇌파 연구는 측정 시스템이 복잡해지고 착용이 불편해진다는 단점이 있어서 본 논문에서는 실용적인 응용을 우선으로 하였고 단 채널 기반으로 집중에 의한 on/off 제어 신호를 신뢰성 있게 검출할 수 있는 방법을 연구하였다. 평상시 휴식 상태와 집중하였을 때의 알파, 베타 및 세타파의 대역 신호를 분석하였으며 이 때 파워스펙트럼과 히스토그램에서의 차이를 검출하였다. 세타파를 이용하였을 때 보다 베타/세타를 이용해 집중력 검출을 하는 것이 더 좋은 결과를 나타내었다. 세타파만을 이용하였을 때보다 평균 검출 시간이 단축되었으며 또한 집중 전 휴식시간이 길어질수록 검출 성공률이 낮아지며, 검출 시간도 상대적으로 길어졌다. 휴식시간 10초의 경우 개인마다 검출 성능의 차이는 있었지만 평균 91%의 검출 성공률과 검출 시간은 평균 20.2초의 결과를 얻었다. Control signal generated from EEG (electro-encephalogram) can be used in many applications. In our study, for the purpose of developing practical instruments, a single channel system of providing reliable on/off signals was investigated since a multi-channel system can be bulky and expensive. Brainwaves in alpha, beta and theta bands were analyzed in order to extract reliable control signals when the concentration state reached. Rest and concentration states were differentiated based on power spectrum and histogram analysis. A better performance was obtained when the ratio between the beta and theta bands was used compared to the theta band only. In general, the longer the rest period before concentration, the lower success rate was. In addition, longer rest time produced longer detection time. Though there were individual differences, in case of 10-second rest time, a success rate of 91% and a detection time of 20.2 seconds was achieved on average.
-
적대적 생성 신경망을 활용한 과다 노출 영상 복원 방법
김태하(Taeha Kim),양성엽(Seongyeop Yang),강병근(Byeongkeun Kang),이의진(Yeejin Lee) 한국방송·미디어공학회 2021 한국방송공학회 학술발표대회 논문집 Vol.2021 No.6
본 논문에서는 과다 노출된 영상을 영상 간 변환(Image-to-Image Translation)을 위해 설계된 적대적 생성 신경망(Generative Adversarial Network)을 활용하여 복원하는 연구를 수행한다. 과다 노출 복원을 위한 기존의 연구에서 과다 노출 영역 판별, 밝기 회복, 색상 보정 과정을 거치는데, 영상 내 과다 노출 영역을 판별하는 과정에서 임의로 결정하는 파라미터에 의해 복원된 영상 결과가 달라지는 한계점을 극복하기 위해 종단간(End-to-End) 신경망을 학습시켜 과다 노출 영역을 별도의 파라미터 선택과 분할된 과정 없이 한 번에 복원하는 방법을 제안한다. 영상 간 변환 신경망 학습에 필요한 과다 노출 여부로 도메인이 분할된 데이터셋은 게임 소프트웨어를 활용하여 만들어 사용하였다. 본 연구에서는 신경망이 생성한 영상이 실제로 과다 노출 영역을 탐지하여 복원하는 것을 확인하였다. 그리고 과다 노출 영역을 탐지하여 복원하는 과정을 학습 단계별로 확인함으로써 신경망이 실제로 과다 노출 복원 과정을 학습함을 보였다.
-
-
적대적 생성 신경망을 활용한 다양한 환경에 강인한 잡초 탐지 방법
이태형(Taehyung Lee),김찬호(Chanho Kim),박세진(Sejin Park),강병근(Byeongkeun Kang) 한국방송·미디어공학회 2023 한국방송공학회 학술발표대회 논문집 Vol.2023 No.6
스마트 농업 시스템에서 영상 기반 잡초 탐지는 농작물 보호, 비용 절감, 환경 친화적인 농업 측면에서 중요한 기술이지만 아직 다양한 환경에서 컬러 영상만으로 잡초를 탐지하는 기술에 대한 연구가 부족하다. 이에 본 논문에서는 학습 도메인과 테스트 도메인 간의 환경 차이로 인한 성능 저하를 극복하기 위한 적대적 생성신경망(generative adversarial network) 기반의 영상 간 변환(image-to-image translation) 기술과 영상 재조합을 활용한 데이터 증대 방법을 소개한다. 적대적 생성 신경망을 활용하여 다양한 조도에서 수집한 데이터와 유사한 특성을 갖도록 데이터를 생성하였으며 다양한 농업 환경 영상과 잡초 영상을 재조합하여 데이터를 증대하였다. 이를 통해 생성한 다양한 학습 데이터로 객체 탐지 모델을 학습함으로써 테스트 도메인에 대한 일반화를 개선하였다.
-
대조적 언어-이미지 사전 학습 모델을 활용한 제로-샷 작물 질병 분류 방법
김찬호(Chanho Kim),이소은(Soeun Lee),이태형(Taehyung Lee),강병근(Byeongkeun Kang) 한국방송·미디어공학회 2023 한국방송공학회 학술발표대회 논문집 Vol.2023 No.11
농업 환경 속 존재하는 작물 질병을 빠르게 진단하기 위해 다양한 연구가 진행되고 있다. 다만, 데이터 세트구축에 상당한 노력이 수반되고 학습 데이터와 테스트 데이터 도메인이 다를 경우 일반화 문제가 발생한다. 최근, 해당 문제 해결을 위해 대조적 언어-이미지 사전 학습 모델(contrastive language-image pre-training model, CLIP)의 강인한 zero-shot transfer 성능을 활용한 연구가 진행되어 왔다. 다만, CLIP 의 재학습 과정에서 zeroshot transfer 성능과 언어-이미지에 대한 지식을 보존하기 위해서는 복잡한 구조를 필요로 한다. 본 논문에서는 CLIP 을 활용한 제로-샷 작물 질병 분류 방법을 제안한다. 질병에 대한 텍스트 정보와 이미지 정보 간의 유사도를 계산하여 해당 이미지에 대한 가장 높은 유사도를 띄는 질병 정보를 예측하고, parameter-free attention 연산과 프롬프트 추가 생성 및 질병 클래스 분할 방법을 활용해 텍스트 정보와 이미지 정보 간의 유사도를 증진한다. 이를 통해 작물 질병에 대한 학습 없이도 작물 질병 진단이 가능함을 보인다.
-
세그먼테이션과 스타일 변환을 활용한 영상 재구성 시스템
방연준(Bang, Yeonjun),이의진(Lee, Yeejin),박주형(Park, Juhyeong),강병근(Kang, Byeongkeun) 한국방송·미디어공학회 2021 한국방송공학회 학술발표대회 논문집 Vol.2021 No.6
기존 영상 콘텐츠에 새로운 물체를 삽입하는 등의 영상 재구성 기술은 새로운 게임, 가상현실, 증강현실 콘텐츠를 생성하거나 인공신경망 학습을 위한 데이터 증대를 위해 사용될 수 있다. 하지만, 기존 기술은 컴퓨터 그래픽스, 사람에 의한 수동적인 영상 편집에 의존하고 있어 금전적/시간적 비용이 높다. 이에 본 연구에서는 인공지능 신경망을 활용하여 낮은 비용으로 영상을 재구성하는 기술을 소개하고자 한다. 제안하는 방법은 기존 콘텐츠와 삽입하고자 하는 객체를 포함하는 영상이 주어졌을 때, 객체 세그먼테이션 네트워크를 활용하여 입력 영상에서 객체를 분리하고, 스타일 변환 네트워크를 활용하여 입력 영상을 스타일 변환한 후, 사용자 입력과 두 네트워크의 결과를 활용하여 기존 콘텐츠에 새로운 객체를 삽입하는 것이다. 실험에서는 기존 콘텐츠는 온라인 영상을 활용하였으며 삽입 객체를 포함한 영상은 ImageNet 영상 분류 데이터 세트를 활용하였다. 실험을 통해 제안한 방법을 활용하면 기존 콘텐츠와 잘 어우러지게끔 객체를 삽입할 수 있음을 보인다.
ScienceON
DBpia연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
