http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
양현석,Yang, Hyeon-Seok 대한전자공학회 2000 電子工學會論文誌-SC (System and control) Vol.37 No.2
본 논문에서는 입-출력 모델로 표현되는 SISO(Single-Input-Single-Output) 비선형 시스템의 적응제어 기법을 제시한다. 시스템에 포함된 미지의 파라미터는 알고 있는 콤펙트(compact) 볼록(convex) 집합 내에 있다고 가정한다. 기존의 결과와는 달리 이 집합은 원점을 포함하는 원이나 초입방체(hypercube)를 포함한 임의의 콤펙트 볼록 집합이 될 수 있다. 제시하는 갱신(update) 법칙으로 얻어지는 파라미터 추정치는 항상 알고 있는 집합 내에 존재하며 이를 이용한 제어 입력을 적용하면 시스템의 출력과 원하는 신호와의 위치, 속도, 그리고 가속도 오차가 시간에 따라 영으로 수렴함을 이론적으로 그리고 시뮬레이션을 통하여 입증한다. In this paper, an adaptive control law for nonlinear systems represented by input-output models are proposed under the assumption that unknown system parameters are in a known compact and convex set. Contrary to the previous results, the compact and convex set is not restricted to a ball whose center is at the origin or convex hypercube. It is proven that the proposed parameter update rule produces a sequence of parameters which reside in the set and guarantees that the position, velocity, and acceleration error converges to zero as time goes to infinity. This theoretical result was justified through simulations.
양현석 ( Hyeon-seok Yang ),김동주 ( Dong-joo Kim ),설용수 ( Yong-soo Seol ),정성훈 ( Sung-hun Jung ),김한우 ( Han-woo Kim ) 한국정보처리학회 2011 한국정보처리학회 학술대회논문집 Vol.18 No.2
서비스 로봇과 펫 로봇 등 사람과 직접 상호작용하는 로봇기술의 필요성이 증가하고 있다. 대화시스템은 자연언어처리 기술을 활용하여 음성인식 기술과의 결합을 통해 현재 로봇에서 주로 사용되고 있는 버튼과 터치스크린 위주의 HRI(Human-Robot Interface)보다 자연스러운 HRI를 제공한다. 이러한 자연스러운 HRI를 수행할 수 있는 로봇을 구성하기 위해서는 로봇이 서비스를 제공할 실제 영역에 맞는 대화시스템의 연구가 필요하다. 본 논문에서는 자질사전, 단일화 문법(unification grammar), 대화 흐름도(dialogue flow diagram)를 사용한 레스토랑 영역의 자질기반(feature-based) 대화시스템을 제시한다. 자질 정보는 형태소, 시제, 어휘의 의미구조 등을 나타내며 화행(speech act) 결정에 사용하고 문장 자질과 구문 자질을 파서에서 활용한다. 자질기반 대화시스템을 통하여 레스토랑 영역에서 사용자 화행 이해 및 주문, 안내 등의 서비스를 성공적으로 수행할 수 있음을 보인다.
양현석(Yang, Hyeon-Seok),설용수(Seol, Yong-Soo),김동주(Kim Dong-Joo),김한우(Kim Han-Woo),박정기(Park Jung-Ki) 한국IT서비스학회 2011 한국IT서비스학회 학술대회 논문집 Vol.2011 No.9
본 논문에서는 실버로봇을 위한 지능형 대화시스템을 제시한다. 논문에서 제시하는 대화시스템은 사용자 발화와 이전 대화, 도메인 정보를 사용하여 사용자의 의도 및 대화 문맥을 파악한다. 또한 사용자의 한국어 발화를 분석하여 화행을 파악하고 문장 내의 정보를 추출한다. 오류 발화를 고려한 문장 이해와 추출된 정보를 활용하여 더 적절하고 정확한 발화를 유도함으로써 보다 지능적인 서비스를 제공한다. 인식할 수 있는 발화와 생성할 수있는 발화들을 살펴보고 감정과 관련된 문장을 고려하여 구현된 대화시스템의 성능을 실험을 통하여 확인하였다.
심층 신경망 기반 효율적인 단일 영상 초해상도 복원 기법
정우진(Woojin Jeong),양현석(Hyeon Seok Yang),한복규(Bok Gyu Han),심재준(Jae Jun Sim),박세진(Sejin Park),박진욱(Jin Wook Park),이종민(Jong Min Lee),문영식(Young Shik Moon) 대한전자공학회 2018 전자공학회논문지 Vol.55 No.6
단일 영상 초해상도 복원은 하나의 저해상도 영상에서 고해상도 영상을 복원하는 과정이다. 최근 깊은 인공 신경망 기술이 발전함에 따라 단일 영상 초해상도 복원에서도 깊은 인공 신경망 기술이 성과를 나타냈다. 본 논문은 단일 영상 초해상도 복원을 위해 깊은 인공 신경망 기술을 효율적으로 적용하는 방법에 대해 연구하였으며, 네트워크 내부 확대 기법, L1 손실 함수의 사용, 잔차 학습 구조를 통해 기존 기법보다 효율적으로 영상 복원하는 기법을 제안한다. 제안하는 방법은 기존 방법보다 화질은 PSNR기준으로 0.57㏈ 만큼 우수하며 속도는 1.48배 빠른 것을 실험을 통해 확인하였다. Single image super-resolution is to restore a high-resolution image from a low-resolution image. Recently, deep neural networks have been applied in various image processing field, and they achieve successful results in the single image super-resolution. In this paper, we propose an efficient way of utilizing the deep neural networks to the single image super-resolution. we improve the quality of single image super-resolution by using convolution transpose layer, L1 loss function, and residual learning. Experimental results have shown that our method is 0.57㏈ better in terms of PSNR and 1.48 times faster in execution time, compared with existing methods.
컨볼루셔널 인코더-디코더 네트워크를 이용한 터널에서의 균열 검출
한복규(Bok Gyu Han),양현석(Hyeon Seok Yang),이종민(Jong Min Lee),문영식(Young Shik Moon) 대한전자공학회 2017 전자공학회논문지 Vol.54 No.6
기존의 수작업으로 이루어지는 터널에서의 균열 검출은 점검자의 주관에 따라 균열을 판별하기 때문에 객관성을 보장하기 어렵다. 이러한 문제를 해결하기 위해서 터널에서 획득된 영상을 기반으로 균열을 검출하는 시스템이 많이 제안되었다. 하지만 기존의 방법은 터널 내부의 조명 상태, 균열 이외의 기타 에지 등 잡음에 상당히 민감하다. 이러한 단점은 터널의 상태에 따라 알고리즘의 성능을 크게 제한시킨다. 본 논문에서는 이러한 단점을 극복하기 위하여 컨볼루셔널 인코더-디코더 네트워크(Convolutional encoder-decoder network)를 이용한 균열 검출 방법을 제안한다. 제안하는 방법은 재현율과 정확률의 비교를 통하여 기존 연구에 비해 성능이 크게 향상되었음을 보였다. The classical approaches to detect cracks are performed by experienced inspection professionals by annotating the crack patterns manually. Because of each inspector’s personal subjective experience, it is hard to guarantee objectiveness. To solve this issue, automated crack detection methods have been proposed however the methods are sensitive to image noise. Depending on the quality of image obtained, the image noise affect overall performance. In this paper, we propose crack detection method using a convolutional encoder-decoder network to overcome these weaknesses. Performance of which is significantly improved in terms of the recall, precision rate and F-measure than the previous methods.
한복규(Bok Gyu Han),양현석(Hyeon Seok Yang),이종민(Jong Min Lee),문영식(Young Shik Moon) 대한전자공학회 2016 대한전자공학회 학술대회 Vol.2016 No.11
In this paper, we proposed a crack detection method using sum of difference images that obtained by substracting original image from each filtered image. Also, we suggest a method to classify the crack using MLP. Experientially, result shows that performance of our method has been improved by 3.32% over the previous methods.
심재준(Jae Jun Sim),정우진(Woo Jin Jung),양현석(Hyeon Seok Yang),한복규(Bok Gyu Han),조용채(Yong Chae Cho),문영식(Young Shik Moon) 대한전자공학회 2018 전자공학회논문지 Vol.55 No.9
최근 신경망이 활발히 연구되어 다양한 분야에 적용되고 있으며, 영상처리의 다양한 분야(초해상도 복원, 영상 분류, 영상분할 등등)에서도 신경망을 도입하여 이전보다 나은 성과를 내고 있다. 본 논문에서는 의료영상에 깊은 신경망을 활용하여 세포핵 영역을 분할하는 기법을 제안한다. 본 논문에서 제안하는 네트워크 구조는 수용영역이 서로 다른 세 개의 네트워크를 병렬 처리하는 병렬 네트워크와 분류 네트워크로 이루어져 있다. 네트워크의 입력은 원본 영상을 전처리한 영상과 가이드 영상을 사용한다. 제안하는 방법은 풀링을 제거한 Deeplab-v1보다 mIOU가 4.61% 높고, 1024×1024 크기 영상에서 1.92배 빠르다. Recently, neural networks have been actively studied and applied in various fields. In the various fields of image processing (super resolution restoration, image classification, image segmentation, etc.), neural networks have been introduced to achieve better results than before. In this paper, we propose a technique to segment the nuclei region using deep neural network for medical images. The network structure used in this paper consists of three networks with different receptive field and a classification network. The input of the network is the pre - processed image and the guide image of the original image. The proposed method is 4.61% higher in mIOU than Deeplab-v1 with pooling removed and 1.92 times faster in 1024×1024 size image.