Earticle

The identification and association of phonemes from different shapes of the vocal tract can be used for multiple tasks such as diagnosing pronunciation difficulties in patients through the analysis of images like the MRI. However, the lack of reliable vocal tract datasets makes tasks like those hard to be accomplished. Through this paper, an initial proposal on how to make a vocal tract dataset is made and how it could be potentially applied for classifying phonemes. For the creation of the dataset the Vocal Tract Lab Python API was utilized, and those generated images were used as input for training the classifier. The vocal tract images were made from different ages and genders. Only phonemes representing vowels are analyzed and the quantity of the images created for the training are small, which made the test results from the phoneme classification fluctuate in each training run. Still, the current work represents an initial step towards new works in this direction.

인공지능의 기술의 발달로 인해 의료 분야에도 진단, 예방, 시각화 등 다양한 분야 인공지능이 활용되고 있다. 그러나 환자의 개인 정보 보호를 위해 공개된 데이터가 제한적이어서 인공지능 학습에 어려움이 있다. 본 연구에서는 소수의 데이터로도 안정적으로 학습할 수 있는 TECD (Transformer Encoder Convolutional neural network Decoder)를 제안한다. TECD는 SegFormer의 인코더와 Attention U-net의 디코더를 결합하여 사용한다. 이는 트랜스포머와 합성곱 신경망의 단점을 보완할 수 있도록 설계되었다. 트랜스포머는 이미지의 특징을 풍부하게 잘 추출할 수 있으나 많은 학습 데이터가 필요하며, 합성곱 신경망은 상대적으로 적은 데이터로도 학습할 수 있으나 이미지의 특징 추출에 한계가 있다. TECD는 이러한 두 구조의 장점만 효과적으로 결합했다. 본 연구에서는 용종 분할 데이터인 Kvasir-SEG 데이터셋을 사용하여 실험을 진행하였다. 실험 결과, TECD는 소수의 데이터를 가지고 학습할 때, 트랜스포머 기반의 SegFormer와 합성곱 신경망 기반의 Attention-U-net보다 더 우수한 성능을 보였다. 대장내시경 영상 내의 용종 분할 작업 외에 다양한 의료 영상 분야에 TECD가 적용될 수 있을 것이라 기대한다. 더불어 의료 분야와 같이 소수의 데이터만 공개되는 분야에서도 트랜스포머 기반의 모델을 활용할 수 있는 가능성을 제시한다.

최근 동영상 공유 플랫폼에서 유명 아이돌과 댄서의 안무 영상이 공유되고 콘텐츠 소비자들은 이를 보고 따라 춰서 새로운 콘텐츠를 창출하고 있다. 또한 많은 기업에서 빠른 동작의 인식과 동작 간의 유사도를 측정하는 기술을 요구하고 있다. 본 연구는 동작 인식 및 동작 간의 유사도를 계산하는 방법을 제안한다. 동영상에서 안무 혹은 동작의 데이터를 추출하고 데이터 간의 유사도를 계산한다. 동작의 데이터는 OpenPose로 골격을 추출하여 이를 이용해 관절의 각도 데이터를 추출하고. 유사도는 코사인 유사도를 사용하여 계산하는 방법을 제안한다. 다음과 같은 방법으로 같은 동작의 유사도는 0.995의 유사도를 보였고 다른 동작의 유사도는 0.931의 유사도를 보였다.

딥러닝 기반의 3차원 형상 재 복원 기법에서의 입력 이미지 사이즈의 변화에 따른 적절한 3D-Volume의 크기 및 Volume의 Depth Interval을 찾아보고, 다른 입력 사이즈에 따른 동일한 3D-Volume의 크기 및 Depth Interval에서의 성능을 비교해 본다. DTU dataset에 대한 성능 평가 결과 입력 이미지 사이즈와는 관 련없이, 3D-Volume은 고정된 적절한 값에서 성능이 가장 좋았음을 알 수 있고, 3D-Volume의 크기가 큰 모델이 해상도가 큰 입력 이미지의 성능이 더 좋았다. 또한, DTU 데이터셋에서의 3D-Volume의 적절한 크 기를 알 수 있다. 따라서, 딥러닝 기반 3차원 형상 재 복원 기법에서 사용하는 3D-Volume과 Depth Interval은 학습하는 입력 데이터의 특성을 이해하고, 입력 데이터의 특징에 따라 적절한 값으로 사용하는 것이 좋다.

The aerial view diverse action recognition (AR) benchmark provides a valuable resource for researchers and developers in computer vision (CV) for human actions recognition (HAR) from an aerial perspective. With the increasing use of unmanned aerial vehicles (UAVs) for surveillance, delivery, search, and rescue, a robust understanding of human actions from an aerial view is crucial. Existing datasets lack representation of common outdoor actions and are unsuitable for intelligent UAVs. This article proposes a dataset that captured various actions from diverse viewpoints and in different environments. The dataset includes three viewpoints (Top, left, and right) allowing angle-invariant algorithm development. State-of-the-art algorithms (3D, and 2D convolutions with sequential learning) are evaluated on the dataset. The proposed model demonstrates exceptional performance with high accuracy (87.5%), precision (86.3%), and recall (87.2%) rates. The robustness of the model is showcased through real-time testing, indicating that the proposed dataset and model contribute to advancing research from drone view AR and have the potential to enhance surveillance and other UAV applications.

Animal detection and classification are crucial for effective wildlife management (WM) and reducing risks associated with animals related road accidents and attacks. Previous attempts trained the models using imbalanced data with fewer representative features and baseline models without improvement. This paper presents a new dataset of five animal classes captured in various poses, lighting conditions, and intraclass variations. The standard coupled detection head of the YoloV4 algorithm faces limitations when performing simultaneous classification and localization due to shared parameters and inputs. To address this issue, we propose a decoupled detection head (DDH) that handles these tasks separately, improving performance. We conducted extensive experiments using the proposed dataset. We found that the optimal backbone features marginally improve the performance of the modified network compared to state-of-the-art (SOTA) works in the subject domain. Our work contributes by addressing the limitations of the standard YoloV4 algorithm and proposing a new dataset for researchers to use in future studies.

Due to the "Special Act on the Safety and Maintenance of Facilities" in Korea, periodic exterior investigations of buildings are required. However, since the survey method is based on manpower, it can cause problems such as accessibility to the survey target, safety of the investigator, cost and time, and reliability of the survey results. In order to solve the problems of this manpower-based investigation method, artificial intelligence, drones, and metaverse were used to automatically identify damage to facilities and develop convergence technologies that increase access to facilities.

COVID-19 발병 및 확산으로 인해 신체 활동이 감소하고 피로와 무기력함을 호소하는 사람들이 증가하였다. 이에 따라 많은 사람들이 건강에 대한 관심 증가로 건강 증진과 면역력 강화를 위해 운동을 택하고 있으며, 이를 위해 홈 트레이닝 애플리케이션을 활용하고 있지만 자세 지도의 부재로 인해 잘못된 운동 자세로 인한 근골격계 부상과 근육의 불균형과 같은 문제가 발생할 수 있다. 이러한 문제를 예방하고 해소하기 위해 본 논문에서는 운동하는 사람의 객체 검출과 관절 추정을 통해 정확한 운동 자세 분류하고 평가하여 지도하는 모델을 제안한다. 제안된 모델은 웹 캠으로부터 수집된 영상 프레임을 YOLOv7(You Only Look Once version 7) 모델의 입력 데이터로 사용하여 사람 객체를 검출하고, 관절 추정의 정확도를 높이기 위해 전경 추출을 이용하여 배경을 제거한 객체를 추출한다. 추출된 사람 객체 이미지를 OpenPose 의 입력 데이터로 사용하여 관절 좌표를 추출하고, 이 좌표를 이용하여 정확한 피트니스 운동 자세에 대해 평가하고, 분류기의 입력 데이터로 사용하여 3 대 운동인 벤치프레스, 스쿼트, 데드리프트의 종류를 분류한다. 본 논문의 모델을 통해 피트니스 운동을 하는 사람의 관절 동작을 자동으로 인식하여, 정확한 운동 자세를 취하지 않은 경우를 감지하고 교정하는 데 적용될 수 있을 것이다. 이를 통해, 근골격계 부상 예방과 근육의 불균형의 문제를 해소하는 데 큰 도움이 될 것으로 예상한다. 또한 피트니스 트레이닝 분야뿐만 아니라 의료 분야에서도 활용될 있을 것이라 기대한다.

DeVTr은 비디오 데이터 처리에서 프레임 간 변환을 통해 기존의 프레임 기반 모델보다 더 나은 성능을 제공 한다. 본 논문은 다양한 base model을 기반으로 한 DeVTr의 성능을 비교하고 분석하였다. 실험 결과, resnet26을 base model로 사용하는 DeVTr이 비디오 변환 작업에서 시각적 품질과 정확성 면에서 우수한 성 능을 보여주는 것을 확인했으며 향후 더 큰 규모의 데이터셋을 활용화여 성능을 비교할 예정이다.

본 논문에서는 기존 U-Net모델을 기반으로 skip-connection 과정에 cross-attention을 적용하여 retinal vessel segmentation 성능을 향상 시키는 모델을 제안한다. U-Net은 encoding과 decoding 과정 동안 발생한 edge information의 손실을 보완하기 위해 skip-connection 구조를 사용한다. 하지만 이러한 구조는 불필요한 information이 함께 전달되어 noise가 발생하는 문제점이 있다. 이를 해결하기 위해 skip-connection에 attention gate를 적용하여 필요한 성분만 추출하는 attention U-Net 모델이 제안되었다. 그러나 encoder의 상위 layer feature에는 context information이 부족하기 때문에 pixel classification 성능에 열화를 일으킬 수 있다는 문제점이 존재한다. 따라서 본 논문은 기본 U-Net의 skip-connection 과정에서 발생하는 edge와 context information 손실을 방지하기 위해 crossattention 구조를 사용한 새로운 network를 제안한다. 제안된 방법은 Drive dataset에서 96.89%의 분류 정확도를 보여, 기존 U-Net 모델과 Attention U-Net 모델 대비 가장 좋은 성능을 보인다.

컴퓨터 비전 및 컴퓨터 그래픽스 분야에서 NVS를 이용하여 3D 뷰를 만드는 데 사용되는 NeRF의 방법론을 살펴보고 동일한 데이터 아래 서로 다른 손실함수를 통한 모델링 결과를 비교한다. 기존의 NeRF는 MSE를 손실함수로 채택하여 학습을 진행하는데 이 논문에서는 그 결과와 L1 손실 함수, Huber 손실 함수를 이용한 결과를 정량적, 정성적으로 비교한다. 비교한 결과 Huber loss를 사용하는 경우가 정량적으로 최고의 결과를 내었고 정성적으로는 세 손실함수 모두 큰 차이를 내지 않았다. 해당 결과만 보았을 때는 Huber loss를 사용하는 것이 효율적이라고 판단할 수 있다.

3D 모델을 구현하고 표현하는 두 가지 기술인 3D Reconstruction과 View Synthesis 기술에 있어서 최근 각 광받고 있는 View Synthesis 기술인 Neural Radiance Field(NeRF)와 NeRF의 기반이 되는 3D Reconstruction 기 술인 COLMAP을 각각 살펴보고, 동일한 이미지 데이터를 기반으로 얻어진 결과에 대해서 정성적으로 비 교해본다.

고용노동부에 따르면 지난 2018~2020년 3년간 건설업 산업재해 사고사망자 1371명 중 건설 현장 기계‧장 비로 인해 사망한 사람은 259명으로 집계됐다. 굴착기 59명, 고소작업대 47명, 이동식 크레인 33명, 화물 운반트럭 23명, 덤프트럭 22명, 타워크레인 16명 등 다양한 건설 중장비 유형에서 사고가 발생했다. 안전 한 건설 현장 환경을 구현하기 위해서는 지속적인 모니터링을 통해 위험 상황을 조기에 발견하는 것이 중요하다. 객체 검출 모델은 특정 객체가 작업자에 접근 여부를 파악하는 것에 활용이 가능하므로 안전 한 건설 현장 환경 구축에 기여할 수 있다. 컴퓨터 비전 분야에서 CNN을 기반으로 객체 검출 방식에 있 어서 1-Stage Detector 방식의 대표적인 알고리즘인 YOLO의 v7과 v8의 기본 모델을 활용하여 건설 장비 이미지 데이터에 대하여 성능을 비교해본다. 객체 검출 결과, YOLOv8n이 YOLOv7보다 더 우수한 성능을 보였다.

딥러닝 기술의 발전으로 인공지능 기술을 의학 분야에 활용하고자 하는 노력이 지속적으로 이루어지고 있다. 그러나 딥러닝 기술에 필요한 의료 이미지 데이터의 경우 개인정보가 포함될 수 있기에 접근이 어려운 상황이다. 본 연구에서는 이미지를 생성하는 인공지능 모델인 GAN(Generative Adversarial Network)을 이용하여 생성된 이미지와 실제 의료 이미지 데이터를 비교함으로써, 해당 이미지의 의료 데이터로서의 활용 가능성을 탐색하고자 한다. 뇌 종양 데이터를 대상 데이터로 선정한 이유는 시각적으로 종양의 유무를 판단하기 용이하여, GAN의 학습 단계에 있어 용이할 것이라 판단하였다. StyleGAN3에 실제 뇌 종양 이미지를 학습하여, 가상 뇌 종양 이미지를 생성한 후 “정상”, “실제”, “생성”, 3가지 종류의 이미지를 2종류씩 분류하여 정확도를 확인하여 “생성” 이미지의 신뢰도를 측정하였다. 실험 결과 “생성” 이미지와 “실제” 이미지의 분류 정확도가 높아 두 종류의 이미지에 분류에 있어 큰 차이가 있다는 것을 확인했다.

디지털 전환으로 인해 스마트 전력망, 스마트 빌딩, 스마트 팩토리 등의 ‘스마트 X’ 기술로 인해 OT(Operational Technology) 네트워크가 인터넷과 연결되고 있다. 이로 인해 OT 네트워크에 대한 사이버 공격이 증가하고 있다. 사이버 공격을 방어하기 위한 시작점은 조직의 네트워크 내 자산을 식별하는 것이다. OT 시스템의 자원 부족과 실시간성의 요구로 인해, 전통적인 IT 시스템에서 사용되었던 자산 식별 방법을 OT 시스템에 적용하는 것은 한계가 있다. 본 논문에서는 OT 네트워크에서 자산을 식별하기 위한 네트워크 트래픽 특징 정보를 선정하고, 이를 활용하여 OT 장치를 식별할 수 있음을 보인다.

악성코드는 인터넷에서 공격자가 공격을 수행하기 위한 소프트웨어이다. 최근에는 전통적인 유형의 악성코드 행동 패턴에서 벗어난 악성코드가 등장함에 따라 대응의 어려움을 겪고 있다. 따라서, 새로운 유형의 악성코드 탐지와 분석을 위해 다양한 유형의 악성코드 분석 기법 및 탐지 기법이 요구된다. 본 논문에서는 머신러닝 기반 멀웨어 탐지 연구의 동향과 악성코드 탐지향상을 위한 시스템 측정 메트릭 수집기술의 한계점을 분석한다.

최근 에너지 소비의 증가와 함께 효율적인 에너지 사용을 위해 에너지 소비량을 예측하는 기술들의 필요성이 증가하고 있다. 에너지 소비량을 예측하는 방법은 크게 2가지로 분류할 수 있으며, 본 연구에서는 2가지 방법 중 인공지능 기반의 접근 방식을 사용하여 DHW(Domestic Hot Water) 소비량을 예측하는 모델을 제안한다. DHW 소비량 예측 모델을 제안하기 위하여 XGBoost, LightGBM, LSTM과 LSTM을 활용한 Seq2Seq, 특징 추출을 위해 Seq2Seq 모델에 CNN을 추가한 CNN-Seq2Seq, 총 5가지 모델을 비교하였으며, 평가지표는 MAE, MSE, R2를 사용하였다. 입력 변수로는 기상청에서 획득한 기상 데이터와, 월, 일, 시와 같은 시간 데이터를 사용하였다. 평가지표 결과 CNN-Seq2Seq 모델이 (MAE)0.0810, (MSE)0.0204, (R2)0.9701로 5가지 모델 중 제일 좋은 성능을 보여주었다.

Solar power generation provides significant environmental and economical advantages, in comparison to nuclear and fossil fuel. Although, due to the unpredictable and intermittent patterns in the data, it is difficult to forecast power generation effectively. Therefore, in this study, we proposed stacked Gated Recurrent Units (SGRU) and deep Convolutional Neural Networks (DCNN) for power generation forecasting. Initially, data preprocessing strategies are applied such as imputing missing values and data normalization, to convert the raw input data into refined formate. The proposed dual SGRUDCNN is then used to learn temporal pattern via SGRU and spatial pattern via DCNN, followed by a feature fusion layer, where the outputs vectors of both networks are integrated into a single representative feature vector and fed to fully connected layers for final forecasting. Furthermore, the effectiveness of the SGRU-DCNN is evaluated via two benchmarks where the SGRU-DCNN achieved optimal performance among state-of-the-art (SOTA) architectures.

최근 Git Hub에 트위터의 트윗/사용자 추천 알고리즘이 일부 공개가 됐다. 따라서 현재 공개된 일부 코드를 분석하고 트위터 추천 알고리즘의 동작 방식을 본 논문에서 연구한다. 또한 매일 게시되는 약 5억개의 트윗 중 소수의 상위 트윗을 추출하여 사용자의 메인 페이지 타임라인에 표시하는 추천 알고리즘에 대한 방법을 소개 하고자 한다. Home Timeline에 추천 되는 트윗은 추천 파이프라인 주요기능 세가지를 사용하여 추천되며, Candidate Source 프로세스를 통해 다양한 추천 소스에서 트윗을 가져오고 기계학습모델을 사용하여 각 트윗에 순위를 매긴다. 사용자의 Home Timeline에 노출시키기 이전에 사용자가 차단하거나, 중복되었거나, 트위터 규정을 위반한 트윗 등을 필터링 한다. 이러한 과정을 거쳐 사용자의 Home Timeline에 관심사에 맞는 트윗 추천을 하게끔 작동한다.

과거 동물들은 가족의 의미보다는 집을 지키거나 농사의 도움이 되는 등 역할이 주어진 가축의 의미에 더 가까웠다. 시간이 지나면서 동물들은 생활 환경이 집 밖에서 집 안으로 바뀌고 가족으로 받아들여지 면서 점차 반려동물 양육 인구수가 증가하고 있다. 최근 우리나라의 반려동물 양육 인구수는 대략 741 만 명으로 대한민국의 15%의 인구가 반려동물과 함께 살아가고 있음을 알 수 있다. 반려동물을 하나의 가족 구성원으로 받아들이게 되면서 반려동물의 건강식품에 관심도 증가하고 있다. 이에 본 논문은 문자 열을 byte화 한 뒤 리스트로 만들어 두 리스트 간에 유사도를 수치화하는 방식의 Sequence Matcher 함수를 사용하여 유사도 분석 결과를 도출하였다. 이를 이용하여 반려동물의 장 마이크로바이옴 데이터 와 마이크로바이옴 논문 데이터의 유사도 분석을 통해 반려동물이 유전적으로 발현할 수 있는 질병이나 현재 건강 상태를 확인하여 이에 맞는 식품을 추천해주는 AI 기반 헬스 케어 시스템을 개발한다.

게임의 레벨은 게임의 재미와 난이도를 결정하는 매우 중요한 요소이다. 게임 레벨은 일반적으로 게임 디자이너가 수작업으로 디자인하며, 이는 시간과 비용을 소모한다. 이 논문에서는 깊이 우선 탐색 기법을 이용해 구슬 미로 게임을 자동으로 플레이하여 난이도를 측정한다. 제안된 방법을 통해 게임 디자이너는 생성된 게임 레벨의 난이도를 평가하고 게임의 밸런스를 조절하여 원하는 난이도의 게임 레벨을 생성하는데 소모되는 시간을 줄일 수 있다.

코로나 19 전염병 발생 이후 감염자의 수는 엄청났고, 대부분의 국가는 전염병을 피할 수 없었다. 전염 병 예방 및 통제 기간 동안 모니터링을 이용해 사용자는 본인의 동선이 확진자와 겹쳤는지 등 많은 번거 로움이 있었다. 중국에서는 동형암호화 기술을 기반으로 한 제품이 확진자와 밀접접촉자를 모니터링한 다. 하지만, 동형 암호화 기술 알고리즘은 공개 키가 길어 한정적 자원에서 계산하기 많은 어려움이 있 다. 본 논문에서는 동형 암호화 기술을 대신할 알고리즘을 소개하여 성능 개선 방법에 연구한다.

ECG signals are based on capturing the electrical activity generated by the heart. Different types of analysis techniques have been performed on ECG signals to make it usable for different purposes. The purpose of this study is to compare the 1-dimensional and 2-dimensional analysis techniques performed on ECG signals and different types of AI-based algorithms used to train the data. For this purpose, previuos researches based on different types of ECG data are studied to carry out comparative analysis. The results show that user identification system built using 2D ECG data results in better identification accuracy as compared to 1D ECG signals.

이 논문에서는 하이브리드 시뮬레이션 방법인 Material Point Method에서 초탄성체의 파괴를 현실적으로 모 델링하기 위한 항복 조건 적용 방법을 제안한다. 이 시뮬레이션 방법에서는 물체에 외력이 작용하면 내 부 응력이 발생하며, 응력이 높아지면 물체의 형태가 변화하고 파괴가 발생한다. 그러나 기존의 Material Point Method에서는 파괴가 발생하는 기준이 존재하지 않아 초탄성체의 변형을 적절하게 처리할 수 없는 문제가 있다. 이에 대한 해결책으로 초탄성체를 이루고 있는 입자의 부피에 따른 항복 조건을 적용하여 초탄성체가 외력에 의해 파괴되는 과정을 현실감 있게 표현하였다.

ICT의 발전에 따라 새로운 치료법으로 등장 한 디지털 치료제 개발이 본격화되며 소프트웨어 자체로 질병 치료에 직접적 인 영향을 주고 있다. 이에 따라 본 논문에서는 호흡기 천식 환자에 대한 질병 여부를 진단하고, 주변 미세먼지, 약물 투입 등 의 데이터를 기반으로 증상의 변화를 예측하는 디지털 치료제를 위한 알고리즘을 제안한다. 천식은 만성 호흡기질환으로 유병 률은 2022년 기준 3.2%에서 4.7% 정도로 매년 증가하고 있으며, 불충분한 치료와 예방으로 많은 천식 환자가 사망하고 있 다. 천식 치료 방법의 하나인 흡입 스테로이드를 사용한 초기 치료는 천식 진단 후 바로 시작해야 하고 환자의 증상에 따라 치료 안을 선택할 수 있어서 신속한 진단이 필요하다.본 알고리즘은 천식 진단에 유용한 질문 또는 천식에 대한 세부 병력, 검사 결과 를 통해 천식 진단을 진행하여 입력한 데이터들이 천식 진단 기준을 충족하면 천식 치료를 진행하고 충족하지 않는다면 반복 검사 또는 다른 검 사를 통해 천식을 진단할 것이다. 만약 첫 번째 진단에서 천식 기준을 충족하지 않았다면 반복 검사 또는 다른 검사를 진행할 것이고, 추가 검사 를 의뢰할 수도 있다. 이러한 세밀하고 반복적인 진단을 통해 정확하게 천식을 진단할 수 있도록 하였다. 본 결과로 빠르고 편리한 의료 진 단으로 현대의 만성 질환 중 하나인 천식 대비하여 환자들의 점점 증가하는 의료 서비스 수요에 대응과 의료자원 소모를 줄일 수 있을 것으로 기대된다.

복잡한 운전 상황에서 사고를 미리 예견할 수 있는 기술은 사고를 미리 예방할 수 있게 하여 인명 및 교 통 체증 등을 근본적으로 해결할 수 있게 한다. 본 연구는 교통사고를 미리 예견하기 위해 차량내부에서 획득한 영상을 통해 차량 사고 위험도를 심층학습을 통해 측정하고 운전자에게 위험 물체의 위치를 경고 해 주는 실시간 인공지능 시스템을 제시한다. 인공지능 모델은 대체로 크기가 크므로 Edge computer에 서 실시간으로 구동하기에는 어려우므로 본 연구에서는 Target Device에 최적화된 모델을 개발하고 실 제 차량에 설치하여 실시간 성능을 측정하였다. 현재 약 7-9 Hz로 작동함을 보인다.

전동 킥보드는 전기를 동력으로 사용하는 개인 교통수단으로 최근 교통문제와 환경문제의 해결 방안으로 큰 주목을 받고 있다. 또한, 킥보드는 낮은 유지 비용과 친환경적인 측면, 그리고 휴대성과 이동성이 강화된 이동 수단이다. 하지만 '사고'라는 위험 요소를 배제하고 이야기할 수가 없으며 업체는 사고로 훼손된 킥보드의 상태를 알 수 없는 상황에 놓인다. 이를 해결하기 위하여 본 연구를 통하여 킥보드의 손상 원인이 인재인지, 아니면 재해인지를 킥보드의 충격 센서를 통하여 데이터를 받는다. 이후 keras를 이용하여 구축한 신경망으로 손상 원인을 파악하고 이를 알려주는 시스템을 구축한다. 이를 통해 인재에 의한 킥보드의 훼손 여부를 판단함으로써 업체의 손실이 감소되고 사용자들에게 좀 더 유익한 공유 킥보드 문화를 심어줄 수 있을 것으로 예상된다.

A crucial component of designing intelligent and ecologically friendly environments nowadays is electricity consumption forecasting. The generation of energy can be enhanced to effectively meet the population's rising requirements by using the prediction of future electricity consumption. Due to the broad variety of consumption patterns, it is difficult to anticipate the energy requirements of buildings. Therefore, this work uses a dual-steam approach with multi-head attention to anticipate the power consumption of the building to address this issue and produce precise predictions. The proposed network concurrently learns temporal representations through a Bidirectional Gated Recurrent Unit (BGRU) and spatial patterns through Atrous Convolutional Neural Network (ACNN). The obtained features are combined to create a single feature vector that is used as the input for the multi-head attention, which finds the features that are most suited to forecasting the electricity consumption of a building. Finally, the dense layer receives the effective features and uses them to forecast short-term power consumption. In this paper, the proposed dual-stream network with attention outperforms competing models, achieving the lowest error value for hourly building power consumption prediction, according to experimentation on the household electricity consumption dataset.

3D 모델의 애니메이션은 상호작용이 가능한 실시간 응용 프로그램에서 중요한 요소 중 하나이다. 그 중에서도 주어진 3D 환경과 객체들에 대응하여 적절한 애니메이션을 생성하는 것은 해결하기 어려운 문제이며, 이를 해결하기 위해 다양한 방법들이 제안되고 있다. 이 논문에서는 상대 휴머노이드(humanoid) 모델에 대응하는 상호작용 애니메이션을 생성하기 위해 다중 목적 마르코프 의사결정과정(Multi Objective Markov Decision Process)을 활용하는 강화학습 방법을 제안한다. 상호작용 애니메이션을 통해 학습하고자 하는 애니메이션의 목적을 두 개의 보상(reward) 변수로 정의하고, 이를 하나의 스칼라 값으로 변환하는 효용 함수(utility function)을 통해 의사결정과정 내의 에이전트(agent)의 정책 학습에 반영한다. 다중 목적 마르코프 의사결정과정 기반 강화학습의 결과로 학습된 휴머노이드 모델은 상대 휴머노이드 모델의 다양한 변화에 대응하는 애니메이션을 생성한다.

오랫동안 사회적 이슈가 되었던 가짜 석유는 악의적으로 석유에 다른 물질을 섞어 만든 물질을 말한다. 이러한 불법 행위로 인해 만들어진 가짜 석유는 여러 방면에서 많은 문제점을 일으키고 있다. 이렇게 만들어진 가짜 석유를 인지하지 못하고 구매하고 사용한다면, 소비자들은 많은 피해를 입는다. 더불어 환경 피해까지 입게 된다. 본 연구는 가짜 석유 문제로 인해 생겨난 문제들을 해결하기 위해 가짜 석유 방지 시스템과 마케팅 모듈을 통해 판매자와 구매자의 관계를 효과적으로 관리할 수 있는 방안을 모색하는 데 중점을 두고 있다. 또한 주유소 담당자와의 인터뷰를 통해 최종적으로 시스템의 효과를 검토한다.