http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
폭소노미에서 이미지 자동 태깅을 위한 사회적 관계 추출에 관한 연구
엄원용 ( Wonyong Eom ),이시형 ( Sihyoung Lee ),노용만 ( Yong Man Ro ) 한국정보처리학회 2010 한국정보처리학회 학술대회논문집 Vol.17 No.1
멀티미디어 기기의 확산과 인터넷의 발달로 Flickr, Facebook 과 같은 사회적 네트워크를 기반으로 이미지 공유가 활발해졌다. 사회적 네트워크 사이트에서 이미지의 효율적인 검색과 관리를 위해서 태그를 이용하는 방법이 많이 사용되고 있다. 하지만 많은 양의 이미지에 수동으로 태그를 등록하는 것은 사용자에게 많은 시간과 노력을 요구한다. 태그 추천 기술은 자동으로 사용자에게 태그를 추천함으로써, 수동 태깅의 한계를 극복할 수 있는 방법이다. 본 논문에서는 사회적 네트워크를 기반으로 하는 폭소노미에서 사용자 사이의 사회적 관계를 사용자 들의 얼굴 정보를 이용하여 측정하고, 이를 활용하여 이미지 태그를 추천하는 기술을 제안한다. 제안하는 방법은 이미지의 시각 정보와 태그 분포뿐만 아니라 사용자 사이의 사회적 관계 정보를 추가로 활용한다. 실험을 통해서 제안하는 방법이 기존의 이미지 태그 추천 방법에 비해서 7% 향상된 태그 추천의 정확성을 보장하는 것을 증명하였다.
원용근(Yong-Geun Won),배태면(Tae-Meon Bae),노용만(Yong-Man Ro) 한국정보보호학회 2006 정보보호학회논문지 Vol.16 No.3
본 논문에서는 암호화된 SVC (Scalable video coding) 비트스트림을 이용한 조건적 접근제어 방법을 제안한다. 제안한 방법은 새로운 비디오 코딩 기법인 SVC에 적합한 암호화와 암호화된 SVC 비트스트림에서 비트스트림 추출 (Extraction) 후 복호화를 통해 효과적인 조건적 접근제어(Conditional Access Control) 방법을 제공하는데 그 목적이 있다. 제안하는 SVC 조건적 접근제어는 SVC 비트스트림의 암호화에 대한 요구사항을 분석하여 SVC 코딩기법에 적합하게 암호화를 시행하고 암호화된 SVC 비트스트림의 적응변환 수행 시 비트스트림 추출과 선택적 복호화를 통해 수행 된다. 본 논문은 SVC 비트스트림에 대해 암호화를 시행한 후 다양한 비디오로 접근을 시도하는 실험을 통하여 제안한 방법의 유효성을 검증하였다. In this paper, we propose a method of conditional access control for encrypted SVC(scalable video coding) bitstream. The main purpose of the proposition is to provide a SVC suitable encryption algorithm and a efficient method for conditional access control using encrypted SVC bitstream. We analyzed requirements for conditional access control of a SVC bitstream. And based on the analysis, we proposed encryption algorithm suitable for SVC bitstream and a method of conditional access control of the encryped bitstream. The proposed conditional access control for encrypted SVC bitstream is performed by bitsream extraction and selective decryption. We verified the usefulness of the proposed method through experiments.
Scalable Video Coding 에서의 조건적 접근제어를 위한 키 관리 기법
원용근 ( Yong Geun Won ),배태면 ( Tae Meon Bae ),노용만 ( Yong Man Ro ) 한국정보처리학회 2006 한국정보처리학회 학술대회논문집 Vol.13 No.1
본 논문에서는 암호화된 Scalable Video Coding (SVC) 비트스트림에서의 조건적 접근제어을 위한 키 관리 기법을 제안한다. 스케일러블 비디오 코딩 기술은 한번 인코딩 후 비트스트림 추출을 통해 다양한 확장성(scalabbility)을 가지는 비디오를 생성 할 수 있는 기술로 확장하는 단위마다 다른 키로 암호화 하여 조건적 접근제어를 구성 할 수 있다. 그러나 기존의 조건적 접근제어 기술은 암호화 시 복수의 키가 필요하며 이는 키의 관리와 분배에 어려움을 준다. 이러한 문제를 해결하기 위해 본 논문에서는 기존의 스케일러블 코딩기법에서 조건적 접근제어를 위한 키 관리기법을 살펴보고 SVC 의 확장 구조에 맞는 키 관리 기법을 제안한다. 제안한 방법은 SVC 를 이용한 스트리밍 테스트베드에서 구현되어, 조건적 접근제어를 위한 키 관리기능의 유용성을 확인하였다.
암호화된 SVC 비트스트림에서 조건적 접근 제어 방법에 관한 연구
원용근 ( Yong Geun Won ),배태면 ( Tae Meon Bae ),노용만 ( Yong Man Ro ) 한국정보처리학회 2005 한국정보처리학회 학술대회논문집 Vol.12 No.2
본 논문에서는 스케일러블 멀티미디어 콘텐츠에 대한 조건적 접근제어가 가능한 암호화 방법을 제안한다. 현재 표준화가 진행중인 스케일러블 비디오 코딩방법인 JSVM(Joint Scalable Video Model)은 부호화한 동영상에 대해 공간, 시간, 품질의 스케일러빌리티(Scalability)를 지원하는데, 각 스케일러빌리티를 고려한 조건적인 접근제어기술은 스케일러빌리티에 따라 사용자를 제한해야 하는 경우를 위해 필수적인 기술이다. 제안하는 방법은 공간, 시간, 품질의 세가지 스케일러빌리티를 지원하도록 부호화(Encoding)후 구성되는 NAL(Network Abstract Layer)을 지원하는 스케일러빌리티에 따라 구분하고, 구분된 NAL 의 종류에 따라 암호화 key 를 다르게 제공하는 방법을 통해 사용자의 접근제어 수준에 맞게 암호화 key 를 조합하는 방법을 적용하였다. 실험 결과 제안한 방법은 JSVM 에서 공간, 시간, 품질의 스케일러빌리티가 보장되고, 이때 생성되는 Key 의 조합으로 조건적 접근제어(Conditional access control)가 가능함을 확인하였다.
정용주(Yong Ju Jung),김영석(Young Suk Kim),Troung Cong Thang,노용만(Yong Man Ro),김태희(Tae-hee Kim),김재곤(Jae-Gon Kim) 한국방송·미디어공학회 2004 한국방송공학회 학술발표대회 논문집 Vol.2004 No.-
본 논문에서는 다양한 사용자 환경에서 비디오의 범용적인 서비스를 위한 다차원 비디오 트랜스코딩의 판단에 관하여 논한다. 효율적인 판단을 위해 여러 영화 비디오 클림들을 비슷한 의미적 개념을 가지는 비디오들과 비슷한 장면 복잡도를 가지는 비디오들로 분류하고, 각 종류별로 주관적인 테스트(subjective test)를 실시하여 비디오 트랜스코딩에 있어서 사용자 인지(perception)의 특성을 분석한다. 이렇게 분석된 인간의 시각 특성들을 이용해 비디오 트랜스코딩 판단 궤적(trajectory)을 만들고 이를 다차원 비디오 트랜스코딩 판단 시에 적용하기 위한 방법을 제안한다.
조선일,권주원,노용만,Cho, Sun-Il,Kwon, Ju-Won,Ro, Yong-Man 대한의용생체공학회 2009 의공학회지 Vol.30 No.2
Mammogram is one of the important techniques for mass detection, which is the early diagnosis stage of a breast cancer. Especially, the CAD(Computer Aided Diagnosis) using mammogram improves the working performance of radiologists as it offers an effective mass detection. There are two types of CAD systems using mammogram; automatic and semi-automatic CAD systems. However, the automatic segmentation is limited in performance due to the difficulty of obtaining an accurate segmentation since mass occurs in the dense areas of the breast tissue and has smoother boundaries. Semi-automatic CAD systems overcome these limitations, however, they also have problems including high FP (False Positive) rate and a large amount of training data required for training a classifier. The proposed system which overcomes the aforementioned problems to detect mass is composed of the suspected area selection, the level set segmentation and SVM (Support Vector Machine) classification. To assess the efficacy of the system, 60 test images from the FFDM (Full-Field Digital Mammography) are analyzed and compared with the previous semi-automatic system, which uses the ANN classifier. The experimental results of the proposed system indicate higher accuracy of detecting mass in comparison to the previous systems.
한국형 디지털 마모그래피에서 SVM을 이용한 계층적 미세석회화 검출 방법
권주원,강호경,노용만,김성민,Kwon, Ju-Won,Kang, Ho-Kyung,Ro, Yong-Man,Kim, Sung-Min 대한의용생체공학회 2006 의공학회지 Vol.27 No.5
A Computer-Aided Diagnosis system has been examined to reduce the effort of radiologist. In this paper, we propose the algorithm using Support Vector Machine(SVM) classifier to discriminate whether microcalcifications are malignant or benign tumors. The proposed method to detect microcalcifications is composed of two detection steps each of which uses SVM classifier. The coarse detection step finds out pixels considered high contrasts comparing with neighboring pixels. Then, Region of Interest(ROI) is generated based on microcalcification characteristics. The fine detection step determines whether the found ROIs are microcalcifications or not by merging potential regions using obtained ROIs and SVM classifier. The proposed method is specified on Korean mammogram database. The experimental result of the proposed algorithm presents robustness in detecting microcalcifications than the previous method using Artificial Neural Network as classifier even when using small training data.