Earticle

전 세계에 치과용 임플란트 진료가 대중화되고 있으며 임플란트 식립 정확도를 높이기 위해 다양한 가이드 시스템이 연구되고 있다. 하지만 기존 시스템은 시간과 비용의 소모가 크며 시술 시 의사 및 환자에게 불편함을 주고 있어 실제 사용량은 매우 낮다. 본 논문에서는 진료 영상 데이터를 활용하여 AR 디바이스 기반의 임플란트 식립 방향을 가이드하는 기법에 대해 제안한다. 치과 진료 영상 데이터를 활용하기 때문에 부가적인 장치나 장비 없이 임플란트 진료의 편의성을 높일 수 있다. 또한, AR 디바이스와 연동하여 실시간으로 증강현실 형태의 임플란트 식립 가이드를 제공할 수 있다.

언어 번역, 음성 인식 등의 기술이 발전하면서 음성을 이용한 실시간 언어 번역, AI 음성 인식 시스템, 음악 인식 등의 기술이 생겨났다. 이 기술들은 입력되는 음성, 대사, 대화의 질에 대한 의존도가 높아서 주변 대화 소리, 기계 소음 등의 잡음이 있는 환경에서는 좋은 성능을 내기 어렵다. 따라서 본 논문에서는 Kalman 필터와 딥러닝을 이용한 음성, 대사, 대화 복원 기법을 제안한다. 제안된 기법은 필터링을 통해 잡음을 최소화 하고, 손실 또는 왜곡된 음성을 복원하여 기술의 최대 성능을 낼 수 있게 할 수 있을 것으로 기대된다.

인공지능 모델인 GPT와 Stable Diffusion은 대중들이 가장 편하게 사용하면서도 높은 정확도 를 제공하는 모델로 각광받고 있다. 이 모델들은 예술 분야에서도 뛰어난 성과를 보여주며, 인 공지능을 활용한 미디어 전시회에서도 높은 수준의 결과물을 제공한다. 본 논문에서는 음악 시 각화에 집중하여 음악을 텍스트화한 후, 이를 Stable Diffusion과 결합하여 음악에 관련된 이미 지 생성을 실험하고자 한다.

인터넷 기술의 발전으로 인하여 IoT 장치 사용이 증가함에 따라 발생하는 보안 위협도 증가하고 있다. 이러한 보안 위협을 해결하거나 완화하기 위해 IoT 장치 식별이 중요하다. 본 논문에서는 머신러닝 기반으로 IoT 장치를 식별하는 4가지 기법을 비교·분석하여, 각 기법에서 사용된 특징 정보, 머신러닝 모델, 데이터 셋, IoT 장치 등을 살펴본다. 분석을 통해 IoT 장치 식별에 효과적인 특징 정보, 머신러닝 모델을 제시한다.

본 논문에서는 Web of Science 데이터베이스를 활용하여 메타버스 관련 학술 논문을 검색하였으며, 1013개 자료 의 메타데이터에서 저자 키워드를 추출하여 자주 발생하는 용어와 동시 발생하는 용어를 분석하였다. 분석 결 과는 R의 시각화 도구를 사용하여 제시하였다. 저자 키워드에서 가장 많이 발생한 용어는 빈도 그래프와 워드클라우드로 시각화 하였다. 그리고 정보 의미 이해에 대한 시각화의 유용성을 제안하기 위해 네트워 크 분석을 하여 상관이 있는 용어들의 연결을 시각화 하여 분석하였다.

실험실에서 발생하는 화재 사고는 인명과 재산 피해 위험이 커 신속한 탐지와 체계적인 대응이 요구된다. 본 논문에서는 실험실에서 발생할 수 있는 다양한 화재 상황에 효율적으로 대처하기 위하여 4종류(일반, 유류, 전기, 금속) 화재 시나리오를 포함하는 이미지 데이터 셋을 구축하고, 객체 검출(YOLOv5) 기반 화재 특징 추출과 트리 기반 의사결정(Random Forest) 모형을 결합한 이미지 기반 실험실 화재 유형 분류 모델을 제시하고 평가한다.

실내 측위 시스템은 다양한 기술을 활용하여 연구되고 있다. 하지만 활용되는 기술에 따라 측정되는 위치정보의 오차가 매우 크거나 전력 소모 등의 문제로 서비스 제공이 원활히 이루어지지 못하고 있다. 본 논문에서는 실내 측위에 활용 가능한 저전력 기술인 Bluetooth Low Energy beacon을 활용한 기존의 실내 측위 시스템에서 오차를 줄이기 위해 XGBoost 라이브러리의 XGBRegressor 모델을 사용한 기계학습 활용을 제안하고, 이를 구현하여 성능 분석한 결과를 제시한다.

본 논문은 화재 상황에서 효율적이고 신속한 대응을 위한 화재 감지 시스템을 위한 MLOps 시스템 구조를 제안한다. 현재 재난 피해를 최소화하기 위해 기계학습 모델을 활용하는 연구들은 활발하나, 이를 위한 MLOps 시스템 구조에 대한 연구는 부족한 상황이다. 본 연구에서는 화재 상황에 대해 MLOps 기술을 활용하여 지속적인 모델 운영 및 관리를 가능하게 하는 시스템 구조를 제안한다. 제안 구조는 모델 학습 시간과 지연 시간을 고려한 DR 스케줄러를 통해 태스크를 효율적으로 스케줄링 한다. 향후 연구로 제안된 구조를 기반으로 시스템을 구축하고 효율성을 검증할 계획이다.

재난 대응 작업에서 정확하고 신뢰할 수 있는 위치 파악은 매우 중요하다. 재난 상황에서 로봇이 신속하게 대응하는 것은 핵심적인 역할을 수행한다. 그러나 재난 환경의 특성으로 인해 정교한 센서 기반의 SLAM이 적절히 작동하지 않을 수 있다. 본 연구에서는 VIO기반 UWB 협력 측위 정확성을 향상하기 위한 방법론을 제안합니다. 이에 따라 VIO와 UWB를 비교하여 재난 상황에서의 정확한 위치 파악을 위한 솔루션을 탐구한다. 실험은 실제 구조 상황을 모사하기 위해 DWM3001CDK와 아이폰을 사용하여 구조자가 이동하면서 UWB 인프라를 구축하고 측위 작업을 수행했다. 실험 결과는 UWB 무선통신으로 얻은 앵커 위치와 VIO를 통해 추정된 앵커 위치로부터 삼각 측량한 구조자의 위치를 나타냈다. 이를 통해 VIO 기반 UWB 협력 측위의 정확성과 효과성을 평가하고, 재난 상황에서의 구조 작업에 적합한 솔루션으로 활용할 수 있음을 확인했다.

딥러닝 가속기는 저전력 고효율의 특징을 가지며, 임베디드 시스템에서 직접 DNN 작업을 수행할 수 있어 높은 반응성을 얻을 수 있다. 본 논문에서는 실시간성을 보장하기 위한 Edge TPU에서의 우리의 프레임워크를 제안한다. 이를 위해 Edge TPU 내부적으로 실시간성을 방해하는 문제를 발견하였으며, SRAM 할당 및 모델 분할을 지원하는 프레임워크를 소개한다. 최적의 SRAM 할당 및 모델 분할 개수를 찾기 위해 혼합 정수 계획법 기반의 알고리즘을 고안하였고, 이를 우리의 프레임워크에 적용하여 Edge TPU에서의 실시간성을 극대화할 수 있었다.

최근 얼굴인식 연구에서는 이미지 품질을 고려하여 낮은 품질의 이미지에 대해서 알고리즘 성능을 개선 하고 있다. 이러한 연구에서 사용하는 이미지 품질의 조작적 정의는 샘플의 모델 임베딩 값의 L2 노름 (특징 정규화)을 사용하고 있으며, 얼굴인식 외의 연구인 Out Of Distribution(OOD)에서 특징 정규화는 이미 지 품질이 아닌, 학습 데이터셋의 분포와 차이나는 데이터를 구별하기 위해 사용되고 있다. 이는 특징 정 규화가 모델에 학습된 데이터에 따라 달라짐을 시사한다. 얼굴인식 학습 데이터 셋은 대부분 롱 테일 분 포를 가지고 있기에, 본 연구는 이를 고려하여 특징 정규화를 클래스 별로 표준화하여 전처리를 한 결과 특징 정규화와 이미지 품질의 상관관계가 더 높아진 결과를 보여준다. 추후 얼굴인식 분야에서는 데이터 셋의 분포를 고려하여 특징 정규화를 이미지 품질로 사용할 것을 제안한다.

실내 측위의 중요성이 대두되며 다중 디바이스를 활용하는 다양한 측위 어플리케이션이 등장하였다. 하지만 기존 IEEE 802.15.4에 제시된 MAC 프로토콜인 ALOHA나 CSMA-CA는 1대1 통신을 진행하므로 디바이스의 수가 많아질 경우 측위의 주기가 길어져 이동하는 물체를 측위 할 때 오차가 증가한다. 본 논문은 이를 해결하기 위해 TWR 기반의 멀티 레인징 기법을 제안한다. 본 기법을 통해 다중 디바이스 사이에서 IEEE 802.15.4에 소개된 TWR에 비해 적은 통신 수로 빠른 측위가 가능하다. 특히 앵커의 수가 많은 시나리오에서 효과적일 것으로 예상된다.

Computer vision has rapidly evolved into a critical field that has garnered significant attention due to its applications in face recognition, human body analysis, automatic driving, indoor positioning, and other domains. The accuracy and speed of object detection have become a primary focus in computer vision research. Among the notable architectures, YOLO stands out, as it delivers remarkable speed that is 300 times faster than Fast-RCNN while maintaining comparable accuracy. In this paper, we proposed the topic of spatial recognition using the YOLO architecture. Specifically, we propose a solution that utilizes indoor video footage to identify objects in space, extract their spatial information, and store them in a database for matching and identifying spaces. We also introduce a new fingerprint input method that leverages monocular vision and YOLO algorithm to assist users in determining their location and space. Our study provides valuable insights and directions for future spatial recognition research.

WebRTC 기술은 비대면 환경에서 웹 브라우저만으로 실시간 비디오, 오디오, 데이터 처리와 전송이 가능하여, 다중 사용자간 실시간 커뮤니케이션 구현에 매우 적합하다. 본 논문에서는 WebRTC에서 MCU (Multipoint Communication Unit)를 오픈소스를 활용하여 효율적인 서버 로드 분산과 클라이언트의 부하 감소가 가능한 구조를 제안한다. 제안 방법은 성능이 제한된 스마트 기기들 (ex. 홀로렌즈, 스마트 워치 등)에서의 화상회의, 혹은 대규모 원격 협업응용에도 적용 가능하다.

WebRTC를 사용한 다자간 화상회의 시스템 구축 시 사용할 MCU 서버와 단일 미디어 스트림을 주고 받기 위한 다중 스트림 믹싱을 지원하는 WebRTC 클라이언트를 구현한다. 다중 스트림 믹싱이 필요한 이유는 해당 클라이언트가 여러 미디어 디바이스들로부터 미디어 스트림을 제공받기 때문이다. 클라이언트는 제공받은 1개 이상의 미디어 스트림을 하나의 단일 미디어 스트림으로 가공하여 MCU 서버에게 제공해야 하며, 해당 논문은 이 방식에 대한 해결책을 발견하는 과정을 담고 있다.

최근 모바일 및 IoT 기술의 발전으로, 우리는 다양한 형태의 스마트 기기들로 이루어진 다중 기기 환경 속에서 살아가고 있다. 이러한 추세에 따라 여러 스마트 기기들을 어떻게 협력적으로 함께 사용할지에 대한 관심이 점점 커져가고 있으며, 멀티 디바이스 상호작용이 사용자에게 새롭고 유용한 경험을 제공할 수 있음을 보여주는 사례가 등장하고 있다. 본 논문에서는 멀티 디바이스 상호작용을 위해 여러 기기의 앱들을 마치 하나의 단일 기기에서 동작하는 것처럼 만들어주는 새로운 시스템 수준의 추상화 기법을 소개한다. 이를 통해, 기존 단일 기기를 위해 만들어진 애플리케이션들을 멀티 디바이스 환경에서 어떻게 쉽게 이용할 수 있는지를 보여준다.