Earticle

서비스 메시(Service mesh)는 마이크로 서비스 아키텍처(Micro Service Architecture)에서 내부 서비스들의 상 호간 서비스 호출을 가능하게 하는 기술로, 마이크로 서비스 아키텍처의 기능을 클라우드 환경에 구현한 서버리스 프레임워크에서 많이 사용되고 있다. 그러나 내부 서비스 간 서비스 호출의 증가는 전체 서비스 응답 속도를 지연시 키는 문제가 있어, 프레임워크 내부에서의 잦은 서비스 호출을 지양해야 한다. 이에 본 논문에서는 서버리스 프레임 워크의 전체 성능 저하 없는 서비스 매시의 활용 방안을 제시하였으며, 이를 위해 gRPC를 적용한 오픈소스 기반의 서버리스 프레임워크인 OpenFx를 활용하여 구현된 서비스 매시의 성능 및 기능을 검증하였다. 이는 서버리스 프 레임워크를 대상으로 서비스 배포 및 관리를 위한 서비스 개발자에게 도움이 될 것이다.

Service mesh is a technology that enables service calls between internal services in a micro service architecture, and is widely used in a serverless framework that implements the functions of a micro service architecture in a cloud environment. However, the increase in service calls between internal services has a problem of delaying the overall service response speed, so frequent service calls within the framework should be avoided. Therefore, in this paper, a method of using service mesh without deteriorating the overall performance of the serverless framework was proposed, and for this purpose, the performance and function of the implemented service mesh was verified using OpenFx, an open source based serverless framework applying gRPC. This will be helpful to service developers for service distribution and management targeting serverless frameworks.

협업 필터링은 사용자의 기록을 바탕으로 선호도를 예측하여 추천하는 방법이다. 최근 협업 필터링 중 머신러닝 알 고리즘을 이용하는 연구가 활발히 이루어지고 있으며 그중에서 오토인코더 모델들의 추천 성능이 뛰어났다. 오토인 코더 모델들은 추천 성능 향상을 위해 별도의 데이터 셋 전처리 과정을 거친다. 하지만 현재 모델들이 사용하는 기 존의 전처리에서는 차원 축소 및 복원으로 인한 정보손실 문제와 데이터 셋들의 불균일한 분포 문제를 해결하지 못 한다. 따라서 본 연구에서는 사용자 기반의 오토인코더 모델에 적합한 전처리 시스템을 제안한다. 본 연구는 필터 모듈과 분배 모듈로 이루어져 있으며 기존의 전처리의 문제들을 순차적으로 개선한다. 필터 모듈에서는 정보손실 문 제를 개선하고 분배 모듈에서는 데이터 셋들의 불균일한 분포 문제를 개선하였다. 그리고 각각의 모듈들을 기존의 전처리 방법과 비교하는 실험을 하여 개선된 결과를 확인하였다. 또한 제안한 방법을 적용한 데이터 셋으로 사용자 기반 오토인코더 모델을 학습시켰을 때 추천 성능이 올라가는 것을 실험을 통해 확인하였다.

Collaborative filtering(CF) is a method of recommending possible preferences of a user based on existing records. Recently, CF research using machine learning algorithms has been actively conducted, among which Autoencoder models have outstanding recommendation performances. Autoencoder models go through preprocessing to improve recommendation performance. However, traditional preprocessing used by current models cannot solve information loss due to dimensional reduction and restoration as well as uneven distribution of datasets. Therefore, in this work, we propose a preprocessing system suitable for user-based Autoencoder models. This work consists of filter modules and distribution modules, which sequentially reduce the problems of traditional preprocessing. We minimized the information loss problems in filter modules and the uneven distribution of datasets in distribution modules. We then conducted experiments comparing each module to conventional preprocessing to confirm the improved results. We also proved that recommendation performance increase when we train a user-based Autoencoder model with datasets that applied the suggested method through an experiment.

화면이 큰 터치스크린 모바일 디바이스 상에서 한 손만으로 작업을 수행할 때 화면의 일부 부분에 접근하는데 어려 움이 존재한다. 이 문제는 특히 상단과 하단에 일반적으로 자주 사용하는 대상이 포함되어 있는, 긴 컨텐츠의 페이 지 상에서 선택 작업을 할 때도 발생하게 된다. 우리는 긴 컨텐츠 상에서 사용자의 한 손 스크롤과 터치 행동을 조사 하기 위해 유저 스터디를 수행하였으며 스크롤 제스처의 시작 지점들과 타겟 선택을 위한 터치 지점들 간에 유의미 한 상관 관계를 발견하였다. 이러한 발견을 바탕으로 우리는 컨텐츠를 스크롤하는 것의 연장선으로 스크롤 제스처를 활용해 한 손 선택 작업을 돕는 새로운 모바일 인터랙션 기술인 OmniScroll과 OmniScroll+를 설계하였다. 이 기 술들은 동적으로 Control-Display ratio를 결정하게 하여 단 한번의 스크롤 제스처만으로 화면을 개인 맞춤화된 편안한 지점으로 가져오게 한다. 우리의 비교 평가는 사용자가 우리의 방법을 통하여 빠르고 편안하게 타겟을 선택 할 수 있음을 보여주며 스크롤이 가능한 컨텐츠 및 스크롤이 가능하지 않은 컨텐츠 모두에 효과적이고 적용 가능함 을 보여준다.

Performing tasks on large touchscreen mobile devices with only single hand involves difficulty in reaching some parts of the screen. The problem also occurs in selection tasks on the pages with long content, especially when the top and the bottom of the content contains commonly used targets. We conducted a user study to investigate users’ single-handed scrolling and touching behaviors on long content and found a significant correlation between starting points of scroll gestures and touch points for target selections. From this finding, we designed OmniScroll and OmniScroll+, novel mobile interaction techniques that assist single-handed selection tasks using a scroll gesture as an extension of scrolling content. The techniques dynamically determined the Control-Display ratio to bring the screen to personalized comfortable position with one single scroll gesture. Our comparative evaluation shows that users can select targets quickly and comfortably with our methods and the methods are effective and applicable for both scrollable and non-scrollable contents.

오늘날 정확한 노면 인식 시스템 구축을 위해서는 딥러닝 기반의 의미론적 객체분할 기술의 적용이 필수적이다. 하 지만 실세계에서 충분히 존재할 수 있는 야지 장면에서 노면인식을 위한 의미론적 객체분할 데이터 셋은 아직까지도 개발되지 않았고, 그렇기 때문에 의미론적 객체분할 기술이 야지 노면 인식 시스템에서 적용된 연구 사례도 매우 적 다. 우리는 이러한 문제를 해결하기 위하여 야지 환경에서의 노면 인식 데이터 셋을 구축하고, 지금까지 적용되지 못했던 의미론적 객체분할 기술들을 적용 및 최적하고 분석한다. 실험 결과 우리는 우리의 야지 노면 인식 데이터 셋에서 980FPS의 연산속도로 89.34 mIoU를 달성하였다.

Embedding technology into robot platforms is a very challenging task. In this work, we study a realistic road recognition system based on deep learning for robot embeddings. In particular, deep learning-based road recognition research is accessible with semantic segmentation techniques. However, Semantic segmentation datasets for road recognition also do not exist, and there are very few related studies. For this reason, developing algorithms for real-world platform configurations becomes very difficult. To solve problem, we build our own road recognition dataset in an outdoor environment and describe and analyze the realistic issues encountered while learning Road Recognition algorithms. Furthermore, we apply acceleration methodologies that are essential for robot embedding. As a result, we achieve road recognition accuracy of 89.34 mIoU and computational speed of 980 FPS.

최근에는 전세계적으로 범죄 예방을 위한 감시 시스템이 설치되어 방대한 양의 비디오 데이터를 생성하는 개인 및 공공장소를 모두 모니터링하고 있다. 이 설정에서 전문가가 진행 중인 활동을 지속적으로 관찰하고 모니터링해야 한 다. 이 지루한 작업을 처리하기 위해 실시간으로 실행 가능한 폭력 활동 감지(VAD) 기술이 큰 과제이다. 따라서 본 논문에서는 실시간 VAD을 위한 3단계 딥러닝 지원 프레임워크를 제안한다. 첫번째 단계에서는 프레임 차이 알고리즘을 통해 비디오 데이터에서 가장 중요한 모션 프레임을 획득하기 위한 사전 처리 단계를 적용한다. 이러한 프 레임은 경량 컨볼루션 신경 네트워크(CNN)가 가장 차별적인 특징을 추출하는 두 번째 단계로 제공된다. 마지막으 로 CNN 모델은 활동을 폭력적인 장면과 비폭력적인 장면으로 분류한다. 폭력적인 행위가 발생할 경우, 가장 가까 운 보안 부서와 경찰서에 신고하여 신속한 조치를 취하도록 한다. 제안된 방법은 공개적으로 사용 가능한 데이터 세 트에서 96%의 정확도를 달성하고 최신 방법보다 성능이 우수하다.

Recently, surveillance systems are globally installed for crime prevention by monitoring both private and public places which generate a massive amount of video data. This setup requires human experts to observe and monitor the ongoing activities continuously. To handle this tedious task, an automatic technique workable in real-time for violent activity detection (VAD) is a big challenge. Thus, this paper proposes a three-phase deep learning assisted framework for real-time VAD. In the first phase, a preprocessing step is applied to obtain the salient motion frames from the video data through frame differencing algorithm. These frames are fed into the second phase where a lightweight convolutional neural network (CNN) extracts the most discriminative features. Finally, a CNN model classifies the activity into violent and non-violent scene. In case of violent activity, the activity is reported to notify the nearest security departments and police stations for the prompt action. The proposed method achieves 96% accuracy on the publicly available dataset and outperforms over state-of-the-art methods.

스마트홈은 분산 컴퓨팅을 기반으로 하고 있으며, 분산컴퓨팅 환경에서 공유하는 자원이나 정보가 증가함에 따라 허 가되지 않은 정보의 접근이 발생하고 정보의 불법적인 사용으로 인한 정보의 누출이 발생한다. 따라서 분산 컴퓨팅 환경의 정보를 보호하기 위하여 사용자의 인증이나 사용자의 작업에 대한 접근통제 정책을 통한 정보보안의 필요성 이 증가하고 있으며, 이러한 접근통제 정책은 시스템 사용의 편리성을 위하여 응용프로그램이나 사용자의 작업을 방 해하지 않고 투명하게 제공되는 것을 목적으로 한다. 본 논문에서는 안전하고 효율적인 스마트홈 시스템 관리를 위한 방법으로 역할 기반의 다중 인증 시스템을 구현하여 시스템이 안전하게 보안 위협으로부터 보호될 수 있는 방안을 제 안하고 구현하였다. 제안 시스템은 기존 전자서명을 이용하여 외부 망으로부터의 접근에 대한 보안을 강화하였으며, 역할 기반의 MIB를 이용하여 댁내 망 내부에서도 보다 안전한 권한 제어를 통한 강화된 보안을 기대할 수 있다.

Smart home is based on distributed computing, and as resources and information shared in the distributed computing environment increase, unauthorized access to information occurs and information leakage occurs due to illegal use of information. Therefore, in order to protect information in a distributed computing environment, the need for information security through user authentication or access control policies for user tasks is increasing. It aims to be provided transparently without interfering with work. In this paper, as a method for safe and efficient smart home system management, a role-based multi-authentication system is implemented and a method is proposed and implemented so that the system can be safely protected from security threats. The proposed system strengthened the security of access from the external network by using the existing digital signature, and can expect enhanced security through more secure authority control inside the home network using the role-based MIB.

본 논문에서는 깊이 센서와 3차원 breast CT를 이용하여 유방 병변 제거술을 위한 비마커 기반 AR 수술 프레임워 크를 제안한다. 정합에 활용될 mesh의 획득을 위해 깊이 센서를 이용하여 환자 3차원 스캔을 통한 현실 좌표계 상 의 환자 mesh를 획득한다. 가상 좌표계 상의 환자 mesh는 3차원 breast CT에서 명암도 기반 피부 분할을 수행하 고 3차원 mesh를 생성하여 획득한다. 분할된 피부 영역에서 기울기에 기반하여 유두를 탐색하고, 이를 기준으로 ROI를 설정하여 정합에 활용될 가상 좌표계 상의 정점을 선별한다. 현실과 가상 좌표계 상의 mesh는 무게중심 일 치를 통해 일차적 위치 정렬을 수행하고, ICP 기법을 적용하여 정밀 정합을 수행한다. 10명의 환자 데이터를 이용 하여 실험한 결과 피부 분할 정확도는 DSC 98.34%, 유두 탐색 오차는 2.99mm, 정합 오차는 5.01mm로 나타났 다. 또한, 10개의 팬텀 데이터를 이용한 정합 오차는 3.42mm로 높은 정확도의 AR 가시화를 보였다.

In this paper, we propose a markerless AR surgical framework for breast lesion removal using depth sensor and 3D breast CT. In order to acquire a mesh to be used for registration, a patient mesh on the real coordinate system is acquired through a patient 3D scan using a depth sensor. The patient mesh on the virtual coordinate system is obtained by performing contrast-based skin segmentation in 3D breast CT and generating a 3D mesh. Based on the gradient in the segmented skin area, detect the nipple, set the ROI based on this, and select the vertices on the virtual coordinate system to be used for matching. The mesh on the real and virtual coordinate systems align the primary positions through the matching of the center of mass, and applies the ICP method for registration. As a result of experiments using data from 10 patients, the skin segmentation accuracy was DSC 98.34%, the nipple detection error was 2.99 mm, and the registration error was 5.01 mm. In addition, the registration error using 10 phantom data was 3.42 mm, showing high accuracy of AR visualization.

본 논문에서는 관상동맥 질환의 진단 및 치료에 활용 가능한 보조 정보 제공을 위해 동일 환자 시간차 3D 심장 컴퓨 터단층촬영 혈관 조영술 영상에서 혈관 간 정확하고 빠른 비강체 정합 기법을 제안한다. 제안 방법은 다음과 같은 네 단계로 구성된다. 첫째, 시간차 3D 심장 컴퓨터단층촬영 혈관 조영술 영상으로부터 획득한 3D 혈관 중심선 간 에 강체 정합을 통한 전역적 정렬을 수행한다. 둘째, 강체 정합 결과에서 3D 혈관 중심선 간 Point matching을 수행하며 대응 관계를 정의한다. 셋째, 혈관의 두께, 기울기 등의 정보를 이용하여 매칭된 대응 관계에서 Outlier를 제거한다. 넷째, 에너지 함수를 이용하여 계층적인 지역적 변형을 위한 비강체 변형 수행한다. 실험 결과, 제안 기법 의 평균 정합 오차는 0.987mm이고, 평균 수행 시간은 2.137초로 정확하고 빠르게 정합을 수행한다.

In this paper, we propose a accurate and fast non-rigid registration method between vessels using two 3D cardiac computed tomography angiography(CTA) images taken at different times to provide auxiliary information that can be used in the diagnosis and treatment of coronary artery disease. The proposed method consists of the following four steps. First, global alignment is performed through rigid registration between 3D vessel centerlines acquired from two 3D CTA images. Second, corresponding points is obtained through point matching between 3D vessel centerlines. Third, the outlier is removed from the corresponding points using the thickness and gradient of the vessel. Fourth, non-rigid deformation for hierarchical local transformation is performed using an energy function. As a result of the experiment, the average registration error is 0.987 mm, and the average execution time is 2.137 seconds. The proposed method shows that the registration is performed accurately and quickly.