Earticle

클라우드 컴퓨팅은 IT 서비스를 구성, 배포, 운영하기 위한 기반 기술로 다양한 이해관계자(개발자, 플랫폼 운영자, 고객 등)를 대상으로 제공된다. 이해관계자들이 클라우드 플랫폼을 활용하는데 리소스 충돌 및 데이터 침해를 방지하 기 위해 플랫폼은 이해관계자들에게 특정 범위의 리소스를 제어할 수 있는 권한을 RBAC(Role Based Access Control)와 같은 기술을 통해 제공한다. 그러나, 현재 활용되는 권한 분배 기술들은 서로 다른 클라우드 플랫폼에서 상이한 이해관계자 구분과 제공하는 역할 범위의 차이점으로 인해 공통된 적용 방안을 찾기 힘들다는 문제점이 있다. 따라서, 본 논문에서는 권한 분배 구조의 분석을 통해 서로 다른 클라우드 플랫폼에 적용 가능한 리소스 단계의 확장 을 지원하는 수준별 권한 분배 구조 및 방법을 제안한다. 제안 방법을 구현한 사례연구를 수행하여 방법의 적용 가능 성을 검증하였다. 오픈소스 클라우드 플랫폼 및 관련 연구들과의 비교 분석을 통해 제안한 권한 분배 방법이 기존 방 법보다 권한 분배 범위가 확장되고 역할 범위가 세분화된 것을 확인하였다. 본 논문에서 제안한 방법은 멀티 클라우 드 환경에서 권한을 분배하기 위한 기반 모델로 적용될 수 있다. 또한 기존 환경에서 지원하지 않는 세분화된 권한 분배를 지원하여 클라우드 역할의 유연성을 높이고, 권한의 확장성을 보장하는 방안으로 활용 가능하다.

Cloud computing is a base technology for configuring, distributing, and operating IT services that is provided to various stakeholders(developers, platform operators, customers, etc.). To prevent resource conflicts and data breaches when stakeholders use the cloud platform, the platform provides stakeholders with the authority to control a specific range of resources through technologies such as RBAC (Role Based Access Control). However, the currently used authority distribution technologies have a problem that it is difficult to find a common application approach on different cloud platforms due to different stakeholders and differences in the scope of roles provided. Therefore, in this paper, through analysis of the authority distribution architecture, we propose a level-specific authority distribution architecture and method that is applicable to different cloud platforms and supports expansion of the resource level. By applying the proposed method, we verify the feasibility of implementing the method based on a conducted case study. Through comparative analysis with open source cloud platforms and related researches, it was confirmed that the proposed authority distribution method expanded the scope of authority distribution and further refined the scope of roles compared to the existing method. The proposed method in this paper can be applied as a base model for distributing authority in a multi-cloud environment. In addition, it can be used as a way to increase the flexibility of cloud roles and ensure scalability of rights by supporting authority distribution of rights that is not supported in the existing environment.

감정 분석은 디지털 텍스트를 분석하여 메시지의 감정적 어조가 긍정적인지, 부정적인지 또는 중립적인지를 확인하 는 프로세스이다. 오늘날 회사는 이메일, 고객 지원 채팅 트랜스크립트, 소셜 미디어 댓글 및 리뷰와 같은 대량의 텍스트 데이터를 스캔하여 주제에 대한 글쓴이의 태도를 자동으로 확인할 수 있다. 기업은 감정 분석의 인사이트를 활용하여 고객 서비스를 개선하고 브랜드 평판을 높인다. 그러나 언어의 복잡성과 반어적 표현 등의 사용으로 긍정, 부정 판단이 잘못 분류되는 사례가 있다. 본 논문은 랜덤 포레스트 분류기를 기반으로 이러한 문제 해결방법을 제안 하여 네이버 뉴스기사 5개월 분량으로 학습하고 교차검증을 실시하였으며, ROC 곡선에 기반한 AUC 값 중 우수한 데이터 세트로 학습하고 검증하였다.

Sentiment analysis is the process of analyzing digital text to determine whether the emotional tone of the message is positive, negative, or neutral. Today, companies can scan large amounts of text data such as emails, customer support chat transcripts, and social media comments and reviews to automatically determine the writer's attitude on a topic. Companies use insights from sentiment analysis to improve customer service and enhance brand reputation. However, there are cases where positive and negative judgments are misclassified due to the complexity of language and the use of ironic expressions. This paper proposed a method to solve this problem based on a random forest classifier, learned from 5 months of Naver news articles, performed cross-validation, and learned and verified with an excellent data set of AUC values based on the ROC curve.

용접은 제조산업에서 가장 중요한 공정 과정이다. 하지만, 산업현장에서는 용접인력 부족 및 고비용의 문제와 전문 가 수준의 기술을 습득까지의 오랜 경험이 요구되기 때문에, 제조공정에서 인공지능(AI)기술의 도입이 시급하다. 본 논문에서는 합성곱 신경망(Convolutional Neural Networks, CNN)기반 VGG 모델을 활용하여 제조공정에 서 나타나는 용접결함에 대한 이미지 분류를 진행하고, 그 성능을 평가하고자 한다. 본 연구에서는 2가지 유형의 육 안검사(Visual Test, VT)와 방사선 탐상검사(Radioisotope Test, RT)의 용접결함 이미지를 수집하였다. 용접 결함은 4개의 용접결함(VT: 기공, 용입부족, 융합불량, 언더컷/RT:기공, 용입부족, 균열, 슬래그 혼입)과 1개의 정상으로 구성되어 있다. 용접결함 이미지는 원 데이터를 직접적으로 활용하였으며, 그 결과, VT, RT 이미지에 대 하여 각각 98%, 92%의 성능을 확인하였다. 본 연구는 데이터 증강 등 데이터 정제 없이 진행한 점에 의의가 있으 며, 향후 본 연구 결과를 기반으로 더 많은 자료수집을 통한 데이터의 확장과 더불어, 다양한 딥러닝 모델을 활용한 성능향상을 통하여 용접결함 검사 시스템 개발에 활용할 수 있을 것이다.

Welding plays a crucial role in the manufacturing industry. Nevertheless, the manufacturing industry urgently requires integrated artificial intelligence (AI) technology to enhance productivity because of the scarcity of human resources, the high costs involved, and the long time needed to attain an expert level. This study aims to classify welding defects using the EGG model based on CNN (Constitutional Neural Network). This study collected two types of welding defect images: a visual test (VT) and a radioisotope test (RT). There are four categories of welding defects: VT defects, which include porosity, incomplete penetration, lack of fusion, and undercut, and RT defects, which consist of cracks, porosity, lack of fusion, and slag inclusion. We also collected normal data. We input the raw image, not data p reprocessing, and achieve classification performances of 98% in VT and 92% in RT, respectively. Our finding is significant because it was conducted without data purification, such as data augmentation. We are expected to expand the data and improve performance by utilizing a variety of deep-learning models. In addition, our study helps to create a welding defect inspection system that can accurately detect surface defects in welds in future works.

다중운집 지역에서 인파 과밀로 인한 사고를 방지하기 위해서는 실시간으로 인파 밀집도를 예측하고 위치를 추적하 는 기술이 매우 중요하다. 본 논문에서는 실내 환경에서 수집되는 다양한 센싱 정보를 기반으로 실내 인파의 밀집도 및 위치를 추적하고, 이를 모니터링 하는 시스템을 제안한다. 제안하는 시스템은 무선 WiFi 신호 세기 및 카메라 영상을 입력으로, 핑거프린트 위치 추정 및 객체 탐지 기법을 적용하여 실시간 사용자 위치를 예측한다. 또한, 구역 별 밀집도를 계산하기 위해 모니터링 대상 공간을 일정 크기의 구역으로 나눈 뒤 각 구역에 체류하는 예측 된 인파 의 수를 카운트한다. 본 연구는 웹 기반의 통합 모니터링 플랫폼을 제안하며, 이를 통해 구역별 밀집도 및 실시간 인파 위치의 통합 모니터링이 가능하다. 제안하는 시스템의 효용성을 검증하기 위해 실 환경에서 테스트 및 검증을 수행했다. 실험 결과, 제안하는 시스템은 실시간 사용자 위치를 정확하게 예측할 수 있으며, 실내 과밀 상황 발생 시 신속하게 탐지 및 모니터링을 수행하고 해당 사용자에게 통지할 수 있음을 확인했다.

In order to prevent accidents due to overcrowding on mass gatherings, it is crucial to predict and track crowd density in real-time. This paper proposes a system for tracking and monitoring indoor crowd density and their locations based on diverse sensing information collected in indoor environments. The proposed system leverages wireless WiFi signal strength and camera images as input, applying fingerprint location estimation and object detection techniques to predict real-time user locations. The monitored space is divided into predefined-size zones, and the predicted crowd count in each zone is used to calculate the density. A web-based integrated monitoring platform is developed to integrate monitoring of zone-specific density and real-time crowd location estimation. To validate the effectiveness of the proposed system, empirical tests and verifications were conducted in a real environment. The experimental results confirm that the proposed system can accurately predict real-time user locations, promptly detect and monitor overcrowding situations indoors, and notify the relevant users when necessary.

본 연구는 딥러닝을 바탕으로 군용객체를 검출하고, 포신을 갖고 있는 객체에 대해 포신을 제외한 몸체 영역을 추정 하는 시스템을 개발한다. 이를 위해 전차, 장갑차, 사람 객체의 클래스로 구성된 데이터셋을 구축한다. 특히, 전차 클래스는 주로 원격조종 전차를 촬영하여 얻은 데이터로 구축되고, 전체 데이터셋은 객체 탐지를 위해 YOLOX 검 출기의 학습과 테스트에 이용된다. 전차 클래스로 검출된 객체는 검출된 영역을 분리하고 영역의 하단 부분을 여러 개의 셀로 나눈다. 그 후, 각 셀의 RGB 히스토그램의 분포를 계산하고 셀 간의 유사도를 통한 스펙트럼 군집화를 적용하여 몸체와 배경을 분류한다. YOLOX-L 모델을 사용하였을 때 IoU 0.5에서 89.2%의 AP 결과를 얻었으며, 포신을 제외한 군용객체의 몸체 부분을 인식하는 것을 보였다. 본 연구에서 개발된 기술을 바탕으로 방위 시나리오 에서의 객체 탐지 능력을 향상시키고, 상대 전차의 몸체 부분을 바탕으로 포탑 구동을 통해 정확한 조준 및 포격하 는데 활용된다.

This study develops a system that detects military objects based on deep learning and estimates the bodies of military objects excluding gun barrels. For this purpose, we build a dataset consisting of classes of tanks, panzers, and human objects. In particular, the tank class mainly consists of data obtained by capturing remotely controlled tanks, and the entire dataset is used for training and testing of YOLOX detector for object detection. An object detected as the tank class is segmented into a regions of interests, and the lower part of the image is divided into several cells. After the distribution of the RGB histogram in each cell is computed, spectral clustering through similarity between histograms of cells is applied to classify the body and background. For YOLOX-L, we achieve 89.2% AP 50, and show that the body parts of military objects excluding the gun barrel are well recognized. The proposed system not only improves the ability to detect objects in defense scenarios, but also accurate aiming and artillery fire are achieved by driving the turret based on the body parts for opposing tanks.

RGB 영상과 Thermal 영상의 다중 모달리티의 활용은 악천후나 안개, 조명 환경 등으로 가시성이 저하되는 다양 한 상황에서 그 가치를 발휘한다. 이전 의미론적 분할 작업에서 RGB 영상에서 추출된 특징을 Thermal 영상의 특 징과 결합하는 방식으로 높은 인지 성능을 달성했지만, 모달리티의 특성에 따른 모델 가중치는 고려하지 않고 출력 된 특징을 결합했기 때문에 제한적인 성능을 보인다. 본 논문에서는 RGB 영상과 Thermal 영상을 학습하는 과정 에서 네트워크가 공통적인 가중치를 갖도록 구성하고, 손실 계산 단계에서 더 많은 정보를 가진 모달리티 특징이 다 른 모달리티를 이끌도록 구성하였다. 또한 상호보완적인 마스킹 모듈과 잔차 네트워크를 구성하여 FMB[1] 데이터 세트에서 12.25의 성능 향상을 이뤘다.

Utilizing the multi-modality of RGB and thermal images is valuable in various situations where visibility is reduced due to bad weather, fog, or lighting conditions. In previous semantic segmentation work, high recognition performance has been achieved by combining features extracted from RGB images with features from thermal images, but the performance is limited because the output features are combined without considering the model weights according to the characteristics of the modalities. In this paper, we configure the networks to have common weights during the learning process of RGB and Thermal images, and configure the modality features with more information to lead the other modalities in the loss calculation step. We also configure complementary masking modules and residual networks to achieve a performance improvement of 12.25 on the FMB dataset.

길이가 같은 두 문자열에서 같은 위치에 있는 문자의 상대적인 순위가 모든 위치에서 일치하면 두 문자열은 순위동 형이라 한다. 순위패턴매칭문제는 대소 비교가 가능한 텍스트 T 와 패턴 P 가 주어졌을 때, P 와 순위동형인 T 의 모든 부분문자열의 위치를 찾는 문제이며 시계열 데이터 분석에 활용될 수 있다. 본 논문에서는 다양한 시계열 데이터 에 대한 순열 엔트로피를 계산하고, 각 데이터별로 순열 엔트로피 분포에 따른 순위패턴매칭 알고리즘들의 성능을 비교한다.

Two strings of the same length are called order-isomorphic if the relative order of characters at the same position is identical for all positions. The order-preserving pattern matching problem is finding the positions of all substrings in text T that are order-isomorphic to pattern P. This problem can be applied in time series data analysis. In this paper, we compute the permutation entropy for various time series data and compare the performance of order-preserving pattern matching algorithms based on the permutation entropy distribution for each dataset.

최근 스마트 모빌리티 시스템이 운전자 중심 서비스를 위해 위·변조에 강인한 신체 내부의 전기적 신호인 생체신호를 이용하여 운전자 인식 연구가 활발히 진행 중이다. 기존 딥러닝 네트워크로써 CNN은 제한적인 지역적 특징 추출과 LSTM은 반주기적 생체신호의 형태학적 특징 분석 한계로 성능을 개선하는데 한계가 있다. 본 논문은 시간변화에 따른 신호 패턴을 학습하는 TCN(Temporal Convolutional Network)과 장기 의존성을 학습하는 BiLSTM (Bidirectional Long Short Term Memory)을 이용한 운전자 식별 시스템을 제안한다. 제안한 식별 시스템은 신 호의 잡음을 제거하는 전처리 과정, 기준점 및 비기준점 기반 특징 분할 과정, TCN과 BiLSTM 앙상블 모델에 의 해 운전자를 식별하는 과정으로 구성된다. 실험 결과, PhysioNet 공개 DB인 drivedb와 normal sinus rhythm database를 이용하여 운전자 식별 정확도는 각각 99.76%, 99.97%로 기존 단일 네트워크보다 4.64%, 3.84% 더 우수함을 확인하였다.

Recently, driver recognition research is actively underway for smart mobility systems to provide driver-centered services using biosignals, electrical signals inside the body that are resistant to forgery and falsification. As an existing deep learning network, CNN has limited local feature extraction and LSTM has limitations in improving performance due to limitations in analyzing morphological features of semi-periodic biological signals. This paper proposes a driver identification system using a temporal convolutional network(TCN) that learns signal patterns according to time changes and a Bidirectional Long Short Term Memory(BiLSTM) that learns long-term dependencies. The proposed identification system consists of a preprocessing process to remove noise from the signal, a feature segmentation process based on fiducial points and non-fiducial points, and a process to identify the driver using the TCN and BiLSTM ensemble models. Experimental results using the PhysioNet public databases, drivedb and normal sinus rhythm database, showed that the driver identification accuracy was 99.76% and 99.97% respectively, which is 4.64% and 3.84% better than the existing single network models.