Earticle

본 연구는 통신 인프라에 사용되는 Passive Multiplexer의 고장 예측을 위해, 불규칙한 시계열 데이터를 정량적으로 분석하고 AI 학습을 위한 구조화된 데이터셋을 구축하는 전처리 기법을 제안한다. 기존의 MUX 고장 진단은 장비의 물리적 특성과 시계열의 비선형적·불규칙한 변화로 인해 수작업 기반의 사후 대응에 의존해 왔다. 이에 본 연구에서는 취득된 데이터를 전처리하고 상관관계를 분석한 후, 시간에 따른 구간별 변화율을 정량화하여 3차원 벡터로 표현하는 시공간 기울기 기반 특징 추출 기법(STSFE)을 설계하였다. STSFE는 고장 징후의 시공간적 이동을 시각화하고, 고차원 특징을 효과적으로 추출함으로써 AI 기반 MUX 사전 고장 예측의 정확도를 향상시킬 수 있는 다차원 데이터 기반 접근을 제안한다.

3GPP는 단말과 네트워크간 상호 인증 및 키 교환을 위해 5G-AKA를 표준화하였다. 그러나 TR 33.846은 5G-AKA의 Linkability 공격 등 여러 보안 취약점을 명시하였다. 본 연구는 해당 문서에 명시된 세 가지 Linkability 공격 시나리오를 실제 네트워크 환경을 구현한 시뮬레이션에서 재연하고, 각 공격에 필요한 공격자 의 역량 및 자원을 비교 분석함으로써 더욱 안전한 5G 및 6G 네트워크 환경 구축의 기반을 다진다.

본 논문은 오픈소스 기반의 5G 가상 환경을 구축하고, 인증 절차에서 발생할 수 있는 재전송 기반 DoS 공격의 가능성을 분석하였다. 실험은 구성된 DoS 공격 시나리오를 UERANSIM과 Open5GS를 활용하여 재연하였다. AMF 및 UDM의 자원 소모와 인증 지연 시간을 측정하였다. 실험 결과, 다수의 인증 요청은 시스템 부하와 UE 인증 시간을 지연시켰으며, SUCI 보호 방식에 따라 연산 자원 소모에 차이가 있음을 확인하였다. 이를 통해 5G 환경에서도 DoS 공격이 실현 가능함을 검증하였다.

본 논문은 수중 및 지중과 같은 전파 감쇠가 심한 환경에서 IoT 활용 가능한 협대역 VLF 자기장 통신 시스템의 성능 향상을 위해 다양한 변조 방식의 전송 특성과 BER 성능을 시뮬레이션 및 실험적으로 분석하고, 해당 환경에 적합한 최적의 변조 방식을 제안하였다.

인공지능의 학습 데이터 부족 문제와 사생활 침해 문제를 해결하기 위해 고안된 연합 학습 (FL)은 여러 클라이언트가 학습에 참가하는 특징으로 데이터 긴밀성과 효율적인 데이터 처리를 가능케 한다. 본 연구는 연합 학습을 사물인터넷 (IoT)과 융합하여 인프라를 설계하고 구축하였다. 또한 융합한 인프라를 통해 네트워크 보안이라는 도메인에 주목하여 사이버 공격 탐지 모델을 구상하고, 성능 측정을 통해 연합 학습의 적용 범위를 확장한다.

대형 언어 모델의 발전으로 코드 자동 생성뿐만 아니라 코드 리팩토링까지 자동화하려는 시도가 활 발히 이루어지고 있다. 그러나 단일 모델이 전체 리팩토링 과정을 처리하는 방식은 구조적 한계와 기 능 보존의 어려움을 가지는 문제를 야기한다. 본 논문은 이러한 문제를 해결하고자 역할 분담형 멀팉 에이전트 구조를 기반으로 한 코드 리팩토링 자동화 시스템을 설계하고 구현하였다. 각 에이전트는 분 석, 수정, 검증, 리뷰를 독립적으로 수행하며, 실제 리팩토링 과제를 통해 자동화 흐름과 품질 평가 체 계를 구성하였다.

본 논문에서는 RGB 이미지 만을 이용하여 카메라의 자세를 추정할 수 있는 딥러닝 기반 시각 오 도메트리(Visual Odometry) 방법을 제안한다. 제안된 모델은 경량 합성곱 신경망(CNN)과 Vision Transformer(ViT)을 결합한 엔드 투 엔드 구조로, 연속적인 이미지 시퀀스의 시공간 정보를 효과적 으로 추출하고 프레임 간의 상대적인 6자유도(6-DoF) 자세 변화를 회귀한다. 7-Scenes 공개 데이터 셋을 통해 학습을 진행하였으며, Kinect DK 카메라로 수집한 RGB 이미지 시퀀스를 활용하여 실제 환경에서의 일반화 성능을 평가하였다. 실험 결과, 제안된 방법은 표준 장면과 실제 환경 모두에서 우수한 궤적 추정 정확도를 보여주었으며, 순수 RGB 영상만으로도 시각 오도메트리를 구현할 수 있음을 입증하였다.

본 논문에서는 이미지 기반 가상 의상 착용(virtual try-on)을 다루며, 사람 이미지와 의상 이미지가 주어졌을 때 사용자가 원하는 의상을 착용한 사람 이미지를 생성하는 기술이다. 제안 방법에서는 의상 및 자세 특징 추출 신경망을 새롭게 개발했으며, 이 신경망은 그래프 컨볼루션 네트워크를 활용하여 의상 변형 및 사이즈 조절이 된 의상과 자세 랜드마크(Landmark)를 기반으로 자세에 최적화된 의상 착용 특징 정보를 추출하여 가상 의상 착용 신경망으로 전달한다. 가상 의상 착용 신경망은 의상 및 자세 특징 추출 신경망의 특징 정보를 바탕으로 고품질의 가상 착용 이미지를 생성한다. 생성된 이미 지는 의상의 고유한 특성이 손실되지 않도록 의상 정보를 다시 결합한 후, 생성 영상 개선 신경망을 통해 최종적으로 고품질의 가상 의상 착용 이미지로 생성한다. 공정한 비교를 위해 가상 의상 착용 데 이터셋인 VITON-HD를 사용하여 실험을 수행하였다. 실험 결과, 제안하는 방법은 GAN 기반 기법에 비해 우수한 성능을 보였으며, 디퓨전 기반 기법과 비교했을 때는 유사하거나 다소 낮은 정확도 관련 성능을 보였지만, 매우 빠른 가상 의상 이미지 생성을 가능하게 함을 검증하였다. 또한, 제안 방법은 고성능 컴퓨팅 자원이나 대규모 리소스를 필요로 하지 않기 때문에 실제 서비스 환경이나 현장 적용 에 있어 실용성과 활용 가능성이 높을 것으로 기대된다.

Accurate tooth segmentation from cone-beam computed tomography (CBCT) images is essential for dental diagnosis and treatment planning. This study presents a deep-learning approach for 3D tooth segmentation utilizing the SegMamba architecture enhanced with Squeeze-and-Excitation (SE) attention mechanisms in the skip connections. The proposed method leverages the strengths of state space models for capturing long-range dependencies while the SE attention blocks recalibrate feature representations to focus on the most informative channels and spatial regions. Our end-to-end framework directly processes 3D CBCT volumes to produce accurate tooth segmentation masks. Experimental evaluations demonstrate that our method achieves a high Dice score of 91.42%, outperforming current state-of-the-art approaches for tooth segmentation tasks.

Volume Rendering은 3차원 공간상에 분포된 데이터를 직접적으로 가시화하는 기법으로, 데이터 내 부로 ray를 투사하여 일정 간격으로 샘플링된 각 포인트에서의 밀도와 색상 값을 합성함으로써 픽셀 의 색상과 투명도를 결정한다. 그러나 샘플링 포인트의 수가 증가할수록 렌더링 품질은 향상되나 계산 량과 메모리 사용량이 급격히 증가하여 연산 속도가 저하되는 단점이 있다. 본 연구에서는 Proximal Policy Optimization 강화학습 알고리즘을 적용하여 불필요한 샘플링 포인트를 제거함으로써 렌더링 품질을 유지하면서 기존의 Volume Rendering 대비 연산 효율성과 렌더링 속도를 효과적으로 향상시킨다.

이미지 인페인팅은 손상되거나 가려진 영역을 시각적으로 자연스럽게 복원하는 데 사용되는 핵심 기술이다. 초기 인페인팅 연구는 패치 기반 기법이나 텍스처 합성 방식에 의존했으나, 최근에는 GAN, Auto-Encoder, Transformer 기반의 딥러닝 모델이 도입되며 큰 성능 향상을 이루었다. 그러나 이 러한 모델들은 높은 복원 품질을 달성하기 위해 복잡한 네트워크 구조와 다단계 추론이 필요하며, 이 로 인해 과도한 연산 자원이 요구된다는 한계가 존재한다. 본 논문에서는 연산 효율성과 복원 성능의 균형을 달성하기 위해, 경량 인페인팅 모델인 WavePaint를 개선한 WaveSwin-Paint모델을 제안한 다. 제안하는 모델은 Wavelet 기반 다중 주파수 표현의 효율성과 Swin Transformer의 지역-전역적 문맥 이해 능력을 결합하여, 경량 구조하에서도 고품질의 복원 결과를 보여준다. 특히, Wavelet 변환 의 이미지 특성 추출 능력을 극대화하여 분해된 주파수 대역에 대해 Swin Attention을 적용함으로써, 세부 텍스처와 전체 구조의 복원 성능을 동시에 향상시킨다. 제안한 모델은 기존 인페인팅 모델 대비 파라미터 수를 크게 줄이면서도, 다양한 마스크 유형과 복잡한 이미지 상황에서도 강인한 성능을 보인다.

Facial emotion recognition (FER) has gained increasing attention in human–computer interaction and affective computing; however, existing methods often suffer from high computational cost and limited generalization, especially in real-world scenarios with subtle expressions and noisy inputs. To cope with these issues, this study proposes a knowledge distillation-based framework for FER. The teacher network utilizes a parallel architecture of NasNetMobile and MobileNet as dual backbones for comprehensive feature extraction, further, these features are enhanced by a Deformable Attention (DA) module, which primarily focuses spatial feature representations. To transfer this rich knowledge effectively, we introduce a lightweight student model, TinyNasNet, inspired by the internal architecture of NasNetMobile. In this framework, the student model is trained to mimic the behavior of the teacher network, aiming to achieve higher performance while maintaining computational complexity. Moreover, extensive experiments were conducted over two benchmarks, such as FER and KDEF. In contrast, the proposed network offers higher performance compared to various competitive networks, demonstrating a highly efficient yet robust solution for real-time FER.

본 연구는 내시경 영상 분석의 정확성과 설명 가능성을 향상시키기 위해 이미지 검색 기반의 프레 임워크를 제안한다. 사전 학습된 기초 모델을 활용한 임베딩 추출과 유사한 영상 쌍 간의 임베딩 벡터 사이의 거리를 학습하는 방식으로 해부학적 유사성에 기반한 이미지 검색 성능을 정량적으로 평가하였다.

Recently, a graph neural network has played a crucial role across various fields. In this paper, we designed a Graph Convolutional Network (GCN) to analyze population movement at the city level. It consists of four Graph Convolution (GC) layers, with each layer responsible for aggregating knowledge from its neighboring nodes and updating the feature representation for each city. We utilized population mobility data from China, which includes daily city-to-city movement data. GCN estimates the strength of relationships among all cities. Experimental results demonstrate that the proposed GCN achieves improved performance in estimating city-to-city migration flow relationships.

모바일 디바이스의 위치 정보는 사용자의 위치뿐 아니라 다양한 개인적 특성을 직·간접적으로 나타 내기 때문에, 디지털포렌식 관점에서 중요한 분석 대상이다. 특히 커넥티드 카(Connected Car)를 위 한 애플리케이션(Car Companion App)은 일반적인 지도 앱과 달리, 앱 자체의 고유한 특성 덕분에 차량의 위치와 밀접하게 관련된 데이터를 다룬다. 본 논문에서는 블루링크(Bluelink)의 지도 타일(map tile)에 대한 캐시 파일을 획득하여 타일의 시공간 데이터를 획득하고 분석한다. 해당 데이터를 기반으 로 군집화하여 사용자가 검색한 위치와 시점을 재구성한다. 본 논문 연구 결과는 차량 디지털포렌식에 서 사용자의 위치 검색 행위를 입증할 수 있는 정황 증거 확보에 기여할 수 있다.

교차로 내 빈번한 교통사고 발생으로 운전자와 보행자는 통행 시 각별한 주의가 요구된다. 본 연 구에서는 단일 카메라를 이용하여 교차로 내 보행자와 차량의 수를 탐지하고, 객체 추적을 통해 이 동 방향을 분석함으로써 상황에 따라 유연하게 반응하는 신호 제어 알고리즘을 제안한다. 객체 탐 지에는 You Only Look Once를, 객체 추적에는 Simple Online and Realtime Tracking with a Deep Association Metric을 활용한다. 이후 보행자 수가 기설정한 설정한 임계 값을 초과하는 경우, 보 행자의 이동 방향을 분석하여 해당 방향과 충돌 가능성이 있는 차량 흐름을 일시정지하고 일정 시 간 동안 보행자에서 초록 신호를 제공한다. 실제 신호등이 없는 교차로 데이터를 활용한 실험을 통해 제안된 알고리즘의 적용 가능성과 효율성을 확인한다. 실험 결과 객체, 이동 방향에 따른 신 호 제어가 안정적으로 이루어졌으나 추적된 고유 ID의 변경문제와 깊이 정보의 부재로 잘못된 신 호 제어가 내려질 수 있는 한계가 나타났다. 향후에는 깊이 추정 모델 또는 멀티 카메라 기반의 통합 기법을 도입하여 보다 정밀한 신호 제어 시스템으로 발전시킬 계획이다.

본 연구는 시계열 예측 모델을 활용하여 주가의 단기 변동을 예측하고, 이를 기반으로 실제 투자 포 트폴리오를 구성함으로써 예측 모델의 실질적인 성능을 평가하는 것을 목적으로 한다. 예측 모델로는 LSTM(Long Short-Term Memory)를 활용하였으며, S&P 500에 속한 기업들의 2015년부터 2023년까 지의 주가 데이터를 바탕으로 모델을 훈련 및 평가했다. 모델의 출력은 주가 상승 확률로 해석되며, 이를 임계값 기반의 매매 전략에 적용하여 투자 수익률을 측정하였다. 실험 결과, LSTM 모델이 Random Forest 모델에 비해 연간 수익률 기준으로 68% 높은 성과를 보였으며, 임계값 조정 및 매매 전략 수정에 따라 예측 성능과 투자 성과가 향상되는 것을 확인하였다. 본 연구는 시계열 예측 모델을 실제 투자 전략에 연결한 점에서 의의가 있으며, 향후에는 공시 자료와 기업의 재무 정보, 산업별 특 성, ESG 등 다양한 비정형 데이터를 통합하여 예측 정확도를 더욱 높일 수 있을 것으로 기대된다.

본 연구는 MOD 환경에서 규칙 기반 및 최적화 기반 배차 전략의 성능을 비교하기 위해 동적 라우 팅 시뮬레이터를 설계·구현하였다. 시뮬레이터는 실제 도로망 기반 경로 탐색과 요청 관리 기능을 포 함하며, 다양한 환경에서 전략별 응답 시간, 실차율 등을 정량 평가한다. 이를 위해 인천 영종도 지역 I-MOD 서비스 데이터를 기준으로 모의 운행 결과에 대한 검증 및 평가를 시행하였다.

온·오프라인 상태 전환이 빈번하고 대용량 이미지 데이터를 실시간으로 처리해야 하는 드론 운영 환 경에서는, 데이터의 일관성과 충돌 없는 동기화를 보장하는 것이 중요한 과제이다. 본 논문은 소규모 드론 네트워크를 대상으로, Graph Database(그래프 데이터베이스)의 동기화를 위한 Change Data Capture(CDC) 기반 아키텍처를 제안한다. PostgreSQL 기반의 AgensGraph와 Debezium, Apache Kafka를 연동하여, 오프라인 상태에서 발생한 변경 사항을 안정적으로 캡처·버퍼링하고 온라인 복귀 시 정렬된 순서대로 전파함으로써 데이터의 무결성과 일관성을 확보한다. 본 연구의 핵심은 그래프 구조 메타데이터(노드 및 엣지 타입 등)와 운영 데이터(예: 이미지 태그, 객체 임베딩)를 분리하여 관 리함으로써, 충돌 상황에 유연하게 대응하고 구조 변경의 일관성을 유지할 수 있도록 설계한 것이다. 또한, 그래프 구조 변경은 마스터 노드를 통해서만 수행하도록 제한함으로써 분산 노드 간의 충돌을 사전에 방지한다. 각 이벤트에는 버전 정보와 WAL 기반 LSN(Log Sequence Number)을 포함시켜 중복 적용을 방지하고, 재처리 상황에서도 순차성이 보장되도록 하였다. 최대 200~300대 수준의 드론 노드를 대상으로 한 시뮬레이션을 통해 본 시스템의 확장성, 저지연 동기화, 충돌 회피 효과를 확인 하였으며, 제한된 연결 환경에서도 실시간 AI 학습, 협업 및 의사결정 지원이 가능한 유연한 그래프 기반 데이터 계층 모델임을 입증하였다.

본 논문은 연안 해역의 CCTV 영상 데이터를 분석하여 위험 상황(예: 고립된 요구조자, 산불, 태풍 등)을 인지하고, 이를 자연어로 설명할 수 있는 경량 비전-언어 모델(VLM) 개발을 목표로 한다. 대규 모 라벨링 없이도 학습 가능한 자기지도학습(Self-Supervised Learning) 기법을 적용하여, 해양 환경 특화 영상 표현을 학습하고, 이후 생성형 언어모델을 결합해 장면을 기술하는 시스템을 제안한다. 특 히, MoCo, DINOv2 등 최신 대조학습 기반 자기지도 모델과 BLIP, Flamingo 등 멀티모달 학습 기법 을 분석하고, 이를 경량화 전략(지식 증류, 양자화 등)과 연계하여 실시간 추론이 가능한 구조를 설계 한다. 문헌 기반 실험 고찰을 통해, 제안된 방법이 적은 라벨로도 높은 설명 성능을 보일 가능성이 높 으며, 실제 연안 감시 시스템에 적용할 경우 위험 탐지 신뢰성과 맥락 이해력이 향상될 것으로 기대된 다. 향후 실제 구현과 도메인 특화 데이터 확보, 시간적 서술 확장 등 과제를 논의하며 본 연구의 실 용성과 확장성을 제시한다.

본 연구는 생성형 AI를 활용한 R 프로그래밍 단기교육의 효과를 분석하기 위해 대학생 10명을 대상 으로 5일간 총 30시간의 집중 교육을 실시하고, 사전-사후 설문을 통해 그 효과성을 검증하였다. 비모 수 통계 분석 결과, R 능력 점수는 유의미하게 향상되었으며(p < 0.05), ChatGPT 활용 빈도 및 효용 성 인식도 긍정적으로 변화하였다. 정성적 설문 분석 결과, 학생들은 AI 도구가 프로그래밍 학습의 장 벽을 낮추고 문제해결 능력을 향상시켰다고 평가하였다. 이는 생성형 AI가 프로그래밍 교육에 효과적 으로 통합될 수 있음을 시사한다.

카메라를 사용하여 사람의 자세를 추정하는 연구는 비전 연구에서 오래된 주제 중 하나이다. 최근에 도 비전에 기반하여 사람의 자세를 추정하기 위한 연구들이 진행되고 있지만 단일 카메라만으로 정확 한 3D 자세를 추정하기 위해 중요한 깊이 값과 실시간 성능을 위한 추론 속도를 함께 추구하기에는 한계가 있었다. 이러한 문제들을 해결하기 위하여 본 논문에서 제안하는 방법을 활용하여 깊이 값 추 론을 통한 정확성과 실시간으로 사용할 수 있는 추론 속도를 가지는 방법을 제안한다.

스마트폰의 발달로 인해 우리는 일상에서 언제든지 사진을 편리하게 촬영하고 저장할 수 있게 되었다. 더불어 이미지 센서와 렌즈 등 카메라 모듈의 발전으로 점점 스마트폰뿐만 아니라 전체적인 카메 라 성능이 증가하고 있다. 그러나 카메라의 발전과 촬영자의 의도대로 사진이 촬영되는 것은 비례하지 않아 사진 보정의 중요성이 대두되고 있다. 특히 그 중 그림자로 인해 사물을 표현하는 데 걸림돌이 되는 경우가 종종 있다. 이는 로봇청소기가 바닥의 그림자 때문에 물체를 혼동하는 경우나 위성 및 항 공 영상 분석 시 건물의 그림자로 인해 오류가 발생하는 경우 등이 있다. 본 연구는 그림자로 인한 이 미지 판별 오류를 줄이고 더욱 정확한 이미지 분석을 위해 딥러닝을 기반으로 한 그림자 제거 방식에 대한 연구를 진행하며 더 나은 방법을 제안한다. 본 논문에서는 SBU에서 제공하는 그림자 영상 데이 터셋을 사용하여 연구를 진행하였고 데이터셋은 그림자가 포함된 원본 영상과 원본 영상에 그림자 마 스크가 적용되어 1대 1로 매칭되는 이미지가 존재한다. 학습 모델로는 그림자 제거에 최적화 된 ST-CGAN 모델과 이미지 변환에 자주 사용되는 Pix2Pix 모델을 활용하여 학습을 진행하였다. 두 모 델 모두 GAN을 기반으로 한다. 학습 후 MSE 값과 SSIM, PSNR 값을 비교하고 데이터 증강 후 다 시 학습과 비교를 거침으로써 두 모델의 비교와 데이터 증강 전과 후를 비교하여 그림자 제거 성능이 더욱 뛰어난 모델을 생성하는 것을 목표로 한다. 이를 통해 더욱 향상된 그림자 제거 모델이 나올 수 있기를 기대하는 바이다.

금속 표면의 미세 결함은 제품의 품질과 안정성에 중요한 영향을 미치기 때문에 산업 현장에서 정 밀한 검사 과정이 필수적이다. 그러나 기존 검사 방식은 검사자의 주관적 판단에 따라 결과가 달라 질 수 있어, 이를 보완하기 위해 인공지능 기반 탐지 모델이 주목받고 있다. 본 연구에서는 1-stage 모델 YOLO(You Only Look Once)11과 2-stage 모델 Faster R-CNN의 금속 표면 미세 결함 탐지 성능을 비교하였다. 정밀도(Precision), 재현율(Recall), 추론 시간을 주요 성능 지표로 평가한 결과, YOLO11은 실시간 탐지 속도에서, Faster R-CNN은 정밀도에서 우수한 성능을 보였다. 본 연구는 금속 표면 결함 검사 자동화 시스템 구축을 위한 기초 자료를 제공하며, 향후 인공지능 기반 결함 검출 기술의 발전 방향을 제시하는데 기여할 것으로 기대된다.

현재의 구글 번역과 파파고와 같은 번역 시스템은 텍스트의 정확한 의미 전달에 중점을 두고 있지 만, 문장의 스타일과 감정적 뉘앙스를 충분히 반영하지 못하는 한계가 있다. 특히, 문학적 표현이나 일 상 대화에서 이러한 문체와 감정적 요소를 적절히 번역하는 데 어려움이 있다. 이에 본 연구는 다국어 환경에서 문장 스타일에 맞는 문맥 기반 단어 추천시스템을 제안한다. 사용자가 입력한 문장을 동적 임베딩 모델을 활용하여 문맥 분석을 진행하고, 해당 스타일에 적합한 어휘 추천을 수행한다. 또한, mBART 모델을 사용하여 다국어 환경에서의 병렬 말뭉치 부족 문제를 극복하고 다양한 언어 다국어 스타일 변환을 지원함으로써, 다국어 환경에서 번역 시 문장의 스타일을 유지한 자연스러운 문장 생성 을 가능하게 한다. 본 알고리즘은 기존의 번역 시스템의 한계를 극복하고, 문학적 표현이나 감정적 뉘 앙스를 더욱 정확하게 번역에 반영할 수 있으며, 사용자가 원하는 스타일에 적합한 표현을 자연스럽게 구현할 수 있다. 나아가 다양한 텍스트 스타일에 맞는 어휘 추천 기능은 기계 번역의 정확한 의미 전 달뿐 아니라 문체의 일관성

차량 패널의 미세 결함은 제품 품질과 안전성, 소비자 신뢰도에 영향을 미치는 중요한 요소로, 이러한 결 함을 조기에 탐지하는 것은 필수적인 과정이다. 기존의 품질 검사 방식은 주로 육안 점검 및 초음파 탐상 등의 비파괴 검사(Non-Destructive Testing, NDT)기법에 의존하지만, 이러한 방법은 편차가 발생할 수 있 다. 본 연구에서는 대표적인 1-stage 객체 탐지 모델인 YOLO(You Only Look Once) v5, YOLO v8, YOLO 11을 적용하여 다양한 조명 및 표면 조건에서의 차량 패널 결함 탐지 성능을 비교·분석하였다. 이 연구는 YOLO 계열 모델의 성능 차이를 분석함으로써, 제조 분야에서 결함 탐지를 위한 최적의 모델을 선 정하는 데 기여할 수 있으며, 향후 실시간 품질 관리 시스템 구축에도 활용될 것으로 기대한다.

This study presents a lesion-guided four-channel ConvNeXt model for tomato plant disease recognition. By segmenting lesion areas in the HSV color space, grayscale masks are generated and combined with RGB images to form a four-channel input. The proposed ConvNeXt4Channel network, optimized for this input, enhances spatial feature extraction. Experiments on the PlantVillage tomato dataset (train-test split: 8:2) show that the model, trained with cross-entropy loss and Adam optimizer (learning rate = 1e-4), achieves 96.81% accuracy—surpassing conventional models by approximately 2.5%. Grad-CAM visualizations indicate improved lesion localization, confirming the effectiveness of lesion-guided enhancement. This method provides a robust and interpretable solution for automated crop disease diagnosis.

본 연구에서는 "알라딘 서재"의 사용자 평점 데이터를 활용하여 특이값 분해 기반 협업 필터링 알고 리즘을 적용한 도서 추천 시스템을 개발한다. 콘텐츠 기반 필터링의 한계를 극복하기 위해 협업 기반 필터링을 선택하고, 희소성과 콜드 스타트 문제를 해결하기 위해 잠재요인 협업 필터링을 도입하였다. 확률적 경사 하강법과 하이퍼파라미터 튜닝을 적용하여 최적의 추천 모델을 구축하였으며, 실험 결과 평균 제곱근 오차(RMSE) 평가에서 높은 정확도를 보였다. 연구 결과는 개인화된 도서 추천의 효율성 을 증대시키는 데 기여하며, 향후 설명 가능한 추천 시스템의 개발 가능성을 제시한다.

교통사고는 인명 및 물질적인 피해를 발생하는 주요 사고 요인 중 하나이다. 이번 논문은 신호등 이 없는 교차로에서 발생하는 교통사고를 줄이기 위해 YOLO11n을 이용한 차량 및 보행자 탐지 기 술을 기반으로 Optical Flow 및 Kalman Filter를 적용하여 객체의 이동 속도를 추정하고, Time-to-Collision 모델을 활용하여 교차로의 사각지대인 우측과 좌측의 충돌 가능성을 예측하고 위험도에 따라 운전자에게 경고하는 시스템 개발을 제안한다.