http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
위치정보를 이용한 안드로이드OS 기반의 사용자 관계형성 서비스 설계 및 구현
장래영,정성재,배유미,성경,소우영,Jang, Rae-Young,Jung, Sung-Jae,Bae, Yu-Mi,Sung, Kyung,Soh, Woo-Young 한국정보통신학회 2011 한국정보통신학회논문지 Vol.15 No.11
현재 스마트폰 가입자는 1500만 명을 넘어 연말까지 2천만 명을 넘길 것으로 예상하고 있다. 스마트폰의 보급은 새로운 패러다임과 긍정적인 결과도 주었지만, 대인 관계를 멀리하고 스마트폰에만 열중하는 결과를 양산해냈다. 본 논문에서는 안드로이드 OS를 기반으로 개개인의 위치 정보를 이용해 동일한 애플리케이션을 이용하는 사용자간의 관계 형성 서비스를 설계하고 구현한다. Presently SmartPhone users over the 15 million are expected to exceed 20 million people by the end of the year. The prevalence of SmartPhone has brought positive results with a new paradigm. But, It makes a result that SmartPhone user should concentrate on mobile device and interpersonal relationships are avoided. In this paper, we design and implement user network services that use a same application using located information based on android.
디지털 사이니지 시스템의 콘텐츠 보안 필요성에 관한 연구
이재웅(Lee Jae-ung),장래영(Jang Rae-young),정성재(Jung Sung-jae),성경(Sung-Kyung),소우영(SohWoo-young) 한국정보기술학회 2017 Proceedings of KIIT Conference Vol.2017 No.12
TV, PC, 휴대전화에 이은 제 4의 미디어로 주목받는 디지털 사이니지는 정보, 엔터테인먼트, 광고 등을 제공하는 디지털 광고판을 말한다. 간판, 포스터, 안내판 등 기존의 옥외광고를 디지털 디스플레이로 변화시킨 1세대 디지털 사이니지, 고객과 상호작용하여 맞춤형 정보를 제공하는 2세대 양방향 디지털 사이니지가 상용화 되고 있다. 본 논문에서는 보안의 어려움으로 보안이 거의 이루어지지 않는 디지털 사이니지 시스템의 콘텐츠 보안 필요성에 대해 연구하였다.
방대한 시공간 IoT 센서 데이터의 효율적인 검색을 위한 트라이 기반 색인 방법
추하원(Hawon Chu),서영균(Young-Kyoon Suh),이용(Ryong Lee),박민우(Minwoo Park),장래영(Rae-Young Jang),이상환(Sang-Hwan Lee),송사광(Sa-Kwang Song) 한국정보과학회 2020 정보과학회논문지 Vol.47 No.12
통신 기술과 컴퓨팅 능력의 발전으로 인해 사물인터넷 센서가 여러 분야에 보편화되면서 대량의 시공간 사물 데이터가 끊임없이 생성되고 있다. 고차원적인 추가 분석을 위해, 그러한 거대한 시공간 사물 데이터를 저장 시스템에 수집하는 것은 고도화된 저장 기술 덕분에 그리 어렵지 않게 되었다. 그럼에도 불구하고, 사물데이터의 거대한 양과 복잡한 시공간성으로 인해 질의된 사물 데이터를 신속히 찾아내는 것은 여전히 도전적인 문제로 여겨져 왔다. 본 논문은 이러한 문제점을 해결하기 위해 시공간성을 가진 대용량 사물 데이터에 대해 효율적인 검색을 지원하는 색인 방법인 ST-Trie를 제안한다. ST-Trie의 핵심 아이디어는 시공간 지역성을 고려하여 3차원 시공간 정보를 1차원 데이터로 부호화한 다음, 이를 논리적인 트라이(Trie) 구조로 조직하는 것이다. 제안된 방법인 ST-Trie에 대한 실제 사물인터넷 센서로부터 얻은 데이터 셋들을 이용한 실험 결과, ST-Trie가 질의 응답 시간에 관하여 비교된 복합 색인보다 최대 92배 더 높은 성능을 보였다. 특히, 우리는 ST-Trie가 주어진 시간 범위가 커질수록 더 확장성 있는 검색을 수행하였음을 확인하였다. As the Internet-of-Things (IoT) sensors with enhanced communication technology and computing power have been widely utilized in many areas, a great deal of spatio-temporal data has been continuously generated. Thanks to the remarkable advances in storage technology, it is possible to collect such massive data into storage systems for further high-dimensional analysis. That said, it has been very challenging to speedily locate stored IoT data in a reasonable amount of time due to the heavy volume and complex spatial and temporal attributes. To address this concern, we propose a novel scalable indexing scheme, termed ST-Trie, to support the efficient querying of massive spatial-temporal data collected from IoT sensors. The key idea of our scheme is to encode three-dimensional spatiotemporal information into one-dimensional keys in consideration of time and space locality and then organize the keys into a logical trie structure. In our experiments with real datasets, the proposed scheme outperformed composite indexes by an average of up to 92 times in terms of query response time. In particular, we confirmed that ST-Trie scaled much better than the compared indexes with increasing time ranges.
이용(Ryong Lee),장래영(Rae-young Jang),박민우(Min-woo Park),이건우(Gunwoo Lee),최명석(Myung-Seok Choi) 한국콘텐츠학회 2021 한국콘텐츠학회논문지 Vol.21 No.6
최근 딥러닝 기술의 급속한 발전과 함께 학습데이터가 크게 주목을 받고 있다. 일반적으로 딥러닝 방식에서는 모델을 훈련시키기 위해 충분한 학습데이터가 준비되어 있어야 한다. 하지만, 딥러닝 모델 설계 작업과 달리 데이터셋을 제작하는 데 상당한 시간과 노력이 필요하다. 영상 데이터를 주로 다루는 시각지능 분야에서도 학습데이터 제작자들은 전문적인 학습데이터 제작 도구를 사용해 이미지 단위로 레이블링을 수작업으로 하고 있어 여전히 많은 시간과 노력이 필요한 상황이다. 따라서, 다양한 분야에서 필요한 충분한 영상 학습데이터셋을 확보하기 위해 기존의 수작업 방식을 대체할 수 있는 레이블링 기술이 필요하다. 본 논문에서는, 영상 학습데이터셋 동향을 소개하고, 학습데이터 제작 환경에 대해 분석한다 특히, 수작업으로 이루어지는 반복적이고 수고스러운 레이블링 과정을 자동화하여, ‘확인과 수정’의 단계를 비약적으로 단축시킬 수 있는 ‘스마트 영상 학습데이터 제작 시스템’을 제안한다. 그리고, 실험을 통해 영상 학습데이터 제작 과정에서 이미지에 박스형 및 폴리곤형 객체영역을 지정하여 레이블링하는 데 소요되는 시간을 크게 줄이기 위한 자동레이블링 방식의 효과를 검증한다. 마지막으로, 제안하는 시스템의 실험에서 추가적으로 검증되어야 하는 부분과 함께 이를 개선하기 위한 향후 연구 계획에 대해 논의한다. The drastic advance of recent deep learning technologies is heavily dependent on training datasets which are essential to train models by themselves with less human efforts. In comparison with the work to design deep learning models, preparing datasets is a long haul; at the moment, in the domain of vision intelligent, datasets are still being made by handwork requiring a lot of time and efforts, where workers need to directly make labels on each image usually with GUI-based labeling tools. In this paper, we overview the current status of vision datasets focusing on what datasets are being shared and how they are prepared with various labeling tools. Particularly, in order to relieve the repetitive and tiring labeling work, we present an interactive smart image annotating system with which the annotation work can be transformed from the direct human-only manual labeling to a correction-after-checking by means of a support of automatic labeling. In an experiment, we show that automatic labeling can greatly improve the productivity of datasets especially reducing time and efforts to specify regions of objects found in images. Finally, we discuss critical issues that we faced in the experiment to our annotation system and describe future work to raise the productivity of image datasets creation for accelerating AI technology.