Earticle

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.

SNS을 활용한 키워드 기반 재난 텍스트 탐지는 노이즈 데이터에 취약한 문제를 지닌다. 본 논문은 키워드 기반 재난 트윗 탐지 모델의 한계를 극복하고자 문장 전체에 대한 텍스트 임베딩과 거리 기반 이상 탐지를 통해 재난 트윗 데이터를 탐지하는 모델을 제안한다. 실험결과 기존 키워드 기반 모델에서 발생할 수 있는 동음이의어 문제에 대해 강인한 모습을 나타냈다.

Massive IoT 환경은 모바일 환경뿐만 아니라 전 분야의 모든 디바이스를 네트워크에 연결하여 정보 생성 및 공유하는 초연결 네트워크 환경을 의미한다. Massive IoT 환경은 스마트시티, 스마트팩토리 등에 적용되며 지속적으로 발전 중이다, 이러한 환경에서 IoT 디바이스의 수는 방대하여 로그를 수집하고 관리하는 것이 어려운 상황이다. 이러한 문제점으로 인해 악성코드 감염 시, 감염원인 파악이 어려워 신속한 대응이 어렵다. 본 논문에서는 5G Massive 환경의 IoT 디바이스 악성코드 감염원인 파악을 위해 필요한 로그를 수집하는 방안을 제시하고자 한다.

기계학습에서 Data Drift는 정확도에 큰 영향을 주는 중요한 문제이며, 재난 대응과 같이 모델의 잘못된 예측 피해가 큰 분야에서 더 중요하다. 본 논문에서는 재난 분야 Data Drift 문제에 대해 MLOps를 이용하여 모델의 재학습을 효과적으로 수행할 수 있는 방안으로 MLOps 기법과 툴들을 사용하는 것을 제안하고, Kaggle 데이터와 MLFlow를 기반으로 정확도 실험을 수행하여 주장을 검증하였다.

IoT는 개별적인 목적에서 적용하기 위해 사용되었으나, 최근에는 의학, 농업뿐만 아니라 다방면에서 사용되고 있다. 2016년 Mirai 봇넷의 발현으로 인해 DNS 서버가 멈추는 사례가 있었다. 이러한 공격을 막기 위해 Mirai 봇넷과 같은 악성코드의 분석이 필요하다. 본 연구는 IoT 대상 악성코드 사례를 바탕으로 공격 대상과 특징 그리고 변종 악성코드들을 분석하고, 악성코드들이 나타날 수 있는 행위를 분석한다. 이를 통해 악성코드와 취약점을 매핑해 앞으로 나타날 수 있는 악성코드들의 특징에 대응하는 정형화 기법을 연구하고자 한다.

본 논문에서는 교사-학생 프레임워크에서 학생이 교사의 클래스 확률을 모사하는 새로운 Knowledge Distillation 방법을 제시한다. 전통적인 Knowledge Distillation 기법은 교사와 학생의 logits을 soften시켜 모방을 진행하지만, 제안하는 방법은 기존 방법과 다르게 교사와 학생의 Top-1 확률값을 포함한 확률분포와 Top-1의 확률값과 나머지 logits을 분리하고 soften시켜 dark knowledge를 생성하여 새로운 확률분포를 만든다. 학생은 교사의 분리된 각각의 2가지 형태의 클래스 확률을 모방하여 성능을 높인다. CIFAR 데이터셋에서 resnet, vgg, wrn과 같은 다양한 네트워크로 제안하는 방법론의 우수성을 실험을 통해 입증한다.

깊이 카메라를 이용해서 인간의 정밀한 전신 포인트 클라우드를 획득하기 위해서는 다양한 위치와 각도에서 촬영한 포인트 클라우드 간의 정합 및 깊이 보정이 필요하다. 기존에는 주로 Iterative Closet Point (ICP) 알고리즘을 이용해서 포인트 클라우드 간의 정합을 위한 3차원 변환을 추정한 후, 후처리로 독립적인 깊이 보정을 수행해 왔다. 본 논문에서는 ICP 알고리즘에서 사용되는 비용함수의 인수로 3차원 변환 뿐만 아니라 포인트 클라우드의 깊이 값이 사용될 수 있다는 점에 착안한 새로운 깊이 보정 알고리즘을 소개하고, 기존 후처리 방법과의 성능 비교를 통해 그 효용성을 검증한다.

최근 군사, 산업 등 다양한 분야에서 자율 이동 로봇이 활용되고 있다. 자율 이동 로봇이 특정 임무를 수행하는 데 있어 경로 계획은 핵심적인 역할을 한다. 오랜 기간 동안 A*, Rapidly exploring Random Tree 등 많은 경로 탐색 알고리즘이 연구되었다. 하지만 과거에 연구된 알고리즘들은 짧은 시간 내에 장애물과 충돌이 일어나지 않는 최단 경로를 찾는 데 애로사항이 존재한다. 이를 해결하기 위해 최근 활발하게 연구되고 있는 심층 신경망을 사용하여 경로를 생성하는 연구 사례들이 늘어나고 있다. 심층 신경망은 비선형 함수를 근사하는데 좋은 결과를 보여주어 경로 계획에 필요한 함수의 근사에 사용될 수 있다. 다양한 딥러닝 모델이 비선형 함수를 근사하지만 특히 예측 모델을 사용하는 것이 아닌 생성적 모델을 사용하는 것으로 원하는 경로를 좀 더 효율적으로 생성할 수 있을 것으로 예측된다. 본 논문에서는 컴퓨터 비전 분야에서 성공적인 결과를 보여준 Generative Adversarial Network를 통해 전역 경로를 이미지로 표시하는 데 성공한 사례를 제시한다. 또한 에이전트의 행동 제어에서 좋은 성과를 보여준 심층 강화학습을 사용해 자율 이동 로봇의 지역 경로 계획에 성공한 연구를 소개한다.

Recently, cloud computing technology has been offering cloud-based plate number classification applications with lower latency. In this paper, we design and implement a new distributed plate number classification system (DPNC). The proposed DPNC system absorbs a more significant number of input sensor data from autonomous cars with a lightweight model that provides high accuracy. In addition, our model has employed the entire convolution network – Long Short-term Memory (FCN-LSTM) to predict a total of 3 classes such as image plate, boundary, and number detection. We evaluate the proposed system using an existing Iranian plate dataset containing a collection of plate images using an autonomous car. We used various Amazon cloud services for deploying the proposed DPNC architecture. The experimental results show that the proposed architecture improves end-to-end latency by 2.1 times compared to the traditional architecture.

현재 인공지능, 빅데이터, IoT 등의 다양한 컴퓨팅 기술의 발달이 일어나고 있는 가운데, 인공지능 기반의 딥페이크(Deepfake) 기술이 영상 및 의료 산업 등 다양한 분야에서 적극적으로 활용되고 있다. 딥페이크 기술이란 딥러닝과 fake의 합성어로, AI의 핵심기술인 딥러닝을 통해 사람의 얼굴이나 신체를 합성하여 억양, 목소리 등을 따라하게 만드는 기술이다. 본 논문은 딥페이크 기술을 활용하여 아동과 가까운 가족 또는 친구들의 얼굴을 동화에 접목시켜 새로운 동화 미디어를 생성하는 동화 미디어 셀프 제작을 위한 시스템에 대해 기술한다.