http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
김주은(Ju-Eun Kim),문경덕(KyeongDeok Moon),정치윤(Chi Yoon Jeong) 한국지능시스템학회 2020 한국지능시스템학회논문지 Vol.30 No.2
청각장애인은 일상생활에서 위험 소리를 듣지 못하여 위험에 많이 노출되고 있으며, 이를 해결하기 위해서 위험 소리를 인지하여 청각장애인에게 알려주는 기술이 필요하다. 최근 딥러닝을 적용하여 음향 이벤트를 분류하는 기술에 대한 연구는 진행되고 있지만, 위험 소리에 특화된 데이터 셋이 존재하지 않아 위험 소리를 분류하는 기술은 연구가 많이 진행되고 있지 않다. 따라서 본 논문에서는 10개의 범주에 대하여 26시간 규모의 위험 소리 데이터 셋을 구축하였다. 그리고 최신 합성곱 신경망 모델인 SE-ResNeXt을 사용하는 위험 소리 분류 방법을 제안하였다. 마지막으로 본 연구에서 구축한 위험 소리 데이터 셋을 사용하여 기존의 방법과 제안 방법의 분류 성능을 분석하였으며, 본 논문에서 제안한 SE-ResNeXt 기반의 위험 소리 분류 방법이 기존의 방법보다 뛰어난 분류 성능을 가지는 것을 실험 결과로 확인하였다. Deaf people are exposed to a lot of dangerous situations since they are unable to hear hazardous sounds in their daily lives. In order to solve this problem, it is required a method that classifies hazardous sounds accurately and notifies dangerous situations to deaf people. Although there are many researches on classifying acoustic events based on deep learning technology, only a little has been going on for classifying dangerous sounds because there are no datasets especially configured for dangerous environments. Therefore, in this paper, we built a 26-hour long dataset for 10 hazardous sound categories to assess the classification performance. In addition, we proposed the SE-ResNeXt, which is the state-of-the-art convolutional neural networks model, as a method for classification. Finally, we compared the performances of the proposed method with existing methods, using our hazardous sound dataset. From the result of our experiment, we found out that the classification accuracy of SE-ResNeXt model is superior to that of pre-existing methods.
모바일 애드 혹 네트워크에서의 주소 예약을 이용한 IP 주소 자동 설정 기법
김남훈(Namhoon Kim),안소연(Soyeon Ahn),문경덕(Kyeongdeok Moon),이영희(Younghee Lee) 한국정보과학회 2004 정보과학회논문지 : 정보통신 Vol.31 No.6
모바일 애드 혹 네트워크(MANET, Mobile Ad hoc Networks)란 중앙 집중 형태의 제어나 인프라 구조가 없는 독립적인 모바일 컴퓨팅 노드들간의 집합을 의미한다. 애드 혹 네트워크에 연결을 원하는 모든 노드들은 네트워크 연결에 필요한 주소를 얻어야 한다. 만일 DHCP(Dynamic Host Configuration Protocol)와 같이 자동으로 주소를 할당해 주는 서버가 존재한다면 쉽게 주소를 얻을 수 있지만, 모바일 애드 혹 네트워크의 특성상 DHCP와 같은 서버의 존재를 가정하기 어렵다. 본 논문에서는 주소 예약(Address Reservation)과 낙천적 중복 주소 검색(Optimistic Duplicated Address Detection)을 이용한 분산형 자동 주소 설정 방법을 제시한다. 주소 예약은 주소 할당 시간을 줄이는 데 도움을 주고, 낙천적 DAD는 주소의 유일성을 보장하고 네트워크의 트래픽 오버헤드를 줄이는 데 기여한다. 또한 제한된 방법은 모바일 애드 혹 네트워크의 분할과 합병에 대한 해결책을 제시한다. 마지막으로 ns-시뮬레이터를 사용한 모의 실험의 결과를 통해 제안된 방법이 주소 유일성 보장, 주소 설정 시간과 통신 오버헤드 측면에 있어서 우수함을 증명한다. A Mobile Ad hoc Network (MANET) is a group of independent mobile computing nodes that consist of a multi-hop wireless network without a central administration or any infrastructure. Every node that wants to join a MANET must obtain an address for communication. Having a centralized DHCP server that provides addresses to nodes, we can easily and automatically obtain addresses. However, a MANET lacks any fixed infrastructure such as a DHCP server. We therefore propose a distributed address autoconfiguration approach for a MANET using a reserved address and optimistic Duplicated Address Detection (DAD). The reserved address helps to reduce the allocation latency, and the optimistic DAD guarantees the uniqueness of addresses and lessens communication overhead. We then suggest methods of handling network partition and network merging situations, and go on to evaluate our approach through simulations. The simulation result shows that our scheme guarantees the uniqueness of allocated address and considerably improves allocation latency and communication overheads.
단일 단계 검출 방법을 위한 이미지 합성 기반 학습 데이터 증강에 관한 연구
이선경 ( Seon-gyeong Lee ),정치윤 ( Chi Yoon Jeong ),문경덕 ( Kyeongdeok Moon ),김채규 ( Chae-kyu Kim ) 한국정보처리학회 2020 한국정보처리학회 학술대회논문집 Vol.27 No.1
딥러닝 기반의 영상 분석 방법들은 많은 양의 학습 데이터가 필요하며, 학습 데이터 구축에는 많은 시간과 노력이 소요된다. 특히 객체 검출 분야의 경우 영상 내 객체의 위치, 크기, 범주 등의 정보가 모두 필요하여 학습 데이터 구축에 더 많은 어려움이 있으며, 이를 해결하기 위해 최근 이미지 합성 기반 데이터 증강에 관한 연구가 활발히 진행되고 있다. 이미지 합성기반 데이터 증강 방법은 배경 영상에 객체를 합성할 때 객체와 배경 영상이 접한 영역에서 아티팩트(Artifact)가 발생하며, 이는 객체 검출 모델이 아티팩트를 객체의 특징으로 모델링하여 검출 성능이 저하되는 원인이 된다. 이러한 문제를 해결하기 위하여 본 논문에서는 양방향 필터 기반의 이미지 합성 방법을 제안하고, 단일 단계 검출의 대표적인 방법인 RetinaNet을 이용하여 이미지 합성기반 데이터 증강 방법의 성능을 분석하였다. 공개 데이터셋에 대한 실험 결과 본 논문에서 사용한 단일 검출 방법 및 데이터 증강 기법을 사용하면 더 적은 양의 증강 데이터로 기존 방법과 동일한 성능을 보여주는 것을 확인하였다.