Earticle

고령화 사회에서 치매 환자가 빠르게 증가함에 따라 조기 진단 및 예측의 중요성이 커지고 있다. 본 연구는 2013년 부터 2025년까지 발표된 치매 관련 머신러닝 및 딥러닝 연구를 대상으로 시계열·네트워크 분석을 통해 기술 확산과 발전 경로를 규명하였다. PubMed 데이터베이스에서 수집한 8,422편의 문헌을 기반으로 키워드 빈도, 클러스터, 연결중심성 분석을 수행하여 연구의 구조와 핵심 주제를 도출하였다. 분석 결과, ‘humans’, ‘alzheimer disease’, ‘machine learning’은 전 기간에 걸쳐 높은 중심성을 유지하였으며, 시기별로는 초기 영상처리 기반 연구에서 분자 생물학 연구를 거쳐 환자 중심의 임상·공중보건 연구로 발전하는 경향을 보였다. 4개의 주요 연구 클러스터(의료영 상 분석, 분자생물학·유전학, 역학·임상 데이터 분석, 노인 돌봄·기술 활용)가 식별되었으며, 각 클러스터는 독립적 이면서도 상호 연계된 구조를 형성하였다. 이러한 결과는 치매 연구가 AI 기반 기초·응용 기술의 확산과 함께 융합 적·실용적 연구로 진화하고 있음을 보여주며, 향후 치매 연구의 전략적 방향을 설정하는 데 유용한 시사점을 제공할 것으로 기대된다.

As the population ages, the importance of early diagnosis and prediction of dementia is growing. This study investigated the diffusion and development trajectory of machine learning and deep learning technologies in dementia research from 2013 to 2025 through time-series and network analyses. Based on 8,422 publications retrieved from the PubMed database, keyword frequency, clustering, and degree centrality analyses were conducted to identify the structural and thematic landscape of the field. Results showed that ‘humans,’ ‘Alzheimer disease,’ and ‘machine learning’ consistently held high centrality, with research trends evolving from early image-processing-based studies to molecular biology and, more recently, to patient-centered clinical and public health applications. Four main research clusters were identified—medical image analysis, molecular biology/genetics, epidemiology and clinical data analysis, and elderly care/technology utilization—forming an interconnected yet distinct structure. These results indicate that dementia research is evolving into integrative and practical studies alongside the spread of AI-based basic and applied technologies, and are expected to provide useful insights for setting strategic directions for future dementia research.

본 연구는 거시경제 환경 변화 속에서 국내 총광고비의 장기적 추세와 예측 가능성을 실증적으로 규명하고자 하였다. 이를 위해 1985–2022년 연도별 총광고비 및 명목 GDP 자료 를 활용하여 광고비의 상대적 불변성 가설(Principle of Relative Constancy, PRC)을 재검토하고, 전통적 시계열 모형과 머신러닝·딥러닝 기반 예측 모형의 성능을 체계적으로 비교하였다. 상대 적 불변성 검증을 위해 시기별 동등성 검정(Two One-Sided Test, TOST)과 선형 추세 분석을 수행하였다. 분석 결과, 광고비/GDP 비율은 장기적으로 0.6%–1.1% 범위 내에서 유지되는 경향 을 보였으나, ±0.1% 허용 구간 기준에서 동등성이 기각되었고, 연도 계수는 유의한 음(-)의 값 을 나타내어 광고비 비중이 점진적으로 감소하는 구조적 추세가 존재함을 확인하였다. 예측 성 능 비교에서는 베이지안 벡터자기회귀(BVAR) 모형이 시계열 모형 중 가장 낮은 오차를 기록하 였고, 딥러닝 모형 가운데 LSTM이 전체 모형 중 최저 RMSE를 나타내어 가장 우수한 예측력을 보였다. 또한 향후 5년 예측 결과, 코로나19 이후 감소한 광고비 비중은 1% 미만 수준에서 비교 적 안정적으로 유지될 가능성이 높은 것으로 나타났다. 본 연구는 PRC 가설의 통계적 타당성을 재검토함과 동시에, 서로 다른 예측 방법론의 상대적 효용성을 실증적으로 제시함으로써 광고산 업의 중장기 전략 수립과 정책적 의사결정에 기여할 수 있는 분석 틀을 제공한다.

This empirically investigates the long-term trend and predictability of total advertising expenditure in Korea under changing macroeconomic conditions. Using annual data on total advertising expenditure and nominal GDP from 1985 to 2022, the study reexamines the Principle of Relative Constancy (PRC) and systematically compares the performance of traditional time series models with machine learning and deep learning-based forecasting models. To test relative constancy, the Two One-Sided Test (TOST) procedure and linear trend analysis were conducted. The results indicate that the advertising expenditure-to-GDP ratio has generally remained within the range of 0.6%-1.1% over the long term. However, equivalence was rejected under a ±0.1% tolerance margin, and the year coefficient showed a statistically significant negative value, suggesting the existence of a gradual structural decline in the share of advertising expenditure. In the forecasting performance comparison, the Bayesian Vector Autoregression (BVAR) model achieved the lowest error among the time series models, while the Long Short-Term Memory (LSTM) model recorded the lowest RMSE among all models, demonstrating the strongest predictive performance. Furthermore, five-year-ahead forecasts suggest that the post-COVID-19 decline in the advertising expenditure share is likely to remain relatively stable at a level below 1%. By reassessing the statistical validity of the PRC hypothesis and empirically comparing the relative effectiveness of different forecasting methodologies, this study provides an analytical framework that can contribute to mid- and long-term strategic planning and policy decision-making in the advertising industry.

본 논문은 영상 데이터에서 객체 추적과 감정 인식을 동시에 수행할 수 있는 딥러닝 기반 통합 프레임워크를 제안한다. 기존 시스템에서는 객체 추적과 감정 인식이 독립적으로 운영되어, 하 나의 영상에서 두 작업을 동시에 처리할 때 연산 비효율성과 정보 불일치가 발생하는 한계가 있었 다. 이를 해결하기 위해 본 연구에서는 사전 학습된 ResNet50 기반 CNN 모델을 통해 공간적 특징 을 추출하고, Stacked LSTM 모델을 통해 시간적 의존성을 학습하여 객체 위치와 감정을 동시에 예 측하는 멀티태스크 통합 인식 구조를 설계하였다. 후처리 단계에서는 칼만 필터와 헝가리안 알고리 즘을 활용한 객체 ID 관리 및 IoU 기반 감정-객체 매칭을 수행하여 다중 객체 환경에서의 추적 안 정성을 확보하였다. CK+, AFEW 감정 데이터셋과 MOT17 객체 추적 데이터셋을 활용한 실험 결과, 제안 시스템은 객체 추적 MOTA 72.6%, 비디오 감정 인식 정확도 73.4%(AFEW 기준), 통합 처리 시 실시간 처리 속도 28.3 FPS를 달성하였으며, 기존 독립 파이프라인 대비 연산량 34.2% 절감 효과를 확인하였다. 절제 실험을 통해 각 모듈의 기여도를 검증하였으며, 본 연구는 감시 시스템, 스마트 리 테일, 인간-컴퓨터 상호작용 등 다양한 분야에 실용적으로 적용 가능하다.

This paper proposes a deep learning-based integrated framework that simultaneously performs object tracking and emotion recognition in video data. Existing systems operate these two tasks independently, resulting in computational inefficiency and information inconsistency when processing both tasks from a single video stream. To address these limitations, the proposed framework employs a pre-trained ResNet50-based CNN model for spatial feature extraction and a Stacked LSTM model for temporal dependency learning, enabling simultaneous prediction of object positions and emotions through a unified multi-task recognition architecture. In the post-processing stage, Kalman Filter and Hungarian Algorithm-based object ID management, along with IoU-based emotion-object matching, ensure tracking stability in multi-object environments. Evaluated on the CK+, AFEW emotion datasets and the MOT17 object tracking dataset demonstrate that the proposed system achieves a MOTA of 72.6% for object tracking, 73.4% accuracy for video-based emotion recognition (on AFEW), and a real-time processing speed of 28.3 FPS, with a 34.2% reduction in computational load compared to independent pipeline approaches. Ablation studies validate the contribution of each module, and the proposed framework demonstrates practical applicability in surveillance systems, smart retail, and human-computer interaction.

제조 산업에서 용접 결함 검사는 용접부의 신뢰성과 품질을 확보하기 위한 핵심 공정 중 하나이다. 그러나 기존의 수동 검사 방식은 검사자의 주관성, 장시간 검사로 인한 피로 누적, 그리고 숙련도 차이에 따라 검사 결과의 신뢰성 이 저하될 수 있다는 한계를 지닌다. 이러한 문제를 해결하기 위하여 본 연구에서는 인공지능(AI) 기반 컴퓨터 비전 기술을 활용한 용접 품질 자동 평가 방법을 제안한다. 구체적으로는 픽셀 수준의 세분화(segmentation)를 통해 용 접 결함을 자동으로 탐지 및 분류하고자 하였으며, 이를 위해 다양한 딥러닝 모델의 성능을 비교·분석하였다. 합성곱 신경망(CNN) 기반 모델과 트랜스포머 구조를 포함한 YOLOv5x-seg, Mask R-CNN, DeepLabv3+ 모델을 적 용하였다. 용접 결함 유형은 기공(Porosity), 융합 부족(Lack of Fusion), 용입 불량(Incomplete Penetration), 언더컷(Undercut)의 네 가지 주요 결함과 Normal Weld(정상 용접부)로 정의하였다. 먼저, 폴리곤(polygon) 형 태로 정밀하게 주석(annotation)된 용접 결함 이미지 데이터셋을 구축하였으며, 이를 각 딥러닝 모델의 학습 및 검 증에 활용하였다. 실험 결과, YOLOv5x-seg 모델은 mAP@0.5 기준 82.6%의 정확도를 기록하여 가장 우수한 성능을 나타냈으며, 다른 모델 대비 높은 결함 탐지율과 분할 성능을 확인하였다. 본 연구 결과를 통해 딥러닝 기반 용접 결함 세분화 기법이 기존의 수동검사 방식을 효과적으로 대체할 수 있음을 확인하였으며, 향후 산업 현장에서 의 실시간 용접 품질 모니터링 및 자동화 검사 시스템 구현에 대한 가능성을 입증하였다.

Weld defect inspection is a critical process for ensuring the reliability and quality of welded structures in the manufacturing industry. However, conventional inspection methods suffer from several inherent limitations, including inspector subjectivity, time-consuming procedures, fatigueinduced errors, and performance variability depending on the level of expertise. To address these challenges, this study proposes an automated weld quality evaluation method based on artificial intelligence (AI) and computer vision techniques. Pixel-level image segmentation is employed to automatically detect and classify weld defects, and the performance of various deep learning models is systematically compared. Both convolutional neural network (CNN)-based models and transformer-based architectures are implemented, including YOLOv5x-seg, Mask R-CNN, and DeepLabv3+. The proposed framework targets four major types of weld defects—porosity, lack of fusion, incomplete penetration, and undercut—along with normal welds. A weld defect image dataset with precise polygon-based annotations is constructed and utilized for model training and evaluation. Experimental results demonstrate that the YOLOv5x-seg model achieves the best overall performance, attaining a mean average precision of 82.6% at an IoU threshold of 0.5 (mAP@0.5), while outperforming the other models in both defect detection accuracy and segmentation quality. These results indicate that deep learning-based weld defect segmentation can effectively replace conventional manual inspection methods. Moreover, the proposed approach shows strong potential for real-time weld quality monitoring and the deployment of automated inspection systems in industrial environments.

본 논문은 정신분석학과 인지심리학의 무의식 개념과 딥러닝의 내부 작동 방식 사이에 존재하는 구조적, 개념적 유사성을 탐색하고, 이를 통해 인공지능의 작동 원리를 인문학적 관점에서 새롭게 재해석하고자 하는 것이다. 심 리학 이론에서 인간의 정보처리는 의식적 영역보다도 자동적이고 암묵적인 무의식에 더 큰 영향을 받으며 작동한 다고 본다. 본 논문은 AI 의 대표적 실현 방법인 딥러닝 모델의 신경망 내부 작동 방식이 감추어진 잠재 공간을 생성한다는 점에서 일종의 “기계적 무의식” 이라 보고 논의를 진행하였다. 구체적으로 신경망의 비선형적 처리, 층간 억압 구조로 만들어 지는 잠재 공간 개념을 인지심리학과 정신분석학의 무의식, 집단무의식, 동시성 이론으 로 비교함으로써, AI 작동 메커니즘이 인간 심리 구조의 은유로서 이해될 수 있는 가능성을 제시하였다.

This paper explores the structural and conceptual parallels between the notion of the unconscious in psychoanalysis and cognitive psychology, and the internal operational mechanisms of deep learning models. Through this comparison, the study aims to reinterpret the functioning of artificial intelligence from a humanities- oriented perspective. Psychological theories posit that human information processing is influenced more strongly by automatic, implicit, and unconscious mechanisms than by conscious deliberation. Building on this view, the present work conceptualizes the hidden internal processes of deep learning&# 8212;particularly the formation of latent spaces generated through nonlinear computations and inter- layer suppression—as a form of “mechanical unconscious.” By comparing these latent computational structures with the psychological constructs of the unconscious, the collective unconscious, and synchronicity proposed in psychoanalysis and cognitive psychology, this paper suggests that the operational mechanisms of AI can be meaningfully understood as metaphors for human psychological processes.

본고는 국어사 말뭉치의 구축 현황을 분석하고 국립국어원의 ‘국어 역사 말뭉치’를 대상으로 하여 딥러닝 시스템으로 형태 분석을 시도한 것이다. 현대 국어 연구와 달리 국어사 분야에서는 다양한 디지털 인문학적 방법론 적용에 한계가 있었다. 딥러닝 기반의 국어사 형태 분석을 위해 필요한 세종 말뭉치의 구축 현황을 분석하여 언해문과 원문을 추출하고 각 세기별 국어의 형태론적 특징을 반영할 필요성을 확인하였다. 정밀한 품사 태깅을 위해 학습 데이터의 확장과 모델 고도화가 요구되나 국어사 연구에 딥러닝 기술을 적용하여 형태 분석의 가능성을 모색한 시도로 세기별 형태 분석 모델의 개발과 국어사 정보의 활용을 위해 딥러닝을 활용한 초기 연구로 의의를 지닌다.

This study investigates methods for applying deep learning to the analysis of historical Korean corpus. While contemporary Korean linguistics has widely adopted computational and digital humanities approaches, research on historical Korean has been limited by the complexity of older language forms and the scarcity of annotated data. Focusing on the National Institute of Korean Language’s Historical Korean Corpus, this research examines the construction status of the Sejong Corpus, extracts vernacular translations and original texts, and identifies the need to incorporate century-specific morphological characteristics. The study demonstrates that deep learning-based morphological analysis is feasible but requires both the expansion of training data and the refinement of model architectures to achieve accurate part-of-speech tagging. As one of the earliest attempts to integrate deep learning into historical Korean linguistics, this work highlights the potential for developing century-specific morphological models and for advancing the broader utilization of linguistic information in historical Korean corpus.

본 연구는 딥러닝 학습모델을 구축하여 기술등급 예측 가능성을 확인하고, 기술평가 표준화, 금융 지원 등의 실무 적용과 상업정보계열특성화고등학교 등의 교육에 방향성을 제시하고자 한다. 본연구는중소기업1,035개업체를선별하여2021년제정된기술금융가이드라인을기반으로기술평가를 수행하였으며, 데이터 수집, 다중공선성 분석, 피어슨 상관 계수 분석, 정규화 변환, 딥러닝 학습모델 훈련의 5단계로 연구하였다. 본 연구는 기술평가 데이터와 기술평가 서브 데이터들의 다중공선성, TOL, VIF, Durbin-Watson, 상관 계수, 정규화 방식 등을 분석하였고, TensorFlow 선형 회귀 학습모델, Linear Regression, Ridge Regression, XGB Regressor의 딥러닝 학습모델을 훈련하여 성능을 확인하였다. 딥러닝 학습모델 성능 중에서 RMSE와 R2을 종합적으로 고려할 경우에 TensorFlow 학습모델의 성능과 안정화가 가장 좋은 것으로 확인하였다. 본 연구는 기술등급을 상, 중, 하로 구분하여 정확도를 확인한 결과 기술평가 데이터 + 기술평가 서브 데이터를 사용한 경우에 TensorFlow 학습모델이 89.39% 정확도를 확인하였다. 향후에 성능이 강화된 딥러닝 학습모델이 연구된다면 기술등급 예측에 단계적으로 적용이 가능하지만, 본 연구는 소수의 중소기업을 대상으로 연구하여 신뢰성과 다양성 반영에 미흡한 한계점이 존재한다.

1) This study aims to establish a deep learning learning model to confirm the predictability of technology grade, standardize technology evaluation, apply financial support, and present directions for education in commercial information specialized high schools. This study selected 1,035 SMEs and conducted a technical evaluation based on the technology finance guidelines established in 2021, and studied five stages: data collection, multicollinearity analysis, Pearson correlation coefficient analysis, normalization transformation, and deep learning learning model training. This study analyzed the multicollinearity, TOL, VIF, Durbin-Watson, correlation coefficient, and normalization method of technology evaluation data and technology evaluation sub-data. The performance was confirmed by training the deep learning learning model of TensorFlow Linear Regression, Ridge Regression, and XGB Regression. Among the deep learning learning model performances, it was confirmed that the performance and stabilization of the TensorFlow learning model were the best when RMSE and R2 were comprehensively considered. As a result of checking the accuracy of this study by dividing the technology grade into upper, middle, and lower, the TensorFlow learning model confirmed 89.39% accuracy when using technology evaluation data + technology evaluation sub-data. If a deep learning learning model with enhanced performance is studied in the future, it can be applied in stages to predict technology grade, but this study has limitations that are insufficient to reflect reliability and diversity by studying a small number of SMEs.

본 연구는 딥러닝 기반 자연어처리 기법을 활용하여 한국과 중국의 소셜미디어 공간에서 나타나는 반일 담론의 정서적･의미적 구조를 비교 분석하였다. 트위터(X), 웨이보, 바이두에 서 수집된 약 9,000건의 온라인 게시글을 바탕으로, 워드임베딩, t–SNE 시각화, 감성어 사전 기반 감정 분석 등의 기법을 적용하여 한･중 반일 감정의 언어적 표출 방식을 실증적으로 고 찰한 것이다. 분석 결과, 한국과 중국 모두 반일 정서가 강하게 나타났으나, 그 표현 방식과 정서적 구현 양상에서 상이한 특성이 관찰되었다. 한국의 반일 담론은 역사적 피해 의식을 바탕으로 정치 적 이슈, 소비자운동, 대중문화와 같은 다양한 분야로 확산되어 있으며, 부정적 감정과 일상 적 수용 정서가 혼재된 양가적인 구조를 형성하고 있는 것으로 나타났다. 특히 ‘불매’, ‘역사 왜곡’, ‘우익’ 등과 같은 키워드는 정서적으로 강한 반감과 함께, 국가 정체성 및 도덕적 정당 성을 강조하는 담론 구조와 연결되어 있었다. 반면 중국의 반일 담론은 난징대학살, 식민지배, 전쟁 범죄 등 역사적 피해 경험에 대한 집 단 기억을 중심으로 구성되어 있었으며, ‘仇恨(증오)’, ‘侵略(침략)’, ‘右翼(우익)’ 등과 같은 키 워드를 통해 민족주의적 감정과 도덕적 비판이 강하게 표출되고 있었다. 동시에 일본 대중문 화 콘텐츠에 대한 관심과 소비 행태에 있어서는 별도의 정서적 층위가 형성되고 있어, 반감 과 수용이 공존하는 이중적인 양상이 확인되었다. 감정어 분석에서도 한국은 ‘역사’, ‘사과’, ‘자유’, ‘친일파’ 등의 단어가 긍정･부정 감성어 와 복합적으로 연결되며, 반일 정서가 단순한 외부 비판을 넘어 국내 정치적･도덕적 질서와 도 연결되어 있는 양상을 보였다. 중국 역시 부정 감성어를 중심으로 ‘전범’, ‘군국주의’, ‘역 사 수정’ 등의 키워드가 다수 확인되었으며, 이는 일본에 대한 도덕적 불신과 정치적 반감이 여실히 드러났다. 이러한 결과는 한국과 중국의 반일 감정이 유사한 역사적 배경을 공유하면서도, 각국의 사 회문화적 맥락과 담론 형성 방식에 따라 상이한 양상으로 전개되고 있다는 것을 확인해 주는 것이다. 나아가 디지털 공간에서의 집단 정서가 단순한 감정 표출을 뛰어넘어, 역사 인식과 문화적 태도의 차이를 반영하는 중요한 지표로 활용될 수 있다는 것을 보여준 것이다.

This study applied deep learning–based natural language processing methods to analyze anti–Japanese discourse in Korean and Chinese online spaces. Using approximately 9,000 posts collected from Twitter (X), Weibo, and Baidu, the research employed word embedding, t–SNE visualization, and sentiment lexicon–based analysis to investigate how anti–Japanese sentiment is linguistically structured in each country. The findings reveal that while both Korea and China exhibit strong anti–Japanese sentiment, the ways in which these emotions are expressed differ significantly. In Korea, anti–Japanese discourse expands beyond historical grievances to include political issues, consumer activism, and cultural preferences, forming an ambivalent emotional structure. Keywords such as “boycott” and “right–wing” reflect a discourse that is intertwined with national identity and domestic moral narratives. China’s discourse, on the other hand, is more deeply rooted in historical trauma and nationalist emotion, centering on themes such as invasion and war crimes. At the same time, admiration for Japanese pop culture exists in a separate emotional layer, reflecting a coexistence of hostility and cultural appreciation. These results suggest that anti–Japanese sentiment in both countries is shaped by distinct sociocultural contexts, and that online discourse functions not only as a medium of public opinion but also as a space where historical memory and national identity are actively constructed.

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.

공공 기술사업화는 국가 혁신의 핵심 동력이지만, 현실에서는 기술이전 및 사업화 성공률이 낮은 수준이다. 본 연구는 딥러닝 기법을 활용하여 연구개발특구 내 기술사 업화 성공 사례를 분석하고, 사업화 후보기술과 적합한 산업 분야를 도출하는 AI 기반 기술 추천 모델을 제시한다. 본 연구에서는 Word2vec을 활용하여 12대 국가전략기술 분야별로 사업화 성공 기 술과 후보기술 간의 연관성을 분석하였으며, TF-IDF 기법을 적용하여 사업화되지 않 은 기술들의 핵심 키워드를 도출하였다. 이를 통해 기존 연구들이 전문가 평가나 특허 인용 지표에 의존했던 한계를 극복하고, 데이터 기반의 기술사업화 후보 선정 및 산업 적합성 분석 방법을 제시하였다. 연구 결과, 기술-수요자 맞춤형 매칭 플랫폼 구축, 데이터 기반 기술사업화 전략 수 립, 기술사업화 네트워크 구축의 필요성을 확인하였다. 본 연구는 딥러닝 기반 AI 모 델을 공공 기술사업화 분석에 최초로 적용하여 기술과 수요기업 간 최적 매칭을 도출 한 점에서 학문적·실무적 의의를 갖는다. 나아가, 데이터 기반 분석 기법을 적용하여 산업 수요에 최적화된 기술 이전 및 사업화가 이루어질 수 있도록 하는 정책적 시사 점을 제공한다.

the success rate of technology transfer and commercialization remains low. This study presents an AI-based technology recommendation model that utilizes deep learning techniques to analyze successful technology commercialization cases within INNOPOLIS and identify suitable industrial sectors for commercialization candidate technologies. In this study, Word2vec was employed to analyze the relationships between successfully commercialized technologies and candidate technologies across 12 national strategic technology fields, while the TF-IDF technique was applied to extract key keywords from uncommercialized technologies. This approach overcomes the limitations of previous studies that relied on expert evaluations and patent citation indicators, proposing a data-driven methodology for selecting commercialization candidates and analyzing industry suitability. The study identifies the need for establishing a technology-demand matching platform, developing data-driven technology commercialization strategies, and strengthening technology commercialization networks. By applying a deep learning-based AI model to public technology commercialization analysis for the first time, this research provides both academic and practical significance by facilitating optimal matching between technologies and potential demand entities. Furthermore, it offers policy implications for optimizing technology transfer and commercialization in alignment with industry demand through data-driven analytical methods.

본 연구는 대한민국 국보로 지정된 울주 대곡리 반구대 암각화의 변위 변화량 탐지를 위해 딥러닝 아키텍처를 활용한다. 반구대 암각화는 유네스코 세계문화유산 우선 등재 후보로 선정되었지만, 다양한 환경적 요인으로 인해 지속적으로 훼손 되고 있다. 이를 효과적으로 보존하기 위해, 본 연구는 PiDiNet 딥러닝 모델을 활용하여 반구대 암각화 특정 절리의 변위 변화량을 탐지 및 분석한다. 6년간 축적된 데이터를 기반으로 변위 변화량의 추이를 분석한 결과, 총 96건의 오차범위 초과 사례를 확인하였다. 가상변위 이미지를 활용한 추가 실험에서는 93.3%의 이상 상황 감지 정확도를 달성하였다. 이 연구는 딥러닝 기반의 기술적 관리가 문화유산 보존에 중요한 역할을 할 수 있음을 실증적으로 제시하며, 향후 문화유산 보호를 위한 기술적 접근 방안을 모색하는 데 유의미한 기초 자료로 활용될 수 있을 것이다.

This study utilizes a deep learning architecture to detect displacement variations in the Petroglyphs of Bangudae Terrace in Daegok-ri, Ulju, designated as a National Treasure of South Korea. Despite being a priority candidate for UNESCO World Heritage listing, the Petroglyphs of Bangudae Terrace have faced continuous deterioration due to various environmental factors. To preserve them effectively, this research applies the PiDiNet deep learning model to detect and analyze displacement variations in specific joints of the Petroglyphs of Bangudae Terrace. Analyzing six years of accumulated data revealed a total of 96 cases exceeding the margin of error. Additional experiments using synthetic displacement images achieved an anomaly detection accuracy of 93.3%. This study demonstrates that deep learning-based technical management can play a crucial role in preserving cultural heritage and provides meaningful foundational data for exploring technical approaches to heritage protection in the future.

딥러닝 기반 의료 영상 판독 소견서 생성 연구는 최근 몇 년간 의료 영상 분석 분야에서 중요한 발전을 이루었으며, 주로 비전 모델과 언어 모델의 융합에 초점을 맞춰왔다. 이러한 연구는 의료 전문가들의 업무 효율성을 높이고, 진 단의 일관성을 향상시키며 오류를 줄이는 데 기여할 것으로 기대된다. 본 논문에서는 자연어 처리 기술과 의료 영상 분석 기술의 융합을 통해 흉부 방사선 영상에 대한 판독 소견서를 자동으로 생성하는 최근 연구들을 소개하고, 이를 위한 주요 딥러닝 모델과 공용 데이터셋인 MIMIC-CXR 및 IU-Xray를 활용하여 성능 비교를 수행하였다. 성능 분석 결과, MIMIC-CXR 데이터셋에서는 RGRG 모델이 BLEU-4에서 0.126의 점수로 우수한 성능을 보였으며, IU-Xray 데이터셋에서는 COMG 모델이 BLEU-4에서 0.206을 기록하였다. 연구 결과, 각 모델이 특정 지표에서 강점을 보이는 반면, 데이터 불균형 및 개인정보 보호 문제와 같은 한계가 존재함을 확인하였다. 이를 바탕으로 향 후 연구의 발전 방향을 제시하며, 이러한 기술이 임상 현장에서 실질적으로 적용될 수 있는 가능성을 논의한다.

Research on deep learning-based automatic generation of radiology reports has seen significant advancements in recent years, with a primary focus on the integration of vision and language models. These advancements are expected to enhance the efficiency of medical professionals, improve diagnostic consistency, and reduce errors. In this paper, we introduce recent studies that combine natural language processing and medical image analysis techniques to automatically generate radiology reports for chest X-rays. Using key deep learning models and public datasets, including MIMIC-CXR and IU-Xray, we conducted a comparative performance evaluation. The analysis shows that on the MIMIC-CXR dataset, the RGRG model achieved superior performance with a BLEU-4 score of 0.126, while on the IU-Xray dataset, the COMG model recorded a BLEU-4 score of 0.206. Our findings reveal that while each model excels in specific evaluation metrics, limitations such as data imbalance and privacy concerns persist. Based on these findings, we propose future research directions and discuss the potential for these technologies to be practically applied in clinical settings.

연구목적: 본 연구는 지하공동구 내 다수 작업자의 낙상을 자동으로 판별하기 위한 Top-down 방식의 딥러닝 자세 추정 모델 기반 낙상 검출 모델을 제안하고, 제안 모델의 성능을 평가한다. 연구방법: Top-down 방식의 자세 추정모델 중 하나인 YOLOv8-pose로부터 추론된 결과와 낙상 판별 규칙을 결합 한 모델을 제시하고, 지하공동구 내 2인 이하 작업자가 출현한 기립 및 낙상 이미지에 대해 모델 성능지 표를 평가하였다. 또한 동일한 방법으로 Bottom-up 방식 자세추정모델(OpenPose)을 적용한 결과를 함 께 분석하였다. 두 모델의 낙상 검출 결과는 각 딥러닝 모델의 작업자 인식 성능에 의존적이므로, 작업 자 쓰러짐과 함께 작업자 존재 여부에 대한 성능지표도 함께 조사하였다. 연구결과: YOLOv8-pose와 OpenPose의 모델의 작업자 인식 성능은 F1-score 기준으로 각각 0.88, 0.71로 두 모델이 유사한 수준이 었으나, 낙상 규칙을 적용함에 따라 0.71, 0.23로 저하되었다. 작업자의 신체 일부만 검출되거나 작업자 간 구분을 실패하여, OpenPose 기반 낙상 추론 모델의 성능 저하를 야기한 것으로 분석된다. 결론: Top-down 방식의 딥러닝 자세 추정 모델을 사용하는 것이 신체 관절점 인식 및 개별 작업자 구분 측면 에서 지하공동구 내 작업자 낙상 검출에 효과적이라 판단된다.

Purpose: This study proposes a fall detection model based on a top-down deep learning pose estimation model to automatically determine falls of multiple workers in an underground utility tunnel, and evaluates the performance of the proposed model. Method: A model is presented that combines fall discrimination rules with the results inferred from YOLOv8-pose, one of the top-down pose estimation models, and metrics of the model are evaluated for images of standing and falling two or fewer workers in the tunnel. The same process is also conducted for a bottom-up type of pose estimation model (OpenPose). In addition, due to dependency of the falling interference of the models on worker detection by YOLOv8-pose and OpenPose, metrics of the models for fall was not only investigated, but also for person. Result: For worker detection, both YOLOv8-pose and OpenPose models have F1-score of 0.88 and 0.71, respectively. However, for fall detection, the metrics were deteriorated to 0.71 and 0.23. The results of the OpenPose based model were due to partially detected worker body, and detected workers but fail to part them correctly. Conclusion: Use of top-down type of pose estimation models would be more effective way to detect fall of workers in the underground utility tunnel, with respect to joint recognition and partition between workers.

모니터링 기반 손상 진단은 체계적이고 효율적인 문화유산의 보존 관리를 위해 필수적 이다. 이를 위해 문화유산의 상시 모니터링이 가능하도록 석탑의 손상을 자동으로 탐지하고 시각화하는 딥러닝 시스템을 제안한다. 석탑 이미지에서 손상을 픽셀 단위로 탐지하고 시각화 하기 위해 Mask R-CNN을 활용하였으며, 우리나라 석탑에 특화된 데이터세트를 구축하여 딥러 닝 모델을 훈련하였다. 훈련된 모델을 이용하여 정림사지 오층 석탑을 대상으로 성능을 평가하 였다. 각 유형별 손상 탐지 재현율은 IoU 0.50 기준 0.62부터 0.86의 범위에 있었으며, 손상 영역 분할 재현율은 0.51부터 0.68의 범위로 나타났다. 이러한 결과는 인공지능을 문화유산 현장에 적용하여 새로운 안전관리 방법론을 제시하며 문화유산 보존에 있어 중요한 응용 가능성을 가진다.

Damage diagnosis through monitoring is essential for systematic and efficient conservation and management of cultural heritage. In this study, we developed a deep learning system that automatically detects and visualizes damage to stone pagodas to enable regular monitoring of cultural heritage. Mask R-CNN was used to detect and visualize damage in pixel units in stone pagoda images. A dataset specialized for stone pagodas in Korea was built and applied to train the model. The generalized performance of the trained model was evaluated on the five-story stone pagoda at Jeongnimsa Temple Site. The damage detection recall for each type was in the range of 0.86 to 0.62 based on IoU 0.50, and the damage area segmentation recall was in the range of 0.68 to 0.51. This study suggests a new safety management methodology by applying artificial intelligence to cultural heritage sites and has important applications in cultural heritage preservation.

연구목적: 지하공동구는 도시 지하에 전기, 수도, 가스 등의 인프라를 공동 수용하는 시설로 공기 흐름 이 부족하여 계절에 상관없이 결로가 자주 발생한다. 결로는 전기 설비의 누전 화재를 일으키는 원인이 되므로 지하공동구 내의 조명 등 각종 시설물 관리를 위해 필요한 제어반은 결로에 노출되지 않도록 문 이 닫힌 상태로 관리되어야 한다. 본 논문에서는 딥러닝 객체인식 기술을 활용하여 수km 거리에 반복 배치된 공동구 제어반의 문 열림 여부를 이동 카메라 조건과 조명이 꺼진 조건에서도 인식하고자 한다. 연구방법: 지하공동구를 순찰하는 로봇이 촬영한 영상데이터를 이용하여 딥러닝 객체인식 모델인 YOLO를 모자이크 이미지 증강기법으로 학습시켜 제어반 문 열림과 문 닫힘을 인식한다. 연구결과: 모 자이크 이미지 증강기법으로 학습시킨 모델과 사용하지 않은 모델의 성능을 비교한 결과, 모자이크 학 습 모델이 더 우수한 성능(모든 클래스에 대한 mAP가 0.994 이상임)을 보이는 것을 확인하였다. 결론: 지하공동구의 조명이 꺼진 상태에서도, 공동구 내부 시설물이 복잡한 환경에서도 제어반의 문열림 여 부를 우수한 성능으로 인식하여 지하공동구 재난안전관리에 도움이 될 것으로 기대된다.

Purpose: Underground utility tunnel is facility that is jointly house infrastructure such as electricity, water and gas in city, causing condensation problems due to lack of airflow. This paper aims to prevent electricity leakage fires caused by condensation by detecting whether the control panel door in the underground utility tunnel is open using a deep learning model. Method: YOLO, a deep learning object recognition model, is trained to recognize the opening and closing of the control panel door using video data taken by a robot patrolling the underground utility tunnel. To improve the recognition rate, image augmentation is used. Result: Among the image enhancement techniques, we compared the performance of the YOLO model trained using mosaic with that of the YOLO model without mosaic, and found that the mosaic technique performed better. The mAP for all classes were 0.994, which is high evaluation result. Conclusion: It was able to detect the control panel even when there were lights off or other objects in the underground cavity. This allows you to effectively manage the underground utility tunnel and prevent disasters.

뇌종양은 치사율이 높은 질병으로 일반적으로 전문의의 MRI 판독을 통하여 진단된다. 그러나, 뇌종양의 크기, 위치 가 다양하기 때문에, 전문의가 수행하는 MRI 판독은 많은 시간과 비용이 소요될 수 밖에 없다. 이를 해결하기 위해 MRI 영상에서 뇌종양 영역에 대한 자동 분할에 대한 요구가 증가하고 있으며, 최근 딥러닝 기술이 발달함에 따라, 딥러닝 기법을 활용한 뇌종양 분할 연구가 다양하게 진행되고 있다. 이에, 본 논문에서는 3D U-Net 기반의 변형된 모델을 통해 MRI 영상에서 보다 효과적으로 뇌종양을 검출하는 방법을 제시한다. 제안하는 모델은 기존의 3D U-Net에서 depthwise- Convolution을 적용하여 연산의 효율적을 높였으며, 잔차 블록을 사용하여 네트워크의 학 습을 향상시켰다. 그 결과, 뇌종양 영역 WT, TC, ET Dice 점수는 각 90.08%, 86.95%, 79.48%로 기존의 3D U-Net보다 나은 성능을 보였다.

Brain tumors are a lethal disease that is generally diagnosed through MRI readings by specialists. However, due to the diverse sizes and locations of brain tumors, MRI readings performed by specialists inevitably consume a great deal of time and cost. To resolve this, there is an increasing demand for automatic segmentation of brain tumor areas in MRI images, and with the recent development of deep learning technology, various studies on brain tumor segmentation using deep learning techniques are being conducted. In this paper, a modified 3D U-Net-based model is proposed to detect brain tumors in MRI images. The proposed model enhances computational efficiency by applying depthwise convolution in the traditional 3D U-Net and improves network training using residual blocks. As a result, the brain tumor area WT, TC, ET Dice scores were 90.08%, 86.95%, and 79.48% respectively, demonstrating better performance than the conventional 3D U-Net

도시부 교통정보 수집은 VDS, DSRC, 레이더 등 다양한 시스템에 의해 수집되고 있다. 최근 딥러닝 기술의 발전으로 스마트교차로시스템이 확대 보급되고 있으며 교통량, 속도, 차종 등 다양한 정보수집이 가능하다. 그러나 관련 문헌을 고찰한 결과 지금까지의 성능평가 기준은 딥러닝 영역을 고려하지 않은 RBS기반 평가체계로 ‘기준값-측정값’의 퍼센트 오차만 고려하고 있어 기존 평가방식으로는 딥러닝 부분의 평가를 수행할 수 없어 새로운 성능평가 방법이 필 요하다. 따라서, 본 연구에서는 데이터 비율 및 가중치를 고려하여 Precision과 Recall 등 딥러닝 성능지표를 고려한 오차산정식을 개발하여 개별오차와 구간 오차, 전체오차를 산정하였다. 연 구결과, 측정값 1의 오차율은 3.99와 3.54, 측정값 2는 5.34와 5.07로 기존 산정식과 오차율에 차이가 있는 것으로 나타났으며, 반복측정 분석결과 개발 산정식이 우수한 것으로 나타났다.

Urban traffic information is collected by various systems such as VDS, DSRC, and radar. Recently, with the development of deep learning technology, smart intersection systems are expanding, are more widely distributed, and it is possible to collect a variety of information such as traffic volume, and vehicle type and speed. However, as a result of reviewing related literature, the performance evaluation criteria so far are rbs-based evaluation systems that do not consider the deep learning area, and only consider the percent error of 'reference value-measured value'. Therefore, a new performance evaluation method is needed. Therefore, in this study, individual error, interval error, and overall error are calculated by using a formula that considers deep learning performance indicators such as precision and recall based on data ratio and weight. As a result, error rates for measurement value 1 were 3.99 and 3.54, and rates for measurement value 2 were 5.34 and 5.07.

교육부는 미래사회 변화에 대응할 수 있는 기초 소양과 역량을 기를 수 있는 교육과정 개선을 추진하며 인공지 능과 소프트웨어 교육을 비롯한 디지털 기초 소양 강화를 강조하고 있다. 인공지능 교육 분야에서도 인공지능 기 술 발전에 따른 사회 변화를 바르게 이해하고 인공지능의 개념과 원리, 기술을 활용하여 실생활 및 다양한 분야의 문제를 창의적으로 해결할 수 있는 기초 소양인 인공지능 리터러시에 대한 연구가 이루어지고 있다. 본 연구에서 는 머신러닝 포 키즈에서 딥러닝 모델을 구현하는 원리를 보여주는 부분을 활용해서 인공지능의 개념과 원리(노 드, 은닉층 등)를 익힐 수 있는 교육 프로그램을 개발하고 적용하여 인공지능 리터러시를 함양하는 데 그 목적을 두고 있다. 교육 프로그램은 초등교사 50명의 요구 분석 결과를 바탕으로 목적과 방향을 설계하였고, 초등 정보 영재 20명을 대상으로 적용 후 인공지능 리터러시 사전·사후 검사 결과를 통해 교육적 효과를 분석하였다. 분석 결과 본 교육 프로그램은 인공지능 리터러시 향상에 긍정적인 영향을 미친 것으로 나타났다.

The Ministry of Education is pushing to improve the curriculum to develop basic skills and capabilities to respond to future social changes and emphasizes strengthening digital basic skills, including artificial intelligence and software education. In the field of artificial intelligence education, research is being conducted on artificial intelligence literacy, a basic knowledge that can correctly understand social changes caused by the development of artificial intelligence technology and creatively solve problems in real life and various fields by utilizing artificial intelligence. The purpose of this study is to develop and apply an educational program that can learn the concepts and principles of artificial intelligence (nodes, hidden layers, etc.) by using the part that shows the principle of implementing deep learning models in Machine Learning for Kids. The educational program designed the purpose and direction based on the results of analyzing the needs of 50 elementary school teachers, and analyzed the educational effect through the results of artificial intelligence literacy pre- and post-test for 20 elementary information gifted students. As a result of the analysis, it was found that this education program had a positive effect on improving artificial intelligence literacy.

본 논문은 카메라를 이용하는 많은 지도 작성, 증강현실(Augmented Reality), 자동차 등등에서 반드시 필요한 이미지 변이 추정에 대한 고찰을 다루고 있는 논문이다. 우선 본 논문에서는 이미지 변이 추정에 대한 기본 개념, 딥러닝 이전의 연구들에 대한 설명으로 간 단하게 이미지 변이 추정에 대해 알아본다. 그리고, 딥러닝을 이용한 스테레오 방법과 모노 방법에 대한 최신(State of the Art) 연구들 에 대하여 소개를 한다. 구체적으로 스테레오 구성을 이용하는 PSMnet과 AANet에 대해서 자세히 알아보도록 하고, 단일 카메라를 이 용하는 모노 변이 추정에서는 Hu와 Godard가 제안한 오토인코더를 사용하는 방법에 대해 알아보도록 하겠다. 본 논문에서 설명하고 있는 이미지 변이 추정 방법이 최신의 동향을 파악하는데 도움이 되고, 딥러닝을 이해하고 활용하는데 도움이 되기를 기대한다.

This paper discusses the estimation of image disparity, which is essential in many applications such as map-building using cameras, AR(Augmented Reality), and autonomous driving. First, this paper briefly explains the basic concepts of image disparity estimation and previous research before deep learning. Additionally, it introduces the latest (state-of-the-art) researches on stereo and monocular methods using deep learning. Specifically, I will explain more about PSMnet and AANet using stereo configurations, and how to use the auto-encoder proposed by Hu and Godard in mono-disparity estimation using a single camera. The image disparity estimation methods described in this paper are expected to be helpful in understanding and utilizing deep learning and in keeping up with the latest trends.

연구목적: 본 논문은 지하공동구 내 CCTV에서 촬영된 영상에서 소화기를 탐지하기 위해 딥러닝 모델을 개발하는데 목적이 있다. 연구방법: 딥러닝 기반 지하공동구 내 소화기 탐지를 위해 다양한 소화기 이미 지를 수집하였으며 CNN 알고리즘을 기반으로 하여 One-stage Detector 방식을 적용한 모델을 개발하였 다. 연구결과: 지하공동구 내 CCTV 영상을 통해 10m 이내의 거리에서 촬영되는 소화기의 검출률은 96%이상으로 우수한 검출률을 보여준다. 다만 10m 이상의 거리에서는 육안으로도 확인하기 힘든 상태 로, 소화기 객체 검출률이 급격하게 낮아지는 것을 확인하였다. 결론: 본 논문은 지하공동구 내 소화기 객체를 검출하는 모델을 개발하였으며, 해당 모델이 높은 성능을 보여 지하공동구 디지털트윈 모델 연 동에 활용할 수 있을 것으로 판단된다.

Purpose: The purpose of this paper is to develop a deep learning model to detect fire extinguishers in images taken from CCTVs in underground utility tunnels. Method: Various fire extinguisher images were collected for detection of fire extinguishers in the running-based underground utility tunnel, and a model applying the One-stage Detector method was developed based on the CNN algorithm. Result: The detection rate of fire extinguishers photographed within 10m through CCTV video in the underground common area is over 96%, showing excellent detection rate. However, it was confirmed that the fire extinguisher object detection rate drops sharply at a distance of 10m or more, in a state where it is difficult to see with the naked eye. Conclusion: This paper develops a model for detecting fire extinguisher objects in underground common areas, and the model shows high performance, and it is judged that it can be used for underground common area digital twin model synchronizing.