Earticle

디지털 포렌식은 전자적으로 저장된 데이터를 식별·수집·처리·분석·보고하는 과정에 초점을 둔 포렌 식 과학의 한 분야이다. 안티-디지털 포렌식은 디지털 포렌식 분석을 방해하는 기법으로, 데이터 암호 화, 아티팩트 삭제, 타임스탬프 변경(자국 혼동, trail obfuscation) 등이 있다. 본 논문에서는 타임스탬 프를 조작하여 디지털 포렌식 분석을 방해하는 기법이 로깅 시스템에 어떠한 영향을 미치는 지를 분 석한다. 즉, 리눅스 기반의 PC와 안드로이드 기반의 스마트폰에서 의도적 시간 정보 조작이 로깅에 미 치는 영향을 분석하고, 로그 분석을 통해 시간을 조작한 시점을 파악하는 방법을 제시한다.

TLS 1.3은 세션을 재시작할 때 기존에 교환한 키를 사용하여 빠르게 데이터를 주고받을 수 있는 0-RTT Handshake를 지원하고 있다. 하지만, 0-RTT Handshake가 Replay Attack에 취약하다는 단점이 있기 때문에 클라이언트와 서버가 0-RTT Handshake 사용에 동의해야만 사용할 수 있도록 하였다. 따라서 본 논문에서는 0-RTT Handshake가 Replay Attack에 취약한 이유가 무엇이며, Replay Attack 대응 방안에는 어떠한 기법들이 있는지 분석해 보고자 한다.

산업제어시스템(ICS)는 산업 프로세스를 자동화하기 위해 사용되는 제어시스템과 현장 장치로 구성 된 환경이다. 4차 산업혁명의 기술 발전에 따라 산업제어시스템과 외부 네트워크 간의 연결이 확대되 면서, 해당 시설의 사이버위협 노출 위험이 증가하고 있다. 이에 따라 전 세계적으로 훈련용 사이버공 격 시나리오를 활용하여 사이버공격 훈련 프로그램을 시행하고 있으나, 현존하는 훈련 시나리오는 지 속적으로 진화하는 사이버위협을 반영하지 못하는 한계가 있다. 이에 본 논문은 훈련용 사이버공격 시 나리오의 품질을 평가하는 평가 방법론을 제시한다. 해당 방법론은 총 3단계로 구성되어 있으며, 이를 통해 사이버공격 대응 훈련에 대한 훈련용 사이버공격 시나리오의 활용 여부를 도출한다.

차세대컴퓨팅의 발달로 인하여 인공지능은 다양한 분야에 적용되어 놀라운 성능을 보인다. 하드웨어 트로이목마는 하드웨어의 설계, 제조 과정에서 주입될 수 있는 악성 변조 행위로 보안 키 유출, 시스 템 오류 등의 원인이 된다. 이러한 트로이목마 위협에 대응하여 기존의 연구들은 하드웨어 디자인 내 의 여러 요소에서 그래프 생성 및 그래프 신경망을 구축하여 인공지능을 통한 하드웨어 트로이목마 검출 방법을 고안하였다. 본 논문에서는 기존 연구들의 하드웨어 트로이목마 검출 방법을 비교한다.

소형 모듈 원자로는 300MWe 이하의 전력을 생산하는 원자력 발전 시스템으로, 최근 전 세계 여러 국가에서 개발 중에 있다. 소형 모듈 원자로는 부품의 개수가 적고 주요기기를 모듈화하여 제작한 후 현장에서 조립할 수 있다는 특징을 가지고 있어, 부지의 제약을 최소화한다. 이러한 특성은 소형 모듈 원자로를 원격지에 설치 가능하게 하여 유연성을 높였으나, 외지에 설치된 소형 모듈 원자로의 운영 및 관리를 어렵게 만들었다. 이러한 문제를 해결하기 위해 현재 다수의 소형 모듈 원자로가 원격 접속 을 통한 원격 감시와 원격 운전이 가능하도록 설계되고 있으나, 원격 접속 취약점을 통한 사이버공격 발생 가능성도 증가시키고 있다. 따라서 본 논문에서는 원격 접속 취약점을 통한 산업제어시스템 대상 사이버공격 사례를 분석함으로써, 소형 모듈 원자로의 보안 설계 요구사항으로 네트워크 방화벽, 강화 된 인증 메커니즘, 암호화 통신, 이상 징후 탐지를 도출한다. 도출된 보안 설계 요구사항을 적용하여 소형 모듈 원자로 개발시 소형 모듈 원자로의 안전성이 향상될 것으로 기대된다.

The use of drones is rapidly increasing in sports, photography, and entertainment purposes because of their affordable price and lightweight nature. However, this potential increment in the of drone of drone is creating safety and security threats. The detection of drones is necessary to overcome these issues. The detection of drones may be challenging because of the presence of other aerial objects like aircraft and birds. The existing systems used for drone detection employed a small dataset with a lack of diverse images. To overcome the limitation in previous studies, in this study, we used a largescale dataset drone images dataset. We conducted experiments on different You Only Look Once Version 8 (Yolov8) models using this dataset. All the trained models are evaluated in terms of precision, recall, mAP50, and mAP50-95. Yolov8x exhibits high performance in terms of precision, recall, mAP50, mAP50-95 models among other models which shows the superiority of Yolov8x in drone detection technology.

강화학습은 복잡한 의사결정 문제를 해결하기 위해 환경과의 상호작용을 통해 학습하는 인공지능 의 한 분야로, 최근 몇 년 동안 인공지능 분야에서 중요한 진전을 이루었다. 특히나 컴퓨팅 기술의 발 전과 함께 심층신경망을 결합한 심층강화학습은 이 분야에서 뛰어난 성능을 보이고 있다. 하지만, 심층 강화학습은 엄청난 양의 경험 데이터와 긴 학습 시간을 필요로 하는 단점을 가지고 있으며, 이는 실용 적인 적용을 제한하는 요소로 작용한다. 이에 대해 전이학습은 학습된 지식을 한 작업에서 다른 작업 으로 전달함으로써, 학습 과정의 효율성과 범용성을 크게 향상시킬 수 있는 방법으로 주목받고 있다. 이 연구는 강화학습 전이의 한 분야인 정책 전이(policy transfer)에 초점을 맞추고, 다양한 정책 전이 기법의 최신 연구 동향을 조사한다. 특히, 다양한 환경과 작업 간의 전이를 가능하게 하는 기술적 접근 방식과, 이러한 전이가 성공적으로 이루어지기 위해 필요한 조건들을 분석한다. 본 연구는 정책 전이의 이론적 기반을 탐구하고, 실제 적용 사례를 통해 이러한 전이 기법의 잠재력과 한계를 논의함으로써, 강화학습의 전이학습 분야에 기여하고자 한다.

뉴스 정보가 실시간으로 쏟아짐에 따라 사용자의 관심사를 파악하는 뉴스 추천 시스템의 필요성은 증가되고 있다. 하지만 제한된 데이터셋을 활용하는 기존의 뉴스 추천 접근 방식은 실시간으로 변경되 는 사용자의 성향을 파악하는데 한계점이 존재한다. 따라서 본 논문은 키워드를 기반으로 검색된 뉴스 에서 사용자의 관심도를 측정하고, DKN 모델을 활용한 개인 맞춤형 뉴스 추천시스템을 제안한다.

연속형, 이산형, 명목형, 또는 순서형 데이터값으로 구성된 특성변수 벡터들의 집합인 테이블형 데이 터셋은 대부분 전통적인 기계학습 알고리즘인 회귀 또는 트리를 적용하여 예측 모델을 생성하고 있지 만, 특성변수 벡터의 크기가 커질수록 회귀계수의 추정과 예측이 어려워진다는 문제가 있다. 본 논문 에서는 기계학습 외에 CNN, Vision Transformer와 같이 빠르게 발전하고 있는 Deep Learning 알 고리즘을 적용할 수 있도록 테이블형 데이터셋을 이미지로 변환하는 기법을 설계한다.

오늘날 여러 기관이 데이터를 교환하며 데이터가 가용해짐에 따라 재무적인 정보가 한정적인 개인 기업에 대한 신용평가에도 기계학습 기법을 적용하여 기존 신용평가의 한계를 극복하려는 연구들이 늘어나고 있다. 본 논문은 신용평가회사에서 수집할 수 있는 데이터에 기계학습 기법을 적용하여 개인 기업의 부도 확률을 예측하는 신용평가 모형을 학습한 후, 재무와 비재무적인 정보 위주로 평가를 하 는 실제 모형보다 부도 발생 예측 성능이 우수하거나 비슷함을 확인하는 것이다. 20,560개의 개인기 업에 대한 123개의 독립변수와 부도 발생 여부의 결과 값을 Random Forest와 XGBoost 알고리즘으 로 학습시켜 실제 부도 사실과 비교하니 각각 85.5%와 86.2% 정확도의 성능을 보여주었다.

이미지의 특징 추출에 놀라운 성능을 보이는 인공신경망 기술인 CNN과 Attention 기법이 발전하고 있음에도 불구하고, 테이블형 데이터셋을 분류하는 문제에서는 이들을 사용하는 것이 어렵다. 본 논문 에서는 CNN과 Vision Transformer가 이미지로부터 특징을 학습하는 메커니즘과 테이블 형태의 데 이터셋을 이미지로 변환하는 문제에 관한 선행연구를 비교하여 다중공선성이 있는 테이블형 데이터셋 을 이미지로 변환하는 기법을 연구한다.

지하에 매설된 파이프의 상태를 감지하여 파손 등의 문제 상황을 감지하기 위하여 파이프에 센서를 부착하고 이를 실시간으로 감시하면서 상태를 예측하는 인공지능 모델을 연구하는 단계에서 센싱 데 이터의 오류 검출과 이를 검증하는 절차가 필요하다. 이에 본 연구에서는 스마트 파이프의 센싱 데이 터들의 오류 검출 모듈을 위한 통합 시스템을 설계하고 이를 통해 수집되는 데이터의 실시간 오류 검 출과 수신되는 누적 데이터의 오류 검출을 위한 모듈을 설계하고 이를 검증하는 절차를 진행하였다. 이를 통해 인공지능 모델이 판별한 이상 감지 이벤트를 시각화 하여 관리자에게 상태를 표현하는 시 스템을 구축할 수 있는 결과를 도출 하였다.

본 연구는 심층강화학습을 활용한 암호화폐 트레이딩 전략을 제안하고, 비트코인 시장 데이터를 통해 그 성능을 검증하였다. 강화학습 전략은 기술적 지표를 활용한 상태 공간과 PPO 알고리즘을 통해 구현하였 다. 실험 결과, 강화학습 전략이 Random Walk 전략과 Buy and Hold 전략에 비해 높은 누적 수익률을 달성하 였으며, 낮은 최대 낙폭을 기록하여 우수한 리스크 관리 능력을 보여주었다. 다만 시장의 높은 변동성으로 인해 샤프 비율 측면에서는 전략 간 유의미한 차이가 나타나지 않았다. 본 연구는 강화학습의 암호화폐 트 레이딩 적용 가능성을 확인하였으며, 추가 검증을 통해 실용화 방안을 모색할 수 있을 것으로 기대된다.

This study presents an optimized approach for intrusion detection leveraging recurrent neural network on network traffic datasets. We preprocess the data to handle temporal dynamics and design recurrent neural network architectures tailored to the dataset characteristics. We incorporate long short term memory layers for temporal modeling and implement dropout regularization and other optimization techniques to expedite training. Our optimized recurrent neural network consistently outperform other neural network architectures, particularly in internet of things and traditional network environments.

This research explores the utilization of ConvNext Large, a state-of-the-art convolutional neural network architecture, for improving the accuracy and efficiency of car crash detection. By leveraging deep learning techniques, ConvNext Large can automatically extract complex features from raw data, enabling real-time detection of car crashes. Additionally, an active learning framework is proposed to iteratively enhance ConvNext Large's performance by selecting informative unlabeled data points for annotation and inclusion in the training set. The effectiveness of ConvNext Large is compared with other models, including Violent flow, 3D convolution , Updated ResNet\_50, and DenseNet169, highlighting its advantages in handling image-based tasks like car crash detection. Evaluation metrics such as Detection Rate and False Alarm Rate are utilized to assess the accuracy and reliability of car crash detection systems.

인공지능을 활용한 머신 비전 기술의 발달로 수많은 포즈 인식 솔루션이 출시되어 이들을 활용하여 인체 관절 좌표를 쉽게 추출할 수 있다. 이 추출된 여러 관절 좌표의 고유값을 이용하여 인체 움직임을 인식하는 방법을 제시한다. 2D 카메라 입력 영상의 각 인체의 3D좌표를 획득하고 각 좌표의 움직임의 총량을 계산하기 위해 관절 좌표의 고유값을 사용하여 동작을 인식한다. 이를 통해 대표적인 몇 개의 관절 좌표를 활용하여 각도, 방향등으로 동작을 인식하는 방법에 비해 효율적이고 노이즈등에 강하며 전체 움직임을 종합적으로 판단할 수 있다.

Object Detection을 이용해 물체를 탐지하는 자율 주행 자동차는 탐지 환경에 따라 객체의 인식률이 달라질 수 있다. 현재 야간 환경에서의 Object Detection 성능은 주간 환경에서의 Object Detection 성능보다 더 낮은 수준이다. 이는 모델의 객체 탐지 정확도에 악영향을 미쳐 안전성 문제를 야기할 수 있기 때문에 자율 주행 자동차가 사용화 되는데 어려움을 줄 수 있다. 따라서 본 논문에서는 KITTI 데이터셋을 이용하여 주간 및 야간 환경에 대한 Object Detection의 성능에 대해 실험 및 비교 분석한다. Data Augmentation을 통해 어두운 환경과 밝은 환경에서의 Detection 성능 비교 후 어두운 환경에서의 성능 하락에 대한 문제점을 제시하여, 야간 환경에서의 Object Detection 성능 개선의 필요성을 강조한다. 더 나아가 자율 주행 자동차의 안전성 확보 및 상용화를 위해 다양한 환경에 적용할 수 있는 Object Detection 연구의 필요성에 대해서도 강조한다. 실험 결과, 야간 환경의 Object Detection 성능이 주간 환경의 Object Detection 성능보다 감소한 것을 알 수 있다.

철도는 열차의 하중을 지반에 넓게 분산시켜 주며 지반에 침목을 고정하는 역할을 하는 도상과 선 로 고정장치(패스너, 침목, 레일)로 구성된다. 이와 같은 철도 구성요소에 결함이 발생할 경우 큰 사고 로 이어질 수 있기에 지속적인 모니터링이 필수적이나, 열차의 장기간 운행 및 외부적인 요인으로 인 해 도상의 자갈은 철도 구성요소 폐색의 원인이 된다. 따라서 본 논문에서는 레일, 침목, 패스너, 폐색 의 원인이 되는 이물질 총 4가지 유형으로 구성된 철도 구성요소 데이터셋에서 You-Only-Look-Onc e, Real-Time Detection Transformer와 같은 객체 탐지 알고리즘의 객체 탐지 성능을 비교분석 한다. You-Only-Look-Once Version 9이 가장 강인한 성능을 가지는 객체 탐지 알고리즘임을 확인하였으 며, 오분류 샘플 분석을 통해 각 객체 탐지 알고리즘이 철도 구성요소 데이터셋에서 가지는 차이점을 언급한다.

Sensor node location in wireless sensor networks (WSNs) is the most fundamental and crucial component in the network. It senses, collects, and transmits information across the network for various tracking and monitoring applications. Adversaries can quickly locate the source nodes by extracting and analyzing location information in data packets, which is very harmful for the operation of the sensor network. To combat this threat, the privacy of the source node location must be protected. In this paper, we provide a detailed overview of phantom source location privacy (SLP) protection protocols in WSNs. We compare the performance and limitations of routing protocols in terms of their strength, latency, and energy consumption.

본 논문에서는 도로 공사 및 지하철 공사 구간에 중점을 두어 실시간 정보를 제공하는 내비게이 션 시스템을 제시한다. 경찰청 도시교통정보센터와 광주 도시 건설 본부에서 제공한 정보를 이용하 여 데이터를 구축한다. Kakao사의 Map API를 활용해 이동 경로 내에서 교통사고 현장이나 공사 현장의 여부를 알려주어 교통체증을 사전에 피할 수 있도록 제안한다. 이를 통해 운전자들은 도로 공사 구간을 사전에 파악하여 교통사고 위험을 감소시킬 수 있다

본 논문에서는 전력설비에서 발생하는 부분방전 유형의 분류 성능 및 비교·분석을 위해 ViT(Vision Transformer) 기반 딥러닝 모델 10가지를 선정하였다. 선정된 모델들의 부분방전 유형 분류 성능을 비교·분석 함으로써, 전력설비 내 딥러닝 기반 부분방전 유형 분류 시스템에 강인한 성능을 가지는 모 델을 확인한다. 실험에 사용된 데이터셋은 전력설비의 ACSR-OC 케이블에서 수집된 5가지 유형(정상, 노이즈, 표면 방전, 코로나 방전, 보이드 방전)으로 구성된 Phase Resolved Partial Discharge 이미지 데이터셋을 사용하였다. 선정된 10개의 모델 중 ViT-Base 16, ViT-Base 32, PVT-Large 모델이 Tes t Accuracy 기준 Top-3 모델로 선정되었으며, 그 중 ViT-Base 16 모델이 Test Accuracy 0.9643으로 비교군 중 가장 강인한 성능을 보임을 확인하였다.

정맥 채혈은 혈액형 판별, 생리학적 지표 확인, 질병 진단 등을 위해 대량 혈액을 채취하는 중요한 방법으로, 일반적으로 사용되는 혈액 샘플링 방법 중 하나임. 정맥 채혈에서 중요한 점은 혈액을 채취하기 위해 주사기를 삽입하는 정확한 정맥 위치를 찾는 것임. 이는 환자의 체중과 피부 및 혈관 상태, 그리고 채혈을 담당하는 임상 의사, 간호사, 레지던트의 경험에 크게 영향을 받음. 채혈 기술을 효과적으로 수행하기 위해서는 반복적인 연습이 필수적이지만 실습실이나 연구실의 제약으로 인해 현장 경험을 충분히 이해하기 어려운 실정임. 이에, 많은 의료 교육 기관에서는 단편적인 임상 실습만을 제공하고 있으며, 이는 다양한 채혈 기술을 연습할 기회가 제한되어 실제 기술 분야를 충분히 이해하기 어렵게 하는 문제가 있음. 이러한 문제를 해결하기 위해 본 논문에서는 제한 없이 기술을 연습할 수 있는 가상현실 기반 정맥 채혈 시뮬레이터를 제안함. 이 시뮬레이터는 HMD를 착용하여 가상 공간에서 정맥 채혈을 연습할 수 있으며, 컨트롤러와 햅틱 디바이스를 활용하여 환자 3D 모델과의 상호작용을 통해 정맥 채혈을 실습할 수 있고, 시뮬레이터의 효과적인 활용 가능성을 확인하고자 함.

The Processing-in-Memory (PIM) paradigm is a non-von Neumann computer architecture where processing and memory functions are combined in a single location to overcome the effects of the memory wall. Prefetching is a technique used to anticipate data access patterns and proactively bring data into the processor cache to reduce memory latency. In this paper, we aim to provide insights into applicable prefetch techniques for PIM by analyzing the performance of commonly applicable prefetch techniques in a simulated PIM system. We simulate PIM systems with (i) no prefetching, (ii) next-line prefetching, (iii) stream prefetching and (iv) the Variable Length Data Prefetcher (VLDP) using a custom-built PIM simulator and the STREAM benchmark as the workload and compare their performance.

심장초음파는 초음파 기술을 활용하여 심장의 구조와 기능을 확인하는 기술로써, 의료 전문가에게 심장 질환, 이상, 장애와 같은 상태 진단을 지원하는 도구이다. 심장초음파 검사를 통해 질병 진단과 치료 계획 수립을 위해서는 프로브 사용 숙련도, 정확한 초음파 영상 획득, 검사 영상 해석 능력을 갖추는 것이 중요하다. 이러한 능력 향상을 위해 교육 기관에서는 이론, 모델을 이용한 실습, 임상 실습 등을 실시하지만 이론 중심의 실습 교육으로 인한 실제 환경 적응의 어려움, 실습 기회 제한, 윤리적 또는 안전 등의 문제가 발생하고 있다. 따라서 기존 심장초음파 검사 교육의 문제를 해결할 수 있는 새로운 교육 방법이 요구된다. 본 논문에서는 심장초음파 검사를 위한 가상현실 기반의 몰입형 시뮬레이터를 제안한다. 제안된 심장초음파 검사 시뮬레이터는 Head Mounted Display를 착용하여 심장초음파 검사 가상공간에서 상호작용 장치를 이용하여 심장초음파 검사와 관련된 3D 모델을 조작하여 정상 또는 비정상 심장 해부학 모델을 포함한 환자 3D 모델에 대한 심장초음파 검사를 수행할 수 있다.

본 논문은 정보 취약계층의 키오스크 접근성 및 사용자 경험 개선을 목표로, 음성 인식 기술을 활용 한 대화형 키오스크를 제안한다. 이를 위해 대화형 주문 시스템, 사용자와의 효과적인 상호작용 기능 을 제공한다. 본 연구는 주문 절차의 간소화를 추구하며, 이는 음성으로 주문을 시작하고 알레르기 정 보 제공부터 메뉴 및 결제 방법 선택, 최종 결제까지의 주문 전 과정을 포함한다. 이러한 접근이 정보 취약계층의 키오스크 사용 경험을 개선하고 비대면 주문 시스템의 효율성 및 경제성을 높일 것으로 기대한다.

발달성 고관절 이형성증은 태아 시기부터 나타나는 발달성 질병으로, 초기에 적절한 조치를 취하지 않을 경우 지속적인 장애를 초래할 수 있어 신속한 진단과 대처가 중요하다. 그러나 발달성 고관절 이형성증 진단에 사용되는 대표적인 방사선 지표인 절구 지수(Acetabular Index)를 측정하기 위해서는 판독의가 방사선 영상으로부터 직접 확인하고 측정해야 하므로 시간이 오래 걸리며 주관성이 개입될 수 있다. 따라서 본 연구에서는 딥러닝 기술을 활용하여 절구 지수를 신속하게 그리고 객관적으로 측정하는 시스템을 제안한다. 실험적으로 456장의 소아 골반 방사선 영상을 사용하여 제안된 시스템의 성능을 검증하였으며, 다양한 성능 지표를 통해 실제 판독의의 측정 결과와 높은 일치도를 확인하였다.

Crowd counting, an essential task with applications in crowd management, urban planning, and public safety, continues to pose challenges. While foundational approaches have laid the groundwork, persistent issues include limited generalization and sensitivity to crowd density variations. In this paper, we present a spatial attention-based crowd-counting architecture. The aim is to enhance the model’s adaptability to diverse scenes and improve crowd-counting accuracy. Experimental results demonstrate a notable decrease in training time and a performance improvement. This marks a significant stride in refining crowd-counting methodologies and paving the way for future advancements in the field. Building upon this foundation, our proposed methodology introduces a novel approach to address the challenges inherent in crowd counting. By incorporating spatial attention mechanisms into a multi-column convolutional neural network (CNN), we aim to further enhance the efficiency and accuracy of crowd counting in complex scenarios. Our methodology leverages the inherent capabilities of spatial attention to dynamically adjust focus within crowd scenes, enabling better adaptation and more precise counting in varying conditions.

Growing inventions in deep learning have made a huge impact in remote sensing applications such as disaster management, smart city applications and environment monitoring. Unmanned Aerial Vehicles (UAVs) have emerged as a cost-effective resource among remote sensing platforms offering higher-resolution and detail-oriented observations. Semantic segmentation of such detailed images can lead to many potential applications such as urban planning and recent advancements in segmentation frameworks have served this purpose well. However, these frameworks rely largely on annotated data which is a costly and time-consuming process. Availability of limited labelled data pose challenges as well. To address these issues, a self-supervised learning architecture is proposed in this paper using redundancy reduction principle. A multiple sample redundancy reduction loss-based encoder-decoder architecture is presented. This loss is used to pre-train the encoder in an unsupervised way to learn data representations. These learned representations are used to initialize the encoder for the downstream task. And the encoder-decoder structure is fine-tuned for image segmentation tasks. The efficacy of the proposed network is validated on Urban Drone Dataset achieving 64.90% intersection over union (IoU), 83.06% overall accuracy and 78.37% kappa value while outperforming other dual sample-based loss architectures.

The 3D reconstruction of stomach anatomy using only monocular endoscopic images presents challenges due to various factors, including illumination changes and lack of distinct surface features. Previous works have encountered difficulties in achieving dense reconstructions of stomach anatomy. In this paper, we present a patient-specific, learning-based structure- from-motion (SfM) method capable of generating dense and accurate 3D reconstructions from monocular endoscopic images. We propose a pre-processing pipeline, which is applied to an existing method for sinus anatomy reconstruction and then fine-tuned specifically for stomach anatomy using our dataset. The challenge posed by texture-less stomach surfaces is addressed by employing dense point correspondences and volumetric depth fusion. The effectiveness and accuracy of our method are demonstrated using in vivo and ex vivo data, wherein we compare sparse and dense reconstructions from the original method and our proposed method. Our qualitative results indicate that the method can accurately estimate stomach shape in real human endoscopies, thereby laying the ground for performing real-time area coverage of the stomach.

인간 행동 인식(Human Activity Recognition) 연구는 주로 한 가지 센서만을 이용하여 진행되고 있다. 본 연구에서는 실험을 통해 10종류의 동작에 대한 3축 자이로 데이터 및 가속도 데이터와 비디오 데이터를 확보하였다. 비디오 데이터에서 신체의 33개 랜드마크의 3축 위치좌표 데이터를 추출하여 동 작 데이터를 시계열 데이터로 통일하고, 1차원 합성곱 신경망을 이용하여 지도 학습을 진행하였다.