Earticle

과거에는 동물들이 가족 구성원으로 받아들여지기보다는 가축으로 활용되었지만, 시간이 지나면서 동물들의 생활 환경이 집 안으로 바뀌면서 반려동물로서 인식되는 경향이 커지고, 반려동물 양육 인구도 증가하고 있다. 이러한 변 화로 반려동물은 가족 구성원으로 여겨지고, 그들의 건강과 복지에 관한 관심도 증가하고 있다. 반려동물의 건강은 적절한 식이 관리를 통해 유지될 수 있다. 이를 위해서는 사료의 다양성과 영양성을 고려해야 한다. 최근 연구에서 는 반려동물의 장내 미생물 환경과 면역 체계 조절, 소화 기능 등과의 관계가 밝혀지고 있어 사료 선택의 중요성이 부각 되고 있다. 반려동물의 장내 미생물 환경은 사료의 성분과 밀접한 연관이 있으며, 적절한 식이조절을 통해 장 내 미생물 환경을 조성한다. 이러한 사실은 반려동물의 건강을 유지하기 위한 적절한 식이 선택을 통해 장내 미생물 환경 조성의 중요성을 강조한다. 따라서 본 연구는 반려동물의 건강과 사료 선택 사이의 연관성을 고려하여 반려동 물의 장내 미생물 환경과 관련된 논문을 수집하고, 여러 언어 모델을 결합한 앙상블 모델을 사용한 기계 독해를 통 해 반려동물 상태에 맞춤형 사료를 추천하는 시스템을 개발한다. 이 시스템은 반려동물의 건강에 도움이 되는 사료 선택을 돕고, 반려인들에게 정확하고 유용한 사료를 추천한다. 이 연구 결과는 반려동물의 건강과 행복한 삶을 위한 실질적인 가치를 가지며, 반려동물 사료 시장에 유용한 지침을 제공할 것으로 기대한다.

In the past, animals were primarily considered livestock rather than family members. However, as time has passed, the living environment of animals has shifted indoors, leading to an increasing trend in perceiving them as pets. This transformation has led to a growing population of pet owners, who now view their animals as integral family members, and consequently, there is a heightened interest in the health and well-being of these beloved companions. The health of pets can be maintained through proper dietary management, and this necessitates careful consideration of the variety and nutritional content of pet food. Recent research has unveiled the intricate relationship between a pet's gut microbiome, immune system regulation, and digestive functions, shedding light on the pivotal role of dietary choices. The gut microbiome of pets is closely intertwined with the composition of pet food, emphasizing the importance of cultivating a suitable gut environment through appropriate dietary adjustments. These insights emphasize the significance of selecting the right diet for maintaining a pet's health and underline the importance of fostering a favorable gut microbiome. Consequently, this research takes into account the correlation between pet health and food selection. It seeks to collect papers related to pets' gut microbiome, and through machine comprehension employing an ensemble model that combines various language models, the study aims to develop a system for recommending tailored pet food based on the pet's condition. This system is designed to facilitate the selection of food that contributes to the well-being of pets and offers pet owners accurate and valuable food recommendations. The outcomes of this research are expected to hold substantial practical value, as they will contribute to the health and happiness of pets, while also providing useful guidelines for the pet food market.

최근 드론 기술의 혁신으로 인해 다양한 산업 분야에서의 응용 시도가 두드러지게 증가하고 있다. 이 중에서도, 기 존의 고정형 CCTV 시스템을 대체하고자 드론을 활용한 감시 시스템을 구축하는 시도가 많아졌지만 센서의 무게 제한 및 캘리브레이션 문제와 같은 제약 사항이 발생한다. 이러한 어려움을 극복하고자, 본 논문에서는 인공지능 모 델을 기반으로 한 드론 감시 시스템을 소개한다. 우리는 인공지능 모델의 성능을 향상시키기 위해 가상 환경에서 합 성 데이터 수집 및 데이터 세트 구축을 수행하며, 실제 데이터 세트와 효과적으로 학습하는 몇 가지 학습 방법을 제 시한다. 뿐만 아니라, 드론 환경에서 자주 발생하는 작은 객체를 효과적으로 탐지하기 위한 방법론을 적용하고, 탐 지된 객체의 절대 좌표를 추정하기 위한 절대 좌표 추정 알고리즘을 제안한다. 더 나아가, 우리는 탐지된 객체에 대 한 고유한 식별 번호(ID), 속도 측정, 인체의 관절 위치와 같은 추가적인 속성을 통해 드론 감시 시스템을 고도화하 였으며, 이를 현실과 가상 환경에서 철저히 검증한다

Recently, drone technology innovations have led to a significant increase in application attempts in various industries. Among them, there are many attempts to build a surveillance system using drones to replace the existing fixed CCTV system, but constraints such as weight limitations and calibration problems of sensors occur. To overcome these difficulties, in this paper, we introduce a drone surveillance system based on an artificial intelligence(AI) model. To improve the performance of the AI model, we perform synthetic data collection and dataset construction in a virtual environment, and present several learning methods to effectively learn with real datasets. In addition, we apply a methodology to effectively detect small objects that often occur in the drone environment, and propose an absolute coordinate estimation algorithm to estimate the absolute coordinates of the detected objects. Furthermore, we enhance the drone surveillance system with additional attributes such as unique identification numbers (IDs), velocity measurements, and human keypoints for the detected objects, which are thoroughly validated in real and virtual environments.

2020년 공공기록물법 시행령 개정을 통해 행정정보 데이터세트 전자기록관리가 본격화되면서 국가기록원 행정정보 데이터세트 기록관리 실행 매뉴얼과 함께 행정정보 데이터세트 관리기준표를 기준으로 공공기관 중요 정보시스템을 대상으로 한 기록관리가 진행되고 있다. 정부의 데이터세트 기록관리를 위한 정책적 주도로 조금씩 데이터세트 기록 관리를 위한 체계가 만들어져 가고 있으며 이제는 좀 더 데이터 관점에서의 실제적인 이관과 평가, 처분을 위해 몇 가지 기록관리를 위한 속성에 대한 구체적인 정의가 필요한 단계이다. 본 연구에서는 기록관리 대상이 되는 데이터 세트를 구체적으로 식별하고 선별하여 후속적인 기록관리 보존처리 업무를 이행할 수 있도록 관리단위 구체화부터 실제적인 처분단위 설정을 위한 기록속성 기준을 제시하고자 한다.

With the 2020 amendment to the Public Records Management Act, the management of administrative information datasets has been formalized. In line with this, records management for major information systems of public institutions is being carried out based on the National Archives of Korea’s Manual for Managing Administrative Information Datasets and the Management Standards for Administrative Information Datasets. As a result of the government's policy initiative for record management of datasets, a system for managing these records is gradually being established. Now, there is a need for a more detailed definition of certain attributes for the actual transfer, appraisal, and disposal from a data-centric perspective. This study aims to identify and collect the datasets subject to records management and propose standards for record’s attributes for the setting the actual disposal unit, starting from the setting of the basic unit for records management unit to the subsequent preservation processes.

본 논문에서는 컴퓨터 비전 분야의 대표적인 도전 과제 중의 하나인 강인한 객체 추적을 위한 새로운 접근을 제안하 고 있다. 중첩과 같이 객체의 추적을 어렵게 하는 문제를 해결하기 위해 색상과 깊이를 함께 사용하는 복합 특징 공 간에서의 스웜 최적화를 기반으로 하는 강인한 객체 추적 모델을 제안한다. 추적하고자 하는 대상에 대한 색상 특징 과 함께 깊이 특징을 복합적으로 사용함으로써 추적 대상의 중첩과 재등장 상황에서도 추적 성능을 제고할 수 있다. 먼저, 입력 영상을 여러 개의 패치로 구분하고 각 패치로부터 색상 특징과 깊이 특징의 동기화 및 통합을 수행하여 색상-깊이 복합 특징 공간에서 특징을 추출한다. 다음으로 스웜 최적화를 통해 파티클의 위치를 업데이트하며 추적 대상 객체를 추적한다. 이 과정에서 추적 대상의 중첩 및 크기 변화에 대응하여 강인한 객체 추적을 가능하게 한다. 제안하는 접근법의 검증을 위해 색상-깊이 공개 데이터셋인 프린스턴 트래킹 벤치마크(PTB; Princeton Tracking Benchmark)를 사용한다. 제안하는 방법에 의한 실험 결과 기존 방법에 비해 추적 성능의 개선을 가져온다는 것을 확인할 수 있다.

This paper proposes a robust object tracking scheme that is one of the most representative challenge in computer vision research area. In order to solve the problems in object tracking such as occlusion, this paper employs swarm optimization in complex feature space using color and depth features. This complex feature space can increase performance of target tracking in occlusion and reappearance situation. First, the input image is divided into several patches, and the color and depth features are synchronized and integrated from each patch to extract features from the color-depth composite feature space. Then, the target object is tracked by updating the position of particles in swarm optimization. During this process, it enables to track target object robustly even in occlusion and size changes of the target. For performance evaluation, this paper uses Princeton Tracking Benchmark (PTB), a color-depth public dataset. The experimental results using the proposed method, it can be confirmed that tracking performance is improved compared to the existing methods.

사람들의 차량 보유 대수가 증가함에 따라 물피도주 사건도 증가하고 있지만, 수사 과정에서 장시간의 CCTV 영상 을 수동으로 검수하므로 용의자를 식별하는 데 많은 시간이 필요하고 비효율적이다. 따라서, 불필요한 인력 소모를 줄이기 위해서는 물피도주 피의자 식별 자동화 시스템의 구축이 필수적이다. 본 논문에서는 CCTV 영상에 인공지 능 기술을 활용해 CCTV 영상에서 '물피도주' 사건의 시점을 자동으로 탐지하고 가해 차량을 무엇인지 추적하는 시 스템을 제안한다. 이 시스템은 CCTV 영상을 수신하면 피해 차량 선택, 사고 시점 추정, 가해 차량 추정의 과정을 거치며 가장 확률이 높은 물피도주 가해 차량을 탐지한다. 기존 차 사고 차량 사고 검출 방식의 취약점을 보완하고, 사고와 무관한 주변 객체로 인한 오류를 줄이기 위해 객체 분할과 객체 탐지 모델, 그리고 객체 추적과 깊이 추정 모델을 활용하여 주변 객체들을 별도로 분류하는 과정이 도입되었다. 또한 CCTV 영상에 촬영된 국내 차량의 탐지 성능을 향상하기 위해 별도로 구성한 데이터 세트를 통해 객체 탐지 성능을 향상했고, 실제 CCTV에서 촬영된 물피 도주 사례들에 이 시스템을 적용했을 때 사고 발생 시점을 정확하게 검출하였고, HD 해상도의 영상에서 27fps 이 상의 처리 속도를 보인다.

As the number of vehicles owned by individuals increases, so does the occurrence of hit-and-run incidents. However, the investigation process is time-consuming and inefficient due to the need for manual review of long-duration CCTV footage to identify suspects. Therefore, it is essential to establish an automated system for identifying hit-and-run suspects to reduce unnecessary manpower consumption. This paper proposes a system that utilizes artificial intelligence technology on CCTV footage to automatically detect the moment of a 'hit-and-run' incident and track the offending vehicle. Upon receiving CCTV footage, the system undergoes processes of selecting the victim vehicle, estimating the time of the accident, and estimating the offending vehicle, thereby detecting the most probable hit-and-run offending vehicle. To address the vulnerabilities of existing vehicle accident detection methods and to reduce errors caused by irrelevant surrounding objects, the process of object segmentation and detection models, as well as object tracking and depth estimation models, were introduced to separately classify surrounding objects. Additionally, to enhance the detection performance of domestic vehicles captured in CCTV footage, a separate dataset was compiled to improve object detection performance. When this system was applied to actual hit-and-run cases recorded by CCTV, it accurately detected the time of the accident and demonstrated a processing speed of over 27fps in HD resolution video.

본 논문에서는 클라우드 운영 자원의 텔레메트리 데이터를 활용하여 이상치를 예측하는 딥러닝 모델을 개발하고 기 존 통계적 기법인 정규 분포 모델과 성능을 비교하여 효과적인 이상탐지 방안을 제안한다. 클라우드 자원인 인스턴 스의 CPU 사용량, 메모리 사용량, 네트워크 트래픽(초당 바이트), 데이터 읽기 지연, 데이터 읽기 작업 데이터 2,937개를 수집하였으며, 1,577개의 학습 데이터를 활용하였고 테스트 데이터는 1,369개의 데이터를 활용하였 다. LSTM 기반의 오토 인코더를 활용하여 작성된 모델로 학습 단계를 통해 학습된 결과 데이터와 학습 데이터의 차이값으로 학습이 정상으로 진행 되었는지 확인하였다. 클라우드 인프라가 정상적인 상태에서의 텔레메트리 학습 데이터와 결과 데이터의 값을 분석하여 임계치를 추출하였다. 테스트 데이터를 추출한 임계치와 비교하여 임계치 이 상일 경우 이상치로 판단하고 임계치 이하인 경우는 정상으로 판단하였다. 테스트 데이터를 통해 본 연구 모델을 검 증하였으며 검증 결과 92%로 정상적으로 판정하여, 통계적 기법인 정규 분포 성능(57% accuracy) 대비 성능이 우수하다는 것을 확인하였다.

In this paper, we propose an effective anomaly detection approach by developing a deep learning model to predict anomalies using telemetry data from cloud operational resources. The performance of the proposed model is compared with the conventional statistical approach, specifically the normal distribution model. Telemetry data, including CPU usage, Memory usage, Network traffic (bytes per sec), Data Read latency, and Data Read operation for 2,937 instances of cloud resources, were collected. Of these, 1,577 data points were utilized for training, and 1,369 for testing. An LSTM-based Autoencoder model was constructed and trained to verify the normal progression of learning by examining the difference between the learned result data and the training data. Thresholds were extracted by analyzing the values of telemetry training data and result data in a normal state of cloud infrastructure. During testing, if the extracted thresholds were exceeded, the data was considered anomalous, and if it fell below the threshold, it was considered normal. The proposed model was validated using the test data, achieving a 92% accuracy rate, which demonstrated superior performance compared to the statistical approach using the normal distribution model (57% accuracy).

애니메이션은 주어진 키프레임(key frame)에 맞춰 움직이기 때문에, 외부 객체(object)와 상호작용하기 위해서는 객체의 위치와 방향에 맞춰서 애니메이션을 변환해야 한다. 이 논문에서는 기존 애니메이션을 합성한 데이터로 애니 메이션을 생성하고, 생성한 애니메이션으로 객체와의 상호작용을 학습하여 환경에 최적화된 애니메이션을 생성하는 방법을 제안한다. 애니메이션을 학습하는 에이전트(agent)는 개체의 상태를 관찰하고 주어진 애니메이션들의 움직 임을 합성하여 다양한 행동을 만들어내고 목적을 달성한 정도에 따라 보상을 받는다. 우리는 에이전트가 행동하는 과정에서 모션 합성 비율에 대한 가중치를 계산하는 함수를 설계하고, 생성되는 애니메이션이 사람이 취할 수 있는 동작에 가깝도록 회전 각도 clamping 보간 함수와 보상 시스템을 설계하여 반영하였다. 모션 합성 데이터를 활용 한 강화학습 기반 애니메이션 생성 기법은 객체의 변화에 반응하는 애니메이션을 기존 강화학습 기반 기법보다 적은 학습량으로 생성할 수 있음을 확인했다.

In animation, it is necessary to modify the animation to align with the position and rotation of external objects, as animations operate according to given keyframes. This paper proposes a method to generate animations using synthesis data from existing animations and to learn environment-optimized animations through interactions with objects. The agent learning the animation observes the state of the object and synthesis motions from given animations to perform various actions, receiving rewards based on the degree of goal achievement. We design a function to calculate the weight of motion synthesis during the agent's actions and incorporate a rotation angle clamping interpolation function and a reward system to ensure that the generated animations closely resemble human movements. The reinforcement learning-based animation generation technique using motion synthesis data is found to generate animations interacting with changing objects with less training than traditional reinforcement learning-based methods.

건축물의 안전과 기능 유지를 위한 안전 점검은 건물 노후화 및 관리 미비로 인한 대형 사상 사고를 예방하기 위한 효과적인 대비책이다. 하지만, 현장 방문을 통한 건축물 점검을 정기적으로 수행할 검사원의 수가 제한되고, 검사원 의 숙련도와 주관적 평가에 의해 점검 결과가 크게 영향을 받을 수 있는 점은 개선이 필요하다. 본 논문에서는 현행 건축물 안전 점검의 한계와 제약을 개선하기 위해 비용 효율적이며 객관적인 정량 계측이 가능한 안전 점검 자동화 기술을 제안한다. 제안하는 기법은 콘크리트 건축물의 실내 균열 탐지를 목표로 하며, 자율비행 드론을 이용한 현장 조사와 딥러닝 비전 기반의 균열탐지 기법으로 구성된다. 본 논문은 안전점검 활동의 비용 절감을 위해 저가 드론 사용을 제안하며, 고도 유지 및 고정 거리 비행 기능을 통해 실내 환경에서 음영지역 없이 자율적으로 현장 조사를 수행하고 건축물 내부 이미지 및 좌표 정보를 수집하기 위한 알고리즘을 제안한다. 안전 점검 기간 최소화를 위해 적은 수의 이미지로 효과적 균열 탐지가 가능한 DRAEM 딥러닝 모델을 사용하며, 균열 탐지 정확도 개선을 위해 임계치 기반의 픽셀 마스킹 기법을 제안한다. 실 환경에서의 테스트를 통해 제안하는 시스템의 자율적 현장 조사 및 균열 탐지 기능의 정확성을 검증했다.

The safety inspection for guaranteeing the safety and functionality of buildings is an effective measure to prevent hazardous accidents caused by aging and inadequate management of buildings. However, there is a need for improvement as the number of inspectors who perform on-site inspections regularly is limited, and the inspection results can be significantly influenced by the skill level of inspectors and subjective evaluations. In this paper, we propose a cost-effective and objective safety inspection automation system to overcome the limitations and constraints of current building safety inspections. The proposed technique focuses on detecting indoor cracks in concrete structures and consists of on-site investigation using autonomous drones and crack detection using deep learning vision. In this paper we propose the use of low-power drones to reduce the cost of safety inspection activities and propose algorithms for autonomous on-site investigation in indoor environments without shadow areas through altitude maintenance and fixed-distance flight capabilities and collecting images along with their location information. To minimize the inspection time, the proposed system utilizes the DRAEM deep learning model, which allows effective crack detection with a small number of images, and proposes a threshold-based pixel masking technique to improve crack detection accuracy. The proposed system has been validated through tests in real-world environments.

본 논문에서는 엣지 컴퓨팅 장치에서 쿠버네티스의 네트워크 성능 제어 방식이 실제 컨테이너 네트워크 성능에 미치 는 영향을 실험을 통해 제시한다. 컨테이너의 네트워크 성능은 엣지 컴퓨팅 환경에서 서비스 품질에 큰 영향을 미치 는 요소로 네트워크 성능이 저하되는 경우 데이터 전송에 걸리는 시간이 늘어나고 사용자 요청에 대한 응답시간이 길어지는 등의 서비스 품질 저하를 야기할 수 있다. 본 논문의 실험 결과, 엣지 컴퓨팅 환경에서 쿠버네티스의 네트 워크 성능 제어 방식을 적용하는 경우, 1) 사용자가 요청한 네트워크 성능에 달성하는데 상당한 시간이 소요되며, 2) 요청한 네트워크 성능 수치를 제대로 달성하지 못하는 문제가 있음을 확인하였다. 이를 통해, 쿠버네티스를 이용 한 네트워크 성능 제어를 위해서는 엣지 컴퓨팅 환경의 특성을 고려한 새로운 기법의 개발이 필요함을 알 수 있다.

This paper empirically demonstrates the ramifications of Kubernetes' network performance control methodologies on the network performance of containers within edge computing devices. Our experimental findings corroborate that the application of Kubernetes' network performance control methodologies within edge computing environments is characterized by: 1) a significant temporal investment required to attain user-requested network performance, and 2) inadequacies in achieving the stipulated network performance metrics. Thus, it is evident that the development of novel techniques tailored to the distinctive attributes of edge computing environments is imperative for proficient network performance control leveraging Kubernetes.