Earticle

일반적으로 Object Detection을 수행하는 경우에서 객체가 있는 전경(Foreground)보다, 객체가 없 는 Background 영역이 더 많다. 이 문제는 객체의 클래스 불균형 문제를 일으키기 때문에 불균형한 학습으로 이루어질 수 있다. Classification의 경우에도 마찬가지이다. 한가지 클래스에 치우친 데이터 세트나, 불균형한 분포를 이루는 데이터 세트를 Imbalanced Dataset 이라고 하는데 불균형한 데이터 세트는 성능과 학습 과정에 치명적인 영향을 미치기 때문에 균형 잡힌 데이터 세트를 만드는 것은 상 당히 중요한 문제이다. 불균형한 문제를 해결하기 위해 Sample Selection 기법의 하나인, Hard Negative Mining 방법을 적용하고, 데이터를 비율에 맞게 추출하기 위해 K-Means Clustering 기법을 적용한다. 본 논문에서 소개되는 COVID-Net은 COVID-19에 대한 양성, 음성을 결정하는 Classification Network이지만, COVID-19의 데이터 세트는 전체 데이터의 약 25.2%만 차지하는 불균 형한 데이터 세트로 이루어져 있다. COVID-Net의 불균형한 데이터 세트로 인해 상대적으로 높은 COVID-19의 False Positive를 보여준다. 데이터 세트 이미지 클래스의 적절한 분포는 COVID-Net의 향상된 성능을 도출하기 때문에 Hard Negative Mining을 사용하여 균형 데이터 세트를 생성하여 Fine tuning을 실시하여 COVID-19 클래스의 더 높은 정확도를 보장하여 범유행 상황에서 임상의에 게 더욱 빠른 대처를 할 수 있게 해준다.

최근 건설 현장의 안전사고 비율은 전체 산업에서 가장 높은 비중을 차지한다. 인공지능 기술을 건설 현장에 접목하기 위해서는 기초 학습 자료로 활용될 수 있는 데이터셋 확보가 필수적이다. 본 논문에서는 실제 현장 확보를 통해 원천 데이터를 수집하였으며, 토목 현장에서 주로 운용되고 있는 주요 건설장비 객체를 선정하고 약 9만장의 정지영상 데이터셋 가공을 통해 최적의 학습 데이터셋 구축을 완료하였다. 또한, 객체 인식분야의 대표적인 모델인 YOLO를 활용하여 구축된 데이터의 검증 작업을 수행하였고 90 % 근접한 검출 성능을 확인해 데이터 신뢰성을 확보하였다. 본 연구에서 사용되는 학습 데이터셋은 공공데이터포털에서 활용 가능하도록 공개를 완료하였다. 본 데이터셋은 향후 건설안전 분야의 객체 인식 기술의 건설현장 적용을 위한 기반 데이터로 활용 가능하리라 판단된다.

Recently, the rate of death and safety accidents at construction sites is the highest among all kinds of industries. In order to apply artificial intelligence technology to construction sites, it is essential to secure a dataset which can be used as a basic training data. In this paper, a number of image data were collected through actual construction site, for which major construction equipment objects mainly operated in civil engineering sites were defined. The optimal training dataset construction was completed by annotation process of about 90,000 image dataset. Reliability of the dataset was verified with the mAP of over 90 % in use of YOLO, a representative model in the field of object detection. The construction equipment training dataset built in this study has been released which is currently available on the public data portal of the Ministry of Public Administration and Security. This dataset is expected to be freely used for any application of object detection technology on construction sites especially in the field of construction safety in the future.

초분광 영상은 적외선 영역의 전자기파 대역을 수백 개의 파장으로 나누어 영상화한 데이터로 다양한 분야에서 물체를 찾거나 분류하는 것에 활용된다. 최근에는 딥러닝을 사용하여 분류하는 방법이 주목받고 있지만 초분광 영상 데 이터의 특성으로 인해 초분광 영상을 학습 데이터로 사용하기 위해서는 기존의 가시광 영상과는 다른 처리 기법이 필요 하다. 이를 위해 초분광 큐브에서 특정 파장의 영상을 선택하여 Ground Truth 작업을 수행하고 환경정보를 포함하여 데이터를 관리하는 소프트웨어를 개발하였다. 본 논문에서는 해당 소프트웨어의 구성과 기능에 대하여 설명한다.

The hyper-spectral image is data obtained by dividing the electromagnetic wave band in the infrared region into hundreds of wavelengths. It is used to find or classify objects in various fields. Recently, deep learning classification method has been attracting attention. In order to use hyper-spectral image data as deep learning training data, a processing technique is required compared to conventional visible light image data. To solve this problem, we developed a software that selects specific wavelength images from the hyper-spectral data cube and performs the ground truth task. We also developed software to manage data including environmental information. This paper describes the configuration and function of the software.

In this paper, we address the problem of unbalanced training dataset for source camera identification, namely, there are fewer training examples for some camera models compared to other camera models. A new source camera identification approach is proposed to alleviate the influence of imbalanced training dataset. In the proposed approach, firstly, we treat source camera identification as a multi-class classification problem, and decompose it into binary classification problems. After decomposing, the problem of imbalanced training dataset for multiclass classification is transformed to the problem of imbalanced training dataset for binary classification. Then, we incorporate SMOTE and AdaBoost algorithms to construct SVM ensemble to address the issue of imbalanced training dataset for binary classification. A number of experiments show the proposed approach can deal with the imbalanced training dataset effectively.

Since satellite images generally include clouds in the atmosphere, it is essential to detect or mask clouds before satellite image processing. Clouds were detected using physical characteristics of clouds in previous research. Cloud detection methods using deep learning techniques such as CNN or the modified U-Net in image segmentation field have been studied recently. Since image segmentation is the process of assigning a label to every pixel in an image, precise pixel-based dataset is required for cloud detection. Obtaining accurate training datasets is more important than a network configuration in image segmentation for cloud detection. Existing deep learning techniques used different training datasets. And test datasets were extracted from intra-dataset which were acquired by same sensor and procedure as training dataset. Different datasets make it difficult to determine which network shows a better overall performance. To verify the effectiveness of the cloud detection network such as Cloud-Net, two types of networks were trained using the cloud dataset from KOMPSAT-3 images provided by the AIHUB site and the L8-Cloud dataset from Landsat8 images which was publicly opened by a Cloud-Net author. Test data from intra-dataset of KOMPSAT-3 cloud dataset were used for validating the network. The simulation results show that the network trained with KOMPSAT-3 cloud dataset shows good performance on the network trained with L8-Cloud dataset. Because Landsat8 and KOMPSAT-3 satellite images have different GSDs, making it difficult to achieve good results from cross-sensor validation. The network could be superior for intra-dataset, but it could be inferior for cross-sensor data. It is necessary to study techniques that show good results in cross-senor validation dataset in the future.

The purpose of training a convolutional neural network (CNN) is to obtain weight factors that give high classification accuracies. The initial values of hyper-parameters affect the training results, and it is important to train a CNN with a suitable hyper-parameter set of a learning rate, a batch size, the initialization of weight factors, and an optimizer. We investigate the effects of a single hyper-parameter while others are fixed in order to obtain a hyper-parameter set that gives higher classification accuracies and requires shorter training time using a proposed VGG-like CNN for training since the VGG is widely used. The CNN is trained for four datasets of CIFAR10, CIFAR100, GTSRB and DSDL-DB. The effects of the normalization and the data transformation for datasets are also investigated, and a training scheme using merged datasets is proposed.

영상정합은 다시기 및 다중센서 고해상도 위성영상을 효과적으로 활용하기 위해 필수적으로 선행되는 중요한 과정이다. 널리 각광받고 있는 딥러닝 기법은 위성영상에서 복잡하고 세밀한 특징을 추출하여 영상 간 빠르고 정확한 유사도 판별에 사용될 수 있음에도 불구하고, 학습자료의 양과 질이 결과에 영향을 미치는 딥러닝 모델의 한계와 고해상도 위성영상 기반 학습자료 구축의 어려움에 따라 고해상도 위성영상의 정합에는 제한적으로 적용되어 왔다. 이에 본 연구는 영상정합에서 가장 많은 시간을 소요하는 정합쌍 추출 과정에서 딥러닝 기반 기법의 적용성을 확인하기 위하여, 편향성이 존재하는 고해상도 위성영상 데이터베이스로부터 딥러닝 영상매칭 학습자료를 구축하고 학습자료의 구성이 정합쌍 추출 정확도에 미치는 영향을 분석하였다. 학습자료는 12장의 다시기 및 다중센서 고해상도 위성영상에 대하여 격자 기반의 Scale Invariant Feature Transform(SIFT) 알고리즘을 이용하여 추출한 영상쌍에 참과 거짓의 레이블(label)을 할당한 정합쌍과 오정합쌍의 집합으로 구축되도록 하였다. 구축된 학습자료로부터 정합쌍 추출을 위해 제안된 Siamese convolutional neural network (SCNN) 모델은 동일한 두 개의 합성곱 신경망 구조에 한 쌍을 이루는 두 영상을 하나씩 통과시킴으로써 학습을 진행하고 추출된 특징의 비교를 통해 유사도를 판별한다. 본 연구를 통해 고해상도 위성영상 데이터 베이스로부터 취득된 자료를 딥러닝 학습자료로 활용 가능하며 이종센서 영상을 적절히 조합하여 영상매칭 과정의 효율을 높일 수 있음을 확인하였다. 다중센서 고해상도 위성영상을 활용한 딥러닝 기반 영상매칭 기법은 안정적인 성능을 바탕으로 기존 수작업 기반의 특징 추출 방법을 대체하고, 나아가 통합적인 딥러닝 기반 영상정합 프레임워크로 발전될 것으로 기대한다.

Image matching is a crucial preprocessing step for effective utilization of multi-temporal and multi-sensor very high resolution (VHR) satellite images. Deep learning (DL) method which is attracting widespread interest has proven to be an efficient approach to measure the similarity between image pairs in quick and accurate manner by extracting complex and detailed features from satellite images. However, Image matching of VHR satellite images remains challenging due to limitations of DL models in which the results are depending on the quantity and quality of training dataset, as well as the difficulty of creating training dataset with VHR satellite images. Therefore, this study examines the feasibility of DL-based method in matching pair extraction which is the most time-consuming process during image registration. This paper also aims to analyze factors that affect the accuracy based on the configuration of training dataset, when developing training dataset from existing multi-sensor VHR image database with bias for DL-based image matching. For this purpose, the generated training dataset were composed of correct matching pairs and incorrect matching pairs by assigning true and false labels to image pairs extracted using a grid-based Scale Invariant Feature Transform (SIFT) algorithm for a total of 12 multi-temporal and multi-sensor VHR images. The Siamese convolutional neural network (SCNN), proposed for matching pair extraction on constructed training dataset, proceeds with model learning and measures similarities by passing two images in parallel to the two identical convolutional neural network structures. The results from this study confirm that data acquired from VHR satellite image database can be used as DL training dataset and indicate the potential to improve efficiency of the matching process by appropriate configuration of multi-sensor images. DL-based image matching techniques using multi-sensor VHR satellite images are expected to replace existing manual-based feature extraction methods based on its stable performance, thus further develop into an integrated DL-based image registration framework.

지구온난화로 인해 촉발된 기후변화가 홍수와 같은 수재해의 빈도와 규모를 증가시키며 국내 또한 장마와 집중호우로 인한 수재해가 증가하는 추세를 보인다. 이에 광범위한 수재해에 대해 효과적인 대응 및 기후 변화에 따른 선제적 대처가 필수적이며 이는 위성레이더 영상을 통해 가능하다. 본 연구에서는 Sentinel-1 위성 레이더 영상으로부터 국내 수체의 특성을 반영하기 위해 한강권역과 낙동강 권역의 일부 수체 영역에 대해 수체 학습 데이터셋 1,423장을 구축하였다. 정밀한 데이터 어노테이션(Annotation)을 위해 다양한 상황에 따른 구축 기준 문서를 작성한 뒤 진행하였다. 구축이 완료된 데이터셋을 딥러닝 모델 중 U-Net에 적용하여 수체 탐지 결과를 분석하였다. 최종적으로 학습된 모델을 학습과에 활용되지 않은 수체 영역에 적용하여 결과를 분석함으로써 전 국토 수체 모니터링의 가능성을 확인하였다. 분석 결과 구축된 수체 영역의 대해서는 F1-Score 0.987, Intersection over Union (IoU) 0.955의 높은 정확도로 수체를 탐지할 수 있었으며, 학습 및 평가에 활용되지 않은 다른 국내 수체 영역에 대해서도 동일하게 F1-Score 0.941, IoU 0.89의 높은 수체 탐지 결과를 나타냈다. 두 결과 모두 전반적으로 일부 그림자 영역과 폭이 좁은 하천에서 오류가 관찰되었으나, 그 외에는 정밀하게 수체를 탐지하였다. 이러한 연구 결과는 수재해 피해 규모 및 수자원 변화 모니터링에 중요한 기여를 할 것으로 기대된다. 추후 연구에서는 보다 다양한 수체 특성을 가진 데이터셋을 추가 구축한다면 오분류한 영역을 개선할 수 있을 것으로 기대되며, 전 국토의 수체를 효율적으로 관리 및 모니터링하는데 활용될 것으로 사료된다.

Floods are becoming more severe and frequent due to global warming-induced climate change. Water disasters are rising in Korea due to severe rainfall and wet seasons. This makes preventive climate change measures and efficient water catastrophe responses crucial, and synthetic aperture radar satellite imagery can help. This research created 1,423 water body learning datasets for individual water body regions along the Han and Nakdong waterways to reflect domestic water body properties discovered by Sentinel-1 satellite radar imagery. We created a document with exact data annotation criteria for many situations. After the dataset was processed, U-Net, a deep learning model, analyzed water body detection results. The results from applying the learned model to water body locations not involved in the learning process were studied to validate soil water body monitoring on a national scale. The analysis showed that the created water body area detected water bodies accurately (F1-Score: 0.987, Intersection over Union [IoU]: 0.955). Other domestic water body regions not used for training and evaluation showed similar accuracy (F1-Score: 0.941, IoU: 0.89). Both outcomes showed that the computer accurately spotted water bodies in most areas, however tiny streams and gloomy areas had problems. This work should improve water resource change and disaster damage surveillance. Future studies will likely include more water body attribute datasets. Such databases could help manage and monitor water bodies nationwide and shed light on misclassified regions.

영상 내 흔들림은 비디오의 가시성을 떨어뜨리고 영상처리나 영상압축의 효율을 저하시킨다. 최근 디지털 영상처리 분야에 딥러닝이 본격 적용되고 있으나, 비디오 안정화 분야에 딥러닝 적용은 아직 초기 단계이다. 본 논문에서는 Wobbling 왜곡 경감을 위한 triplet 형태의 CNN 기반 비디오 안정화기 구조를 제안하고, 비디오 안정화기 학습을 위한 학습데이터 합성 방법을 제안한다. 제안한 CNN 기반 비디오 안정화기는 기존 딥러닝 기반 비디오 안정화기와 비교되었으며, Wobbling 왜곡은 감소하고 더 안정적인 학습이 이루어지는 결과를 얻었다.

The jitter in the digital videos lowers the visibility and degrades the efficiency of image processing and image compressing. In this paper, we propose a video stabilizer architecture based on triplet CNN and a method of synthesizing training datasets based on video synthesis. Compared with a conventional deep-learning video stabilization method, the proposed video stabilizer can reduce wobbling distortion.

고령화 사회에 접어들면서 황반 변성과 당뇨 망막 병증 등 시야결손을 동반하는 안구 질환의 발병률은 증가하지만 이러한 질환의 조기 발견에 인공지능을 접목시킨 연구는 부족한 실정이다. 본 논문은 안구 질환 자가 검사용 인공 신경망을 학습시키기 위한 데이터 베이스 구축 방법을 제안한다. MNIST와 CIFAR-10을 합성하여 중첩 이미지 데이터셋인 G-Dataset을 생성하였고, 7개의 인공신경망에 학습시켜 최종적으로 90% 이상의 정확도를 얻음으로 그 유효성을 입증하였다. G-Dataset을 안구 질환 자가 검사용 딥러닝 모델에 학습시켜 모바일 어플에 적용하면 사용자가 주기적인 검사를 통해 안구 질환을 조기에 진단하고 치료할 수 있을 것으로 기대된다.

인간의 감정을 인공지능 기술로 이해하고 처리하기 위한 연구가 활발하다. 감정의 이해는 언어를 이해하는 것보다 어려운 작업이며, 텍스트의 경우 맥락에 기반하여 감정을 식별하는 것이 중요하다. 이와 관련하여 최신의 언어 모델은 감정 어휘뿐 아니라 주변 어휘와의 관계성을 함께 학습하므로, 감정 데이터셋이 어떤 대상을 다루는지에 따라 학습 양상이 달라질 수 있다. 본 연구는 인공지능 학습용 감정 데이터셋을 대상으로 개체명 인식에 기반한 텍스트마이닝을 수행하고, 어떤 개체 유형과 어휘가 감정 표현에서 나타나는지 분석한다. 공감 대화, 문학 작품, 소셜 미디어 댓글 등 서로 다른 스타일의 텍스트에서 어떤 개체 유형이 나타나는지 살펴보고, 이를 통해 감정 데이터셋의 활용 및 구축 분야에서 고려할 점에 대해 생각해본다. 이 연구는 감성 컴퓨팅 관점에서 인공지능 학습용 데이터의 분석 자료를 제공한다. 또한 연구에서 사용한 개체명 인식 분석 방법이 텍스트마이닝 연구자에게 방법론적인 도움을 줄 수 있을 것으로 기대한다.

Research on understanding and processing human emotions using artificial intelligence technology is active. Understanding emotions is a more challenging task than understanding language, and in the case of text, it is crucial to identify emotions based on context. In this regard, the latest language models learn not only emotional vocabulary but also the relationships with surrounding words, so the learning patterns may vary depending on what the emotional dataset addresses. This study performs text mining based on Named-Entity Recognition on emotion datasets for AI training and analyzes which entity types and vocabularies appear in emotional expressions. It examines the types of entities that appear in different styles of text, such as empathetic conversations, literary works, and social media comments, considering the implications for the utilization and construction of emotion datasets. This study provides analytical data of AI training datasets from the perspective of affective computing. Additionally, I expect that the Named Entity Recognition analysis methods used in this study will provide methodological assistance to text mining researchers.

본 연구는 한국고용정보원 고용행정통계의 2025년 연간(1~12월) 사업주 훈련실시현황 데이터 2,091,159명을 분석하여 직업훈련 공급구조의 시기적·지역적·분야적 특성을 실증적으로 규명하였다. 첫째, 시기적으로 4-5월이 전체의 24.3%를 차지하는 상반기 집중 경향이 관찰되었으며, 12월은 연중 최저(4.9%)를 기록하여 연말 공급 위축 현상이 뚜렷하게 확인되었다. 연간 전체로는 비교적 분산되었다 (HHI: 0.0899, Gini: 0.142). 이는 예산 집행 주기(Fiscal Year) 및 회계연도 마감이라는 행정적 요인이 훈련 시장의 공급 패턴에 구조적인 영향을 미치고 있음을 시사한다. 둘째, 지역적으로 훈련기관 소재지 기준 수도권이 66.8%, 인구 대비 1.98배로 편중되어 심각한 지역 격차가 나타났다(Cohen's h: 0.686, Gini: 0.661). 특히 서울이 50.6%로 수도권 내에서도 고도로 집중되었다. 셋째, 분야적으로 디지털·신기술 분야 공급 비중이 2023년 수요조사(11.2%)와 2025년 공급데이터(24.7%) 간 구조적 확장 경향이 관찰되나, 자료원이 상이하므로 직접적인 증감률로 해석하기보다 방향성 수준의 비교로 이해하는 것이 적절하다. 형태소 분석기(KoNLPy Mecab 0.9.3)와 TF-IDF 분석을 통해 AI(1,247회), 데이터(2,183회), 클라우드(892회), UX(1,056회) 등 기술융합 키워드가 높은 빈도로 출현하여 산업 구조 변화가 과정명 기획에 반영되는 경향을 확인하였다. 본 연구는 대규모 행정통계 데이터를 활용한 공급 중심 분석으로 직업훈련 연구의 패러다임을 확장하였으며, 공급 시기의 분산 및 연말 집중 완화, 비수도권 인프라 확충, 디지털 분야 중장기 로드맵 수립, 데이터 기반 정책 설계 강화 등의 정책적 시사점을 제공한다.

This study examines the structural characteristics of Korea’s vocational training supply by analyzing 2,091,159 participants recorded in the 2025 administrative dataset from the Korea Employment Information Service. Unlike prior research that has predominantly focused on demand-side outcomes, this study adopts a supply-centered analytical framework. It investigates temporal, regional, and sectoral patterns using large-scale administrative data, web crawling, and text mining. The temporal distribution reveals a pronounced concentration in April?May, which together account for 24.3% of the annual supply, while December exhibits the lowest share at 4.9%, suggesting a monthly rather than a period of concentration. Despite these fluctuations, overall annual dispersion remains relatively moderate, as indicated by an HHI of 0.0899 and a Gini coefficient of 0.142. Regionally, the Seoul metropolitan area accounts for 66.8% of the total supply, with per-capita availability nearly twice that of non-metropolitan regions, highlighting a substantial spatial imbalance. The share of digital and emerging technology fields increases markedly from 11.2% in 2023 to 24.7% in 2025. Text mining identifies high-frequency keywords such as AI, data, cloud, and UX, reflecting strong market signaling. These findings underscore the need for temporally balanced provision, regional infrastructure enhancement, and sustained investment in digital skill development to ensure a more equitable and responsive training supply system.