Earticle

정보기술의 발달과 모바일 기기의 대중화로 인해 구매내역, 행동패턴 등 다양한 유형의 고객 데이터 수집이 가능하다. 이러한 고객 데이터가 기하급수적 으로 증가함에 따라 고객에게 차별화된 서비스를 제 공해주는 개인화 서비스에 대한 수요가 급격히 커지 고 있다. 기존의 추천 시스템에 대한 연구에서 추천 알고리즘의 정확도가 반드시 추천 서비스 이용자의 만족도로 이어지지는 않는다는 문제점이 지속적으로 제기되어왔다. 또한, 다양한 아이템들이 추천되었을 때 추천 시스템에 대한 만족도가 높다고 지적하고 있다. 본 연구에서는 추천시스템을 사용하여 개인화 서비스를 제공하는 경우 고객 만족도를 결정하는 요 인을 확인하고자 한다. 기존의 추천시스템은 데이터 희소성, 확장성 등 문제점이 꾸준히 존재했다. 하지 만 최근에 이러한 문제점을 해결하기 위해 인공 신 경망을 추천시스템에 적용시키는 다양한 연구가 진 행되었다. 따라서 이번 연구에서는 인공신경망의 한 종류인 심층 신경망을 추천시스템에 적용하여 MovieLens의 실제 사용자 데이터를 이용하여 사용자의 패턴을 학습하고 고객의 정확도, 다양성, 고객 만족 도를 측정했다. 연구 결과는 심층 신경망 기반 추천 시스템의 정확도가 고객 만족도에 긍정적인 영향을 주었고 다양성은 부정적인 영향을 주었다.

여러 대도시에서 교통 혼잡 문제를 해결하기 위해 정확한 교통 흐름을 예측하는 다양한 연 구가 진행되었다. 대부분의 연구가 과거의 교통 흐름 패턴이 미래에도 반복될 것이라는 가정 하에 예측 모델을 개발하였으나 교통사고 등과 같은 뜻하지 않은 비반복적 교통 패턴을 예측 하는 데에는 신뢰성이 낮게 나타났다. 이런 문제를 해결하기 위한 대안으로 지능형 교통 시스 템(ITS)을 통해 얻은 빅데이터와 인공지능을 접목한 교통 흐름 예측 연구가 진행되어 왔다. 하 지만 시계열 분석에 일반적으로 사용되는 알고리즘인 RNN의 경우, 단기 예측에 최적화되어 장기 예측 정확도가 낮다는 단점을 가지고 있다. 이런 문제를 해결하기 위해 본 논문에서는 기온과 강수량 등의 기상 정보 외에도 각종 외부 요인들을 고려하여 장기적 시점에서 교통 혼 잡도를 예측하는 '심층 인공 신경망 모델'을 제안하였다. TOPIS 자료를 이용한 사례 연구 결과 서울시 주요 도로 링크의 교통 혼잡도를 90%에 가까운 정확도로 예측이 가능하였다. 추후 교 통사고나 도로 공사와 같은 도로에 영향을 미치는 이벤트 데이터를 추가로 확보할 수 있다면 정확도는 더욱 높아질 것으로 예상된다.

Various studies have been conducted to solve traffic congestions in many metropolitan cities through accurate traffic flow prediction. Most studies are based on the assumption that past traffic patterns repeat in the future. Models based on such an assumption fall short in case irregular traffic patterns abruptly occur. Instead, the approaches such as predicting traffic pattern through big data analytics and artificial intelligence have emerged. Specifically, deep learning algorithms such as RNN have been prevalent for tackling the problems of predicting temporal traffic flow as a time series. However, these algorithms do not perform well in terms of long-term prediction. In this paper, we take into account various external factors that may affect the traffic flows. We model the correlation between the multi-dimensional context information with temporal traffic speed pattern using deep neural networks. Our model trained with the traffic data from TOPIS system by Seoul, Korea can predict traffic speed on a specific date with the accuracy reaching nearly 90%. We expect that the accuracy can be improved further by taking into account additional factors such as accidents and constructions for the prediction.

Design of bridge piers and abutments is significantly impacted by hydrodynamic processes that cause scouring of the foundation. Although, many empirical formulae are available in the literature to estimate the depth of scouring, but they suffer from several limitations. A major limitation of empirical formulae is that they are largely applicable to the hydraulic conditions for which they have been derived. In this research, a deep neural network (DNN) has been developed and applied to predict the depth of scour around bridge piers and abutments. The practicality of the proposed model has been demonstrated using the experimental data sets consisting of 211 data points. The novelty of the DNN model applied herein lies in the use of Adam Optimizer for optimizing the parameters of the DNN model. The performance of the DNN model was evaluated for each parameter set using statistical indicators such as the coefficient of determination, root mean square error, and mean absolute error. A regression equation based upon the available data set has also been proposed. Based upon the values of the statistical parameters, the DNN model has been found to be significantly better than the regression model. The model proposed herein performs better than the regression model. A distinct practical advantage of the model proposed herein is that it eliminates the need of hit and trial procedure to determine the optimal parameter set for the model.

This technical paper proposes an activation function, self-gated rectified linear unit (SGReLU), to achieve high classification accuracy, low loss, and low computational time. Vanishing gradient problem, dying ReLU, noise vulnerability are also resolved in our proposed SGReLU function. SGReLU’s performance is evaluated on MNIST, Fashion-MNIST, and Imagenet datasets and compared with seven highly effective activation functions. We obtained that the proposed SGReLU outperformed other activation functions in most cases in VGG16, Inception v3, and ResNet50. In VGG16 and Inception v3, it achieved an accuracy of 90.87% and 95.01%, respectively, exceeding other functions with the second-fastest computing time in these networks.

In this paper, we propose deep learning-based channel estimation and pilot reduction for mmWave point-to-point multi-input multi-output systems. The proposed scheme consists of a two-step approach where the first step is applying a denoising autoencoder for channel estimation. With the denoising characteristic of autoencoder, sparse channel estimation can be conducted although the orthogonality of pilot sequences is not guaranteed due to shorter pilots. The second step is exploiting the temporal correlation of the channel, using the previous estimate to extract information for the current estimate. Through simulation, the proposed scheme shows superior performance with reduced pilots.

In order to deal with the unprecedented problem of data privacy in deep-learning based computer vision technologies, we propose a de-identifying transmission system that utilizes a wireless channel as differential privacy (DP) noise and is constructed using deep neural networks. By following the Gaussian mechanism of DP, we present that the signal received at a receiver can be considered as a Gaussian mechanism. Then, we discuss the relationship between the signal-to-noise ratio of a received signal and the privacy budget of DP, and introduce how to control transmit power to achieve a specific privacy budget. The proposed system can be divided into three parts, named transmitter, wireless channel, and receiver. The transmitter and receiver are constructed by using deep-learning networks. The transmitter consists of an image encoder network based on a neural network and a power control module that controls the transmit power for adjusting the level of de-identification. The wireless channel acts as differential privacy noise, and anonymizes the transmitted image feature vector extracted from the transmitter’s image encoder network. The receiver includes a post-processing network and an image decoder network, which are also implemented by using deep neural networks. The post-processing network is proposed for high-quality decoded face images at the receiver, which maps received feature vectors perturbed by a wireless channel back into the latent space of deep-learning based image encoder and decoder networks. Finally, extensive qualitative and quantitative evaluations confirm that the proposed system can well de-identify transmitted face images only by controlling the transmit power while maintaining the usefulness of decoded face images. The proposed system shows that the Recall@1 is smaller than 5.2 and the face detection probability is larger than 90 % at SNR=2 dB. Since the de-identification process is performed by wireless channel noise, the proposed system does not require de-identification processing at a transmitter, and thus there is no burden on the transmitter to anonymize face images. Moreover, the additional advantage of this proposed system is that the level of de-identification can be controlled only by changing the transmit power. This proposed de-identification system can be utilized in a wireless image acquisition scenario where images are captured from a wireless edge, such as a CCTV camera, and then sent to a server while protecting people’s privacy.

소득은 경제생활에서 중요하다. 소득을 예측할 수 있으면, 사람들은 음식, 집세와 같은 생활비를 지불 할 수 있는 예산을 세울 수 있을 뿐 아니라, 다른 재화 또는 비상사태를 위한 돈을 별도로 저축 할 수 있다. 또한 소득수준은 은행, 상점 및 서비스 회사에서 마케팅 목적 및 충성도가 높은 고객을 유치하는 데 활용 된다. 이는 소득이 다양한 고객 접점에서 사용되는 중요한 인구 통계 요소이기 때문이다. 따라서 기존 고객 및 잠재 고객에 대한 수입 예측이 필요하다. 이 연구에서 는 소득을 예측하기 위해 SVM (Support Vector Machines), Gaussian, 의사 결정 트리, DCNN (Deep Convolutional Neural Networks)과 같은 기계 학습 기법을 사용하였다. 분석 결과 DCNN 방법이 본 연구에서 사용 된 다른 기계 학습 기법에 비해 최적의 결과(88%)를 제공하는 것으로 나타났다. 향후 PCA 같이 데이터 크기를 향상 시킨다면 더 좋은 연구 결과를 제시할 수 있을 것이다.

Income is a vital aspect of economic life. Knowing what their income will help people create budgets that allow them to pay for their living expenses. Income data is used by banks, stores, and service companies for marketing purposes and for retaining loyal customers; it is a crucial demographic element used at a wide variety of customer touch points. Therefore, it is essential to be able to make income predictions for existing and potential customers. This paper aims to predict employment earnings or income based on history, and uses machine learning techniques such as SVMs (Support Vector Machines), Gaussian, decision tree and DCNNs (Deep Convolutional Neural Networks) for predicting employment earnings. The results show that the DCNN method provides optimum results with 88% compared to other machine learning techniques used in this paper. Improvement of the data length such PCA has the potential to provide more optimum result.

기존의 얕은 인공신경망은 과적합과 Gradient Vanishing 현상 등 내재적 문제점으로 인하여 산업시설 의 화재 위험성 평가에 한계가 있었다. 그러나 최근 들어 은닉층을 다층으로 구성하는 깊은 신경망 의 구축이 가능해지고 학습알고리즘이 고도화되면서 화재보험에서 화재위험성 평가도구로서 활용 성이 높아졌다. 본 논문에서는 구글사의 텐서플로우를 이용하여 다양한 학습조건에서 깊은 신경망 을 학습시켜 얕은 신경망의 예측성능과 비교하였다. 그 결과 깊은 신경망에서는 Drop-out 및 ReLU함 수의 활용을 통해 기존의 SNN의 문제점을 해소할 수 있었으며 TS값이 최대 0.76으로 얕은 신경망보 다 58% 높은 학습성능을 확인하였다. 그러나 화재보험에서 위험관리도구로서 활용성을 높이기 위해 서는 체계적이고 많은 데이터가 확보되어야 한다.

The shallow learning neural network (SNN) has some limitations in the assessment of fire risk of industrial facilities due to its inherent problems such as over-fitting and gradient vanishing. However, in recent years, it has become possible to build a deep learning neural network (DNN) consisting of multiple hidden layers and to make learning algorithms more sophisticated, which allows for the use of a fire risk assessment tool in the fire insurance. In this paper, prediction performances between SNN and DNN are compared under various conditions using Google's Tensorflow. As a result, most SNN problems are solved through the drop-out method and ReLU activation function in DNN, and the learning performance of DNN with a maximum TS value of 0.76 is confirmed to be 58% higher than that of SNN. Nevertheless, in order to improve the utilization of fire insurance as a risk management tool, a systematic and large amount of learning data should be secured.

딥러닝 모델은 방대한 데이터를 활용하여 강우 시스템의 복잡한 시공간 패턴을 효과적으로 포착함으로써, 기존 수치예보(Numerical Weather Prediction, NWP) 모델과 레이더 에코 외삽법의 계산 속도 및 비선형 강수 동역학 처리의 한계를 보완하여 단기 강우 예측에서 뛰어난 성과를 보이고 있다. 이에 따라, 본 논문에서는 딥러닝 기반 강우 나우캐스팅 모델을 체계적으로 리뷰하고, 합성곱 신경망(Convolutional Neural Networks, CNN), 순환 신경망(Recurrent Neural Networks, RNN), 생성적 적대 신경망(Generative Adversarial Networks, GAN) 기반의 세 가지 주요 그룹으로 분류하여 분석하였다. 또한, 각 모델에서 나온 공통적인 한계점과 이들 문제를 해결하기 위한 전략을 심도 있게 조사하였다. 다양한 손실 함수의 적용, 전이학습, 샘플링, 그리고 앙상블 모델의 활용과 같은 혁신적인 접근법이 모델 성능 개선에 미치는 영향을 논의하며, 이를 바탕으로 강우 나우캐스팅의 향후 연구 방향을 제시한다. 본 리뷰는 강우 나우캐스팅에 대한 딥러닝 기반 기술의 현재 상태를 이해하고, 향후 연구 및 기술 발전을 위한 지침을 제공하는 데 기여하고자 한다.

Deep learning models have demonstrated remarkable performance in short-term rainfall prediction by effectively capturing the complex spatiotemporal patterns of rainfall systems using vast datasets. This has helped to address the limitations of traditional Numerical Weather Prediction (NWP) models and radar echo extrapolation methods, such as computational speed and nonlinear precipitation dynamics. In this paper, we systematically review deep learning-based rainfall nowcasting models, categorizing them into three main groups: Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), and Generative Adversarial Networks (GANs). We also conduct an in-depth analysis of the common limitations identified in these models and explore strategies to overcome them. Innovative approaches, such as the application of diverse loss functions, transfer learning, sampling techniques, and ensemble models, are discussed in terms of their impact on enhancing model performance. Based on these findings, we propose future research directions for rainfall nowcasting. This review aims to provide a comprehensive understanding of the current state of deep learning-based technologies for rainfall nowcasting and serve as a guide for future research and technological advancements in the field.

본 논문에서는 깊은 신경망을 이용한 오디오 이벤트 검출 방법을 제안한다. 오디오 입력의 매 프레임에 대한 오디오 이벤트 확률을 feed-forward 신경망을 적용하여 생성한다. 매 프레임에 대하여 멜 스케일 필터 뱅크 특징을 추출한 후, 해당 프레임의 전후 프레임으로부터의 특징벡터들을 하나의 특징벡터로 결합하고 이를 feed-forward 신경망의 입력으로 사용한다. 깊은 신경망의 출력층은 입력 프레임 특징값에 대한 오디오 이벤트 확률값을 나타낸다. 연속된 5개 이상의 프레임에서의 이벤트 확률값이 임계값을 넘을 경우 해당 구간이 오디오 이벤트로 검출된다. 검출된 오디오 이벤트는 1초 이내에 동일 이벤트로 검출되는 동안 하나의 오디오 이벤트로 유지된다. 제안된 방법으로 구현된 오디오 이벤트 검출기는 UrbanSound8K와 BBC Sound FX자료에서의 20개 오디오 이벤트에 대하여 71.8%의 검출 정확도를 보였다.

This paper proposes an audio event detection method using Deep Neural Networks (DNN). The proposed method applies Feed Forward Neural Network (FFNN) to generate output probabilities of twenty audio events for each frame. Mel scale filter bank (FBANK) features are extracted from each frame, and its five consecutive frames are combined as one vector which is the input feature of the FFNN. The output layer of FFNN produces audio event probabilities for each input feature vector. More than five consecutive frames of which event probability exceeds threshold are detected as an audio event. An audio event continues until the event is detected within one second. The proposed method achieves as 71.8% accuracy for 20 classes of the UrbanSound8K and the BBC Sound FX dataset.

온-디바이스 머신러닝은 비용 효율성, 데이터 프라이버시, 응답성 측면에서의 강점으로 인해 점차 인기를 얻고 있다. 그러나 소형 임베디드 시스템에서는 메모리 용량이 제한적이기 때문에 심층 신경망 모델을 처리하기 쉽지 않다. 이전 연구에서는 양자화나 가지치기와 같은 다양한 모델 압축 기법들을 제안하였다. 그러나 이러한 기법들은 일반적으로 압축으로 인한 정확도 손실을 최소화하기 위해 적절한 데이터 샘플을 사용한 세심한 미세 조정을 필요로 한다. 본 연구에서는 유사한 컨볼루션 커널을 클러스터링하고 가지치기하여 입력 모델을 압축하는 새로운 훈련 후 모델 압축 방법을 제안한다. 본 연구에서 제안된 방법은 커널 간의 유사성만을 고려하므로 데이터 샘플을 필요로하지 않는다. 본 연구는 대표적인 신경망 모델을 사용하여 제안된 방법을 평가하고 적은 정확도 손실로도 메모리 사용량을 효과적으로 줄일 수 있다는 것을 입증한다.

On-device machine learning is becoming more popular for its strengths in cost efficiency, data privacy, and responsiveness. However, processing deep neural network models on small embedded systems is challenging due to their limited memory capacity. Previous work has proposed various model compression techniques, such as quantization and pruning. However, the techniques generally require careful fine-tuning with proper data samples to minimize accuracy loss from compression. This work proposes a new post-training model compression method that compresses the input model by clustering and pruning similar convolution kernels. The proposed method does not require data samples because it considers the similarity between kernels only. This work evaluates the proposed method with representative neural network models and demonstrates that the method can effectively reduce memory usage on average with small accuracy loss.

Land reclamation, coastal construction, coastline extension and port construction, all of which involve dredging, are increasingly required to meet the growing economic and societal demands in the coastal zone. During the land reclamation, a portion of landfills are lost from the desired location due to a variety of causes, and therefore prediction of sediment transport is very important for economical and efficient land reclamation management. In this study, laboratory disposal tests were performed using an open channel, and suspended sediment transport was analyzed according to flow velocity and grain size. The relationships between the average and standard deviation of the deposition distance and the flow velocity were almost linear, and the relationships between the average and standard deviation of deposition distance and the grain size were found to have high non-linearity in the form of power law. The deposition distribution of sediments was demonstrated to have log-normal distributions regardless of the flow velocity. Based on the experimental results, modeling of suspended sediment transport was performed using deep neural network, one of deep learning techniques, and the deposition distribution was reproduced through log-normal distribution.

정보추출은 문헌 내에 존재하는 개체명을 인식함과 동시에 이들 간의 의미적 관계까지도 식별하여 최종적으로 문헌 내에 포함된 의미적 트리플을 자동으로 추출하여 활용할 수 있으므로 문헌에 대한 심층적인 분석과 이해에 많은 도움을 줄 수 있다. 그러나 지금까지 대부분의 정보추출에 대한 연구는 개체명 인식과 관계추출이 개별 연구로 각각 분리되어 진행되었으며, 그 결과 입력 문헌에 대한 정보추출의 최종 출력인 의미적 트리플 추출 성능에 대한 객관적이고 정확한 평가가 제대로 이루어지지 않았다. 이에 본 논문에서는 진료 기록 문헌에 나타나는 개체명과 그들 간의 관계를 트리플 형태로 직접 추출할 수 있는 종단형 정보추출의 2가지 모델인 파이프라인 및 결합형 모델을 구축하는 구체적인 방법론을 제시하고 성능 비교 실험을 진행하였다. 우선 파이프라인 모델은 양방향 GRU-CRFs를 활용한 개체명 인식 모듈과 다중 인코딩 기반 관계추출 모듈로 구현되었고, 결합형 모델을 위해서는 다중 헤드 레이블링 기반의 양방향 GRU-CRFs이 적용되었다. 두 가지 시스템을 바탕으로 진료기록 문헌 내의 개체명과 관계를 모두 태깅하여 구축된 i2b2/VA 2010 데이터셋을 활용한 비교 실험에서 파이프라인 모델의 성능이 5.5%(F-measure) 더 높게 나타났다. 추가적으로, 대규모 신경망 언어모델과 수작업으로 구축된 자질 정보를 활용한 최고 수준의 기존 시스템과의 비교 실험을 통해, 본 논문에서 구현한 종단형 모델의 객관적인 성능 수준을 파악할 수 있었다.

Information extraction can facilitate the intensive analysis of documents by providing semantic triples which consist of named entities and their relations recognized in the texts. However, most of the research so far has been carried out separately for named entity recognition and relation extraction as individual studies, and as a result, the effective performance evaluation of the entire information extraction systems was not performed properly. This paper introduces two models of end-to-end information extraction that can extract various entity names in clinical records and their relationships in the form of semantic triples, namely pipeline and joint models and compares their performances in depth. The pipeline model consists of an entity recognition sub-system based on bidirectional GRU-CRFs and a relation extraction module using multiple encoding scheme, whereas the joint model was implemented with a single bidirectional GRU-CRFs equipped with multi-head labeling method. In the experiments using i2b2/VA 2010, the performance of the pipeline model was 5.5% (F-measure) higher. In addition, through a comparative experiment with existing state-of-the-art systems using large-scale neural language models and manually constructed features, the objective performance level of the end-to-end models implemented in this paper could be identified properly.

상수도시스템에서는 적수 및 누수와 같은 다양한 수리 및 수질적 비정상상황이 발생한다. 이를 방지하거나 빠르게 복구하기 위하여 다양한 계측기에서 얻어지는 데이터를 통해 사고를 예상하고 탐지한다. 하지만 대표적인 수리학적 비정상상황인 누수의 경우 직접적인 탐사를 수행하지 않는다면 발견되기 어렵다. 그 중 미신고 파열누수의 경우 육안식별이 어렵기 때문에 가장 많은 누수를 차지하게 되며 이는 곧 큰 경제적 손실로 이어진다. 직접적인 탐사의 경우 전문인력 확보 등 현장의 여건 등 여러 한계점이 존재한다. 이를 해결하기 위해 본 연구에서는 검보정이 완료된 상수도관망 수리모형(EPANET)의 수리해석결과 데이터를 학습데이터로 사용하고 Deep neural network 알고리즘을 활용하여 누수규모 및 누수위치에 대한 누수탐사를 수행하였다. 누수탐사 수행을 위해 모의 누수 사고데이터를 생성하였으며 누수규모, 위치 등 다양한 시나리오를 고려하였다. 또한, 최적의 누수 탐지 성능을 위해 관망의 크기, 계측기의 종류, 개수, 위치에 따른 탐지성능을 분석하였다.

In Water Distribution Systems (WDSs), can abnormal hydraulic and water quality conditions such as red-water phenomenon and leakage occur. To restore them, data is generated through various meters data to predict and detect. However, in the case of leakage if difficult to detect unless direct exploration is performed. Among them, unreported leakage, are not seen visually and account for the most considerable volumes of leakage, which leads to economic loss. Bur direct exploration is limited through on site conditions such as securing professional manpower. In this paper, leakage volumes and location were randomly generated for the WDS, which was assumed to be calibrated, and it was detected through a deep learning model. For abnormal data generation, the leakage was simulated using the emitter coefficient, and leakage detection was successfully performed through the generated abnormal data and normal data.

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.

심층 신경망 기술이 비약적으로 발전함에 따라 자연어 번역을 비롯한 다양한 자연어 처리 응용분야 기술의 성능이 실생활에 널리 활용될 수 있는 수준으로 발전하였다. 심층 신경망 모델을 활용한 수어 번역 기술의 연구도 활발히 진행되고 있으며, 본 논문에서는 최고 수준의 성능을 보여주고 있는 수어 인식 심층 신경망 모델들을 특수 글로스 주석이 포함된 한국수어 데이터 세트로 학습을 시켜 인식 성능을 높이는 방법을 제안한다. 수어 인식을 위한 심층 신경망 모델의 성능 분석을 통해 수어 영상 데이터 세트를 구성하는 과정에서 특수 글로스 주석 스키마를 정의하였으며, 이를 바탕으로 학습된 수어 인식 모델의 성능을 향상시켰다.

디지털 문화가 보급되면서 다양한 문화 양식과 사조를 공유하게 되었고, 새로운 장르의 스타일을 창조하 는 경향을 낳았다. 이러한 현상으로 패션과 기술이 융합된 디자인 개발도 폭넓게 전개되고 있다. 기존의 창작 과 미에 중점을 둔 스타일과는 다른 새로운 장르인 패션이 가미된 웨어러블 제품은 차세대 상품으로 많은 기대와 관심 속에 시장 도입이 되었다. 그러나 최근 웨어러블 제품의 시장 동향은 성장 없이 혼돈 속에 있으 며, 기술적 기능만을 중시한 상품 도입이 여러 부진 원인중의 하나로 분석되고 있다. 시장을 활성화하기 위한 방안의 하나로 웨어러블 제품은 외부로 드러나는 착용형의 상품이므로, 사용자의 정체성을 표현할 패션이라 는 요소가 융합되고 자동 반응하는, 독자적인 가치를 갖는 디자인을 구현해야 한다. 본 논문에서는 패션과 인공지능 기술을 융합하여 웨어러블 제품에 장착된 디스플레이가 사용자가 자각하지 않은 상태에서 주위 환경에 따라 자동으로 반응하여 사전 디자인에 따라서 패셔너블하게 디스플레이 되도록, 패션이 가미되어 디자인된 디스플레이를 갖는, 패션과 인공지능이 융합하여 자동으로 반응하는 웨어러블 제품에 사용할 테크 놀로지를 제안한다. 사운드 스펙트로그램으로 주위환경에서 입력된 소리의 특징을 추출하고 DNN의 Keras 기법으로 특성을 분류하여 레이블링한 후, 자동으로 반응하여 설정된 패션에 맞게 음향을 패션영상으로 변환 하여 패셔너블하게 디스플레이 하도록 하는 것이다. 제안된 실험 시스템으로 채집된 소리 샘플을 실험한 결 과 –10 dB이내의 노이즈 환경에서 우수한 인식률을 나타내어 웨어러블 제품의 주위 환경에서 채집 가능한 소리를 인식하는 것이 가능함을 확인하였다. 사용자의 사전 디자인에 따라 디스플레이가 자동 반응하여 사용 자의 아이덴터티를 표현할 패셔너블한 웨어러블 제품의 디자인에 사용할 음향-패션영상 변환 맵을 제안하였 다. 실험에서 분류된 레이블로 음향을 패션영상으로 변환하여 패셔너블하게 디스플레이 하는 것이 가능함을 검증하였다.

As digital culture became popular, various cultural styles and customs were shared. This has created a tendency to create new genre styles. As a result of this phenomenon, The development of the design which fuses fashion and technology is widely spread. Wearable products in new genres have been introduced into the market with much expectation. However, market of wearable products is in chaos. The introduction of products with an emphasis on technical functions has been analyzed as one of the reasons for the sluggishness. One of the ways to revitalize the market, due to the characteristic of wearable products, worn as an outer wear, amalgamation of the fashion element, which expresses an identity of a user, and the unique value of design that enables the automatic reaction of artificial intelligence should be implemented. This paper proposes a technological system with a transformation map from sound to graphic image that can be used for designing auto-responsive and fashionable wearable products that amalgamate fashion and artificial intelligence in the stylishly designed display. The display will automatically react to environmental changes and show predefined fashionable display designs without users’ awareness. After the sound spectrogram extracts the characteristics of sound input from the surrounding environment to classify and label them through Keras method of DNN, it automatically reacts to covert the sound input into stylish graphic images and display them fashionably according to the user’s preset design. The result of the experiment with the proposed sound system has proved that the system is capable of recognizing and characterizing the sound inputs around the wearable products when the noise level of the environment is under –10 dB. The experiment has verified that inputted sound can be transformed into a graphic image according to classified labels and it is successfully put on display.

최근 인공지능 딥러닝 분야는 컴퓨팅 자원의 높은 연산량과 가격문제로 인해 상용화에 어려움이 존재했다. 본 논문은 더블 프루닝 기법을 적용하여 심층신경망 모델들과 다수의 데이터셋에서의 성능을 평가하고자 한다. 더 블 프루닝은 기본의 네트워크 간소화(Network-Slimming)과 파라미터 프루닝(Parameter-Pruning)을 결합한다. 이는 기존의 학습에 중요하지 않는 매개변수를 절감하여 학습 정확도를 저해하지 않고 속도를 향상시킬 수 있다는 장점이 있다. 다양한 데이터셋 학습 이후에 프루닝 비율을 증가시켜, 모델의 사이즈를 감소시켰다. NetScore 성능 분석 결과 MobileNet-V3가 가장 성능이 높게 나타났다. 프루닝 이후의 성능은 Cifar 10 데이터셋에서 깊이 우선 합성곱 신경망으로 구성된 MobileNet-V3이 가장 성능이 높았고, 전통적인 합성곱 신경망으로 이루어진 VGGNet, ResNet또한 높은 폭으로 성능이 증가함을 확인하였다.

Recently, the artificial intelligence deep learning field has been hard to commercialize due to the high computing power and the price problem of computing resources. In this paper, we apply a double pruning techniques to evaluate the performance of the in-depth neural network and various datasets. Double pruning combines basic Network-slimming and Parameter-prunning. Our proposed technique has the advantage of reducing the parameters that are not important to the existing learning and improving the speed without compromising the learning accuracy. After training various datasets, the pruning ratio was increased to reduce the size of the model.We confirmed that MobileNet-V3 showed the highest performance as a result of NetScore performance analysis. We confirmed that the performance after pruning was the highest in MobileNet-V3 consisting of depthwise seperable convolution neural networks in the Cifar 10 dataset, and VGGNet and ResNet in traditional convolutional neural networks also increased significantly.