Earticle

일반적으로 공분산행렬(covariance matrix)을 이용하여 고유벡터(eigenvector)를 계산한다. 임의의 자료가 추가 되거나, 삭제되면, 전체 자료집합이 변경되고, 공분산행렬의 내용이 바뀐다. 따라서 고유벡터를 다시 계산해야 한 다. 이때 다시 계산하는 과정이 없이, 변경된 고유벡터를 구하는 새로운 방법을 제안한다. 제안한 방법은 기존의 자 료집합에서 얻어진 고유벡터와 첨삭할 자료를 이용하여 변경된 고유벡터를 구하는 방법이다. 제안된 방법은 계산량 을 줄일 수 있다는 장점이 있다.

The eigenvectors are calculated using a covariance matrix. If some data is added or removed, the data set changes, and the covariance matrix is also changed. Therefore, the eigenvectors must be recalculated totally. This paper propose a new method to find the modified eigenvectors without recalculation. To obtain modified eigenvectors, the proposed method use modifying data and already known eigenvectors. The proposed method has the advantage of reducing the computational cost.

최근에는 강력한 특징 추출 방법에 대한 연구가 활발히 진행되고 있다. 대다수의 최신 방법들에서는 회색조 영상에 서의 계산 비용을 줄이는 방법에 대해 다루고 있다. 하지만 이러한 변환 방법은 정보가 손실되고 매칭 성능에 영향 을 줄 수 있다. 본 연구에서는 비선형 스케일 공간에서 다중 스케일 2D 불변 컬러 검출기와 기술어를 제안한다. 본 연구의 알고리즘은 HLS (색조, 밝기 및 채도) 공간의 색상 정보를 활용한다. 비선형 스케일 공간은 각 색상 채널에 대해 개별적으로 구축되며 적응형 Hessian 응답을 키포인트 추출에 사용된다. 부분적으로 적응형 흐림 효과를 나 타내기 위해 영상 데이터에서 중요한 가장자리를 보존하면서 영상 노이즈를 줄일 수 있는 FED (Fast Explicit Diffusion) 방법을 사용한다. FED 방법을 사용함으로써 뛰어난 키포인트 지역화 정확성과 특색 있는 특징을 찾을 수 있다. 또한, 본 연구에서는 HLS 색상 정보와 비선형 스케일 공간의 기울기 정보를 결합한 CM-LMB (Color Modified-Local Difference Binary) 기술자를 제안한다. 본 연구에서 제안한 시스템 (HLS-AKAZE)은 표준 영 상 데이터셋에서 뛰어난 성능을 보여 주며, 특정 이미지 (Less-Informative 그레이 스케일 이미지)에서 성능이 향 상되었다. 또한, 본 연구에서 제안하는 방법은 회전 및 스케일 그리고 조명에 대하여 불변성을 보인다.

In recent years, there have been significant research on robust feature extraction methods. Most state-of-the-art methods operate on grayscale images to decrease the computational expenses. We observe that this conversion can cause information loss and effect the matching performance. In this study, a multi-scale 2D invariant color detector and descriptor in nonlinear scale spaces is proposed. The algorithm exploits color information in HLS (Hue, Lightness, and Saturation) space. Nonlinear scale spaces are built separately for each color channel and adaptive Hessian responses are calculated for keypoint extraction. Fast Explicit Diffusion (FED) scheme is used for locally adaptive blurring to the image data. FED reduces image noise while preserving important edges. This aids in superior keypoint localization accuracy and feature distinctiveness. In addition, a Color Modified-Local Difference Binary (CM-LMB) descriptor is proposed. It combines HLS color information with gradient information in nonlinear scale space. Our proposed system (HLS-AKAZE) shows comparable performance in standard image datasets and good performance improvements in certain images (Less-Informative Grayscale Images). HLS-AKAZE is rotation, scale, and illumination invariant.

최근 인공지능 연구가 활발하게 진행이 되면서 자율주행에 대한 연구도 많이 진행되고 있다. 하지만 자율주행에서 사용할 학습 데이터를 수집하는 과정에서 크게 두 가지 문제를 고려할 수 있다. 첫 번째는 방대한 규모의 학습 데이 터 구축에 많은 시간과 비용이 요구되며, 두 번째로는 위험 상황, 사고 상황 등을 포함하는 다양한 주행환경을 반영 하는 데이터 수집이 어렵다. 본 논문에서는 이러한 두 가지 문제를 해결하기 위해 현실세계와 매우 유사한 주행 환 경을 제공하는 게임에서 주행 학습 데이터를 수집하고 이를 신경망 학습에 활용하는 방법에 대해 제안한다. 학습 데 이터 수집 과정에서는 모니터 화면과 동시에 해당하는 방향키 값을 해당 화면에 대한 자율주행 제어키로 저장한다. 이와 같이 수집된 학습 데이터를 시각 처리에서 뛰어난 성능을 보이는 CNN (Convolutional Neural Network) 모델중 하나인 AlexNet에 적용한 결과 약 91.9%의 정확도를 보였다. 학습이 완료된 CNN 모델을 이용해서 가상 환경에서 자율주행이 가능하다는 걸 확인을 한 후 실세계에 적용한 실험도 수행하였다. 이를 위해 유아용 전동차를 사용하여 기존에 있던 컨트롤러를 제거 후 라즈베리파이 기반의 자동차 바퀴 컨트롤과 서버와의 통신 모듈을 개발했 다. 실세계에서 실험한 결과 가상환경과 실세계의 차이를 맞춰주기 위한 추가적인 보정 작업을 하지 않았음에도 불 구하고 가상환경과 유사한 수준의 주행 성능을 확인할 수 있었다.

Remarkable achievements in modern artificial intelligence researches encourage a lot of researches in self-driving cars. However, there are two big problems in the process for collecting training data used in the autonomous driving. First, construction of huge amounts of training data requires a lot of time and cost. In addition, high risk for representing various driving environments is inevitable problem as well. In order to solve these two problems, this paper proposes a scheme for collecting a training data set from a driving game environment and applying the data set to train a neural network model for self-driving car. The proposed scheme stores monitor screen images and control keys for the corresponding images as training data. After finishing construction of the training data set, we apply the data set to train AlexNet, a well known CNN model. Experimental results show about 92% accuracy in the driving game environment. In the next step, a children’s toy car is used to evaluate the performance of our scheme in real world. A raspberry pi based wheel control and communication module is developed to replace the existing control module. Real world experiments reveals the performances between the virtual and real world environments are quite similar without any compensation for mapping differences between two environments.

컴퓨터 저장장치에 최고의 응답성이 필요한 곳에 램디스크을 이용한다. 램디스크는 대용량의 주기억장치를 이용해 서 가상의 디스크 드라이브를 만드는 소프트웨어이다. 램디스크에서 정전 및 크래시에 대비한 데이터 지속성의 문제 를 해결하는 것은 매우 중요하다. 본 논문은 소프트웨어만으로 램디스크의 데이터를 지속 가능하게 하는 세 가지 지 역 백업 방식-동기식 백업, 비동기식 백업, 및 비동기식 검사점 백업-을 상세히 제시한다. 비동기식 검사점 백업은 본 논문에서 새롭게 제시하는 기법으로서, 동기식 백업보다 처리량이 높고, 데이터 안정성은 비동기식 백업보다 좋 다. 리눅스 커널에서 이 세 가지 백업 기법들을 제공하는 램디스크의 구현에 대해서 자세히 설명한다.

RAM disks are used where the high response is required to a computer storage device. The RAM disk is a software that creates a virtual disk drive using the main memory. It is very important for the RAM disk to solve the problem of data persistence against a power failure and a crash. This paper presents three local backup schemes - synchronous backup, asynchronous backup, and asynchronous checkpoint backup - that allow for data in the RAM disk to be persistently remained by software. Asynchronous checkpoint backup is a new scheme presented in this paper. It has higher throughput than the synchronous backup, and its data reliability is better than that of the asynchronous backup. The implementation of the RAM disk that provides these three backup schemes in the Linux kernel are presented in detail.

전 세계 각국은 개인이 무선으로 기가급 모바일 서비스를 누릴 수 있는 차세대 무선 액세스 기술의 개발이 진행되고 있다. 이전에 가능하지 않았던 대용량 초실감 콘텐츠의 기가급 모바일 서비스가 실현 가능해졌으며 360도로 펼쳐지 는 3D 영상을 모바일 단말에서 재현할 수 있다. 실사 기반 360 파노라마 영상은 360도로 펼쳐지는 가상공간을 만들 고 높은 수준 몰입도를 제공하며 다양한 인터페이스 및 외부 장치와 상호작용 가능하게 한다. 본 논문에서는 실사 기 반 파노라마 영상 제작 중 가장 많이 발생하는 오류인 파노라믹 패럴랙스 현상을 분석하고 파노라마 영상이 획득되는 과정에서 패럴랙스 현상을 최소화하고 렌즈의 낮은 왜곡을 가지는 고품질 파노라마 영상 획득 방법을 제안한다. 또한 테스트를 통해 얻은 고품질 파노라마 이미지를 데이터 레벨 수학적 분석을 통해 영상의 압축률을 분석해본다.

Today, every country in the world, the development of next-generation wireless access and backhaul network technology that allows individuals to enjoy giga-level mobile services wirelessly is progressing. Giga-level ultra-realistic mobile content services, which were previously impossible, have become available and 3D images that are spread at 360° can be reproduced in mobile devices. The 360-degree real photograph-based panorama image/video creates a virtual space which is spread out over 360-degrees, provides a high level of immersion and enables users to interact with external devices. In this paper, we analyze the most frequently occurring panoramic parallax phenomenon in the real photograph-based virtual reality and describe the NPP(Non-Parallax Point) adjustment methods to minimize the paranormal parallax phenomenon. Then we propose methods of producing high-quality 360-degree panoramic imagery which is acquired through various experiments. By utilizing these methods, we obtain ERP(Equirectangular Projection) panoramic imagery and then perform mathematical analysis using additional factors.

스마트 팩토리는 적은 설치비용과 운용비용으로 공장의 데이터를 수집할 수 있어야 하며, 수집한 데이터들을 주고받 기 위해 장거리 통신이 가능해야 한다. 이를 위한 기존의 스마트 팩토리의 데이터 수집 방법은 고가의 장비를 필요 로 할 뿐만 아니라 기기들 사이의 호환성이 낮기 때문에 설비의 도입과 교체가 어렵다. 그리고 장거리 통신을 구축 하기 위한 방법으로 주로 사용하는 유선 네트워크는 설치와 관리가 어렵고 많은 비용이 발생한다. 또, 무선 통신 기 술들은 스마트 팩토리의 네트워크가 필요로 하는 다양한 조건들을 만족하지 못하는 문제가 있다. 따라서 본 논문에 서는 이러한 문제를 해결하기 위한 방법으로 IoT 디바이스를 사용하는 데이터 수집 방법과 비 면허 주파수 대역의 무선 네트워크를 사용하는 스마트 팩토리 설계를 제안한다. PLC와 IoT 디바이스 사이의 직접 통신으로 호환성이 매우 높고, 저가의 비용으로 데이터의 수집과 분석이 가능하다. 또한, 본 논문에서는 기존에 스마트 팩토리용 무선 네트워크를 구축하기 위한 방법으로 사용되지 않았던 비 면허 주파수 대역의 무선 네트워크를 이용하여 스마트 팩토 리를 위한 네트워크를 구축한다. 제안하는 비 면허 주파수 대역의 무선 네트워크는 다른 무선 네트워크와의 간섭 없 이 스마트 팩토리의 네트워크가 요구하는 신뢰성 높은 장거리 통신이 가능하다.

Smart Factory should be able to collect factory data with low installation and operating costs, and long distance communication should be possible to send and receive those collected data. However, the existing Smart Factory data collection method requires not only expensive equipment but also has low compatibility between devices. This makes it difficult for smart factories to introduce new equipment and replace old one. Continuously wired network, which is mainly used as a method for establishing long distance communication, is expensive and difficult to install and manage. Moreover, existing wireless communication technologies do not meet the various requirements of smart factory networks. Therefore, this paper proposes a smart factory design that uses wireless network in non-licensed spectrum band and data collection methods using IoT devices as a way to address these issues. Direct communication between PLC and IoT device is very compatible and data acquisition and analysis is possible at low cost. In addition, in this paper, we construct a network for smart factory using wireless network of unlicensed frequency band which has not been used as a method for establishing wireless network for smart factory. The wireless network of the proposed non-licensed frequency band enables highly reliable long distance communication required by the Smart Factory network without interfering with other wireless networks.

전자전 환경에서 아군 항공기는 생존율 향상을 위하여 적의 레이더 위협을 정확하게 파악하는 것이 필수적이다. 레 이더 위협이 존재하는 상황에서 아군 항공기는 레이더가 발산하는 전자정보를 수신하며, 이로부터 레이더의 정체를 추정한다. 본 논문은 추정한 레이더 위협의 검증을 위하여 수집한 전자정보와 재밍결과를 기반으로 유사도 계산을 수행하며, 역추정한 레이더 위협과 가장 유사한 레이더를 데이터베이스로부터 추천한다. 또한, 이러한 전자전 구성 요소를 모델링하고 다양한 전자전 환경에서 레이더 위협체에 대한 역추정 및 검증을 반복적으로 수행할 수 있는 전 자전 시뮬레이터를 설계 및 구현한다. 개발한 시뮬레이터를 활용하여 유사한 레이더의 추정과 레이더 위협체에 대한 재밍효과도를 분석하는 실험을 수행하였다. 실험에서 역추정한 레이더 위협체와 85%이상의 유사도를 갖는 레이더 를 추천함을 확인하였으며, 레이더 시스템의 구성요소 차이에 따른 다양한 재밍의 응답특성을 확인할 수 있었다.

To improve our flight agents’ survivability in electronic warfare settings, it is essential that they should correctly identify what an enemy’s radar is. As our agents perceive electronic information emitted from the radar, they need to reversely extrapolate the radar for their exact situation awareness. This paper proposes a method to recommend the radar from a set of radars in database, which is the most similar to the radar threat, for the purpose of verifying the reverse extrapolation process. The method of recommendation is to compute the degree of similarity using the variables of electronic information perceived and the results of jamming toward the enemy’s radar. We have designed and implemented an electronic warfare simulator that models the components of electronic warfare, i.e., receivers, radars, and jammings, and that repeatedly tests the identification of a radar. Using the simulator, we have also experimented the estimation process of a radar and a series of jamming effectiveness toward the radar threat. It turned out that the similarities between a radar and the enemy threat extrapolated were measured by over 85% of the same radar itself in all of scenarios, and that the resulting feature of jamming with different hardware components of radar could be identified.

최근 컨테이너 기반의 PaaS (Platform-as-a-Service)를 구축하는 트렌드가 확대되고 있다. 컨테이너 기반 플랫 폼 기술은 클라우드 컴퓨팅을 구축하기 위한 하나의 주요 기술로써, 컨테이너는 가상 머신에 비해 구동 오버헤드가 적다는 장점이 있어 수백, 수천 대의 컨테이너가 한 대의 물리적 머신에서 구동될 수 있다. 하지만 이러한 클라우드 컴퓨팅 환경에서 구동되는 다수의 컨테이너에 대한 스토리지 로그를 기록하고 모니터링하는 것은 상당한 오버헤드 가 발생한다. 따라서 본 논문에서는 클라우드 컴퓨팅 환경에서 구동되는 컨테이너의 파일 시스템 변경 이벤트를 탐 지할 때 발생하는 두 가지 문제점을 도출하고, 이를 해결하여 PaaS 형태의 클라우드 컴퓨팅 환경에서 컨테이너 파 일 시스템 이벤트 탐지를 위한 시스템을 제안하였다. 성능 평가에서는 본 논문에서 제안한 시스템의 성능에 대한 세 가지 실험을 수행하였고, 본 논문에서 제안한 모니터링 시스템은 컨테이너의 CPU, 메모리 읽기 및 쓰기, 디스크 읽 기 및 쓰기 속도에 아주 미세한 영향만을 발생시킨다는 것이 실험을 통해 도출되었다.

Recently, the trend of building container-based PaaS (Platform-as-a-Service) is expanding. Container-based platform technology has been a core technology for realizing a PaaS. Containers have lower operating overhead than virtual machines, so hundreds or thousands of containers can be run on a single physical machine. However, recording and monitoring the storage logs for a large number of containers running in cloud computing environment occurs significant overhead. This work has identified two problems that occur when detecting a file system change event of a container running in a cloud computing environment. This work also proposes a system for container file system event detection in the environment by solving the problem. In the performance evaluation, this work performed three experiments on the performance of the proposed system. It has been experimentally proved that the proposed monitoring system has only a very small effect on the CPU, memory read and write, and disk read and write speeds of the container.