Earticle

본 연구는 딥러닝 알고리즘을 이용해 어깨 초음파 영상에서 이두근 건의 정상 및 병변을 구분하고, 영상 속 삼출액 병변을 탐지하는 컴퓨터 자동 진단 성능을 평가하고자 한다. D 병원에서 진료받은 어깨 통증 환자들의 초음 파 영상 증례 260건을 사용하였다. 딥러닝으로서 구분 알고리즘에는 ResNet-50, 탐지 알고리즘에는 DeepLabV3+ 를 적용하였으며 성능 평가 지표로 ROC 곡선, AUC, F1-Score 등을 사용하였다. 결과로 구분 알고리즘에서 정확 도 95%, 정밀도 100%, 재현율 91%, AUC 94%를 탐지 알고리즘에서 전역 정확도 97%, 평균 IOU 85%, F1-Score 66% 등을 나타냈다. 본 논문의 제시 모델을 바탕으로 추가 데이터 획득 및 여러 알고리즘을 적용한다면 임상에서 초음파 자동 진단 시스템으로의 응용이 가능하다고 판단된다.

This study aims to evaluate the computer's automatic diagnosis performance to distinguish normal and lesions of biceps from shoulder ultrasound images using a deep learning algorithm and to detect exudate lesions in the images. 260 cases of ultrasound imaging of shoulder pain patients treated at D hospital were used. As deep learning, ResNet-50 was applied to the classification algorithm and DeepLabV3+ was applied to the detection algorithm, and ROC curves, AUC, and F1-Score were used as performance evaluation indicators. As a result, 95% accuracy, 100% precision, 91% reproduction rate, and 94% AUC in the classification algorithm showed 97% global accuracy, 85% average IOU, and 66% F1-Score in the detection algorithm. Based on the model presented in this paper, it is judged that the automatic ultrasound diagnosis system can be applied in clinical practice if additional data is acquired and several algorithms are applied.

이 글이 다루고자 하는 주요 연구 주제는 ESG 경영 활동이라는 기업의 비재무적 속성이 중소기업의 재무성과와 시장성과에 통계적으로 유 의한 긍정적 관계를 미치는가이다. 이에 대한 대답을 찾기 위해 이 연구는 ESG 항목과 일련의 재무 속성을 나타내는 변수로 구성된 연구모형을 중심으로 2011~2021년 기간 동안 국내 900여개 중소기업 시계열 자료를 사용하여 패널모형 분석을 실시하였다. 실증분석 결과 발견된 사실은 다음과 같다: 1) ESG 총점은 재무성과인 ROA와 ROE에 대해 통계적으로 유의한 관계가 없는 것으로 확인되었고, 시장성과인 토빈큐에 대해 서는 통계적으로 유의한 양(+)의 관계를 갖는 것으로 나타났다. 2) 부문별로는 환경(E)부문 경영활동이 재무성과에 대해서는 양(+)의 관계를 보이는 반면 시장성과에 대해서는 유의한 관계가 없는 것으로 나타났다. 또한 3) 사회(S)부문 경영활동은 재무성과에 미치는 영향이 부재한 반 면 시장성과에 대해서는 유의한 음(-)의 관계를 갖는 것으로 나타났고, 4) 지배구조(G)부문 경영활동은 재무성과에 대해 양(+)의 영향을 미치는 것으로 나타났다. 5) 재무 속성 변수들은 시장성과에 대해서는 유의한 음(-)의 관계가 일부 관찰된 반면 재무성과에 대해서는 다수의 변수들이 양(+) 또는 음(-)의 관계를 보여주었다. 이 결과로부터 ESG 경영활동은 중소기업에 있어서 재무성과에 대해서는 대체로 긍정적으로 작용하고, 시장성과에 대해서는 긍정과 부정의 관계가 공존함을 알 수 있다. 그럼에도 불구하고 보다 높은 수준의 일반화를 고려하자면 ESG 경영활동이 중소기업의 재무성과와 시장성과에 미치는 관계가 긍정적 또는 부정적이라고 최종 판단하기 어렵다. 이는 아직까지 국내 중소기업의 ESG 경 영활동이 성숙단계에 이르지 못하였음을 반증해주는 결과라고 말할 수 있다.

The main research question to be addressed in this article is to discover whether a company's non-financial attribute, ESG management activities, has a statistically significant positive relationship with SMEs' financial performance and market performance. To find an answer to this, this study conducted a panel model analysis using time-series data of 900 domestic SMEs during the period from 2011 to 2021, focusing on a research model consisting of ESG items and variables representing a series of financial attributes. As a result of the empirical analysis, the findings are as follows: 1) The ESG total score was confirmed to have no statistically significant relationship with ROA and ROE, which are financial performances, while it had a statistically significant positive (+) relationship with Tobin’s Q, which is market performance. 2) By sector, business activities in the environment (E) sector showed a positive (+) relationship with financial performance, but no significant relationship with market performance. In addition, 3) management activities in the social (S) sector had no impact on financial performance, but had a significant negative (-) relationship with market performance. 4) Management activities in the governance structure (G) sector were found to have a positive (+) effect on performance. 5) Some of the financial attribute variables showed a significant negative (-) relationship with market performance, while many variables showed a positive (+) or negative (-) relationship with financial performance. From this result, it can be seen that ESG management activities generally have a positive effect on financial performance in SMEs, while positive and negative relationships with market performance coexist. Nevertheless, considering a higher level of generalization, it is difficult to conclude that the relationship between ESG management activities and SMEs' financial performance and market performance is positive or negative. This can be said to be a result that disproves that the ESG management activities of domestic SMEs have not yet reached maturity.

This paper is an attempt to design segmentation method based on fully convolutional networks (FCN) and attention mechanism. The first five layers of the Visual Geometry Group (VGG) 16 network serve as the coding part in the semantic segmentation network structure with the convolutional layer used to replace pooling to reduce loss of image feature extraction information. The up-sampling and deconvolution unit of the FCN is then used as the decoding part in the semantic segmentation network. In the deconvolution process, the skip structure is used to fuse different levels of information and the attention mechanism is incorporated to reduce accuracy loss. Finally, the segmentation results are obtained through pixel layer classification. The results show that our method outperforms the comparison methods in mean pixel accuracy (MPA) and mean intersection over union (MIOU).

This investigation explores the use of mixed-reality in collaborative diagnosis by sharing medical data in real-time between multiple physicians using Head-Mounted Display (HMD) devices. Object detection and alignment of the digitized data with the object are the backbone in any mixed-reality application. In this paper, deep-learning networks are used in detecting the patient’s face in the physical world and the medical data is aligned to the patient via the Region-Enhanced-Weight-and-Perturb Iterative-Closest-Point (RE-WAPICP) algorithm. Experiments were performed by sharing a 3D digital model of intracerebral vascular with multi-viewers in a mix-reality environment and the results show that this approach is feasible.

This study presents a systematic review of deep learning applications in dermatological diagnosis, analyzing 212 peer-reviewed studies published from 2019 to 2025. A structured search across major scientific databases identified methods, performance trends, and clinical relevance. Advanced architectures such as Vision Transformers, multimodal fusion models, and few-shot learning demonstrate substantial improvements in detecting both common and rare skin conditions. Despite these advances, challenges related to dataset imbalance, clinical integration, and fairness remain significant. The review outlines key research priorities to guide the development of equitable and clinically reliable AI-based dermatological solutions.

최근 인공지능의 딥러닝과 머신러닝을 이용한 예측시스템에 관한 연구가 활발히 진행되고 있다. 인공지능의 발전으로 인해 투자관리자의 역할을 인공지능을 대신하고 있으며, 투자관리자보다 높은 수익률로 인해 점차 인공지능 으로 거래를 하는 알고리즘 거래가 보편화하고 있다. 알고리즘 매매는 인간의 감정을 배제하고 조건에 따라 기계적으로 매매를 진행하기 때문에 장기적으로 접근했을 때 인간의 매매 수익률보다 높게 나온다. 인공지능의 딥러닝 기법은 과거 의 시계열 데이터를 학습하고 미래를 예측하여 인간처럼 학습하게 되고, 변화하는 전략에 대응할 수 있어 활용도가 증가하고 있다. 특히 LSTM기법은 과거의 데이터 일부를 기억하거나 잊어버리는 형태로 최근의 데이터의 비중으로 높 여 미래 예측에 사용하고 있다. 최근 facebook에서 개발한 인공지능 알고리즘인 fbprophet은 높은 예측 정확도를 자랑하며 주가나 암호화폐 시세 예측에 사용되고 있다. 따라서 본 연구는 fbprophet을 활용하여 실제 값과 차이를 분석하고 정확한 예측을 위한 조건들을 제시하여 암호화폐 자동매매를 하기 위한 새로운 알고리즘을 제공하여 건전한 투자 문화를 정착시키는 데 이바지하고자 한다.

Recently, research on predictive systems using deep learning and machine learning of artificial intelligence is being actively conducted. Due to the development of artificial intelligence, the role of the investment manager is being replaced by artificial intelligence, and due to the higher rate of return than the investment manager, algorithmic trading using artificial intelligence is becoming more common. Algorithmic trading excludes human emotions and trades mechanically according to conditions, so it comes out higher than human trading yields when approached in the long term. The deep learning technique of artificial intelligence learns past time series data and predicts the future, so it learns like a human and can respond to changing strategies. In particular, the LSTM technique is used to predict the future by increasing the weight of recent data by remembering or forgetting part of past data. fbprophet, an artificial intelligence algorithm recently developed by Facebook, boasts high prediction accuracy and is used to predict stock prices and cryptocurrency prices. Therefore, this study intends to establish a sound investment culture by providing a new algorithm for automatic cryptocurrency trading by analyzing the actual value and difference using fbprophet and presenting conditions for accurate prediction.

We developed a deep learning-based algorithm with plant fruit images to predict the quantitative traits, fruit size, and weight. Highbush blueberry was selected as a model plant because of its commercial importance. Mask R-CNN was adopted for a deep learning guidance model to predict fruits' width, length, and weight. The deep learning algorithm had a high performance on object detection and image segmentation with more than 90% accuracy and detection rate.

Background/Objectives Deep learning which main technology in AI has high growth with being applied to field of speech recognition and Image classification. Especially, Deep learning technology in the field of Image classification is being applied as a core technology to Self-driving and crime prevention monitoring system that is recently emerging as the future industry. Methods/Statistical analysis: Various algorithm which is improved and developed CNN being able to do image process is suggested as Deep learning model in image recognition field. In this paper, we introduce various object detection algorithm including CNN. And explore most representative algorithms just R-CNN, Fast R-CNN, Faster R-CNN and difference between versions of YOLO devised to detect and track in real time. Findings: This paper evaluates deep learning algorithm’s performance by comparative analysis about mAP (mean average precision) and FPS (frames per second). In result of performance evaluation, YOLO algorithm is confirmed as that It shows excellent result in speed that detects and recognizes object and accuracy in real time system environment. Finally, we search cases in field of autonomous driving and access control system and home anti-crime system. Improvements/Applications: In this research, we can understand object detection algorithm among speech recognition technologies and proper field in each algorithm, apply security service based on image, recommend proper algorithm in various environment just like autonomous driving and security work, etc.

K-UAM은 2035년까지의 성숙기 이후 상용화될 예정이다. UAM 회랑은 기존의 헬리콥터 회랑을 수직 분리하여 사용될 예정이기에 회량 사용량이 증가할 것으로 예상된다. 따라서 회랑을 모니터링하는 시스템도 필요하다. 최근 객체 검출 알고리즘이 크게 발전하였다. 객체 검출 알고리즘은 1단계 탐지와, 2단계 탐지 모델로 나뉜다. 실시간 객체 검출에 있어서 2단계 모델은 너무 느리기에 적합하지 않다. 기존 1단계 모델은 정확도에 문제가 있었지만, 버전 업그레이드를 통해 성능이 향상되었다. 1단계 모델 중 YOLO-V5는 모자이크 기법을 통한 소형 객체 검출 성능을 향상시킨 모델이다. 따라서 YOLO-V5는 넓은 회랑의 실시간 모니터링에 가장 적합하다고 판단된다. 본 논문에서는 YOLO-V5 알고리즘을 학습시켜 궁극적으로 회랑 모니터링 시스템에 대한 적합도를 분석한다.

K-UAM will be commercialized through maturity after 2035. Since the Urban Air Mobility (UAM) corridor will be used vertically separating the existing helicopter corridor, the corridor usage is expected to increase. Therefore, a system for monitoring corridors is also needed. In recent years, object detection algorithms have developed significantly. Object detection algorithms are largely divided into one-stage model and two-stage model. In real-time detection, the two-stage model is not suitable for being too slow. One-stage models also had problems with accuracy, but they have improved performance through version upgrades. Among them, YOLO-V5 improved small image object detection performance through Mosaic. Therefore, YOLO-V5 is the most suitable algorithm for systems that require real-time monitoring of wide corridors. Therefore, this paper trains YOLO-V5 and analyzes whether it is ultimately suitable for corridor monitoring.K-uam will be commercialized through maturity after 2035.

기후변화로 인한 집중호우의 발생으로 홍수 피해가 심각해지고 있다. 하천의 수위 변동성을 예측하고 신속한 홍수 예·경보를 위해 물리적 기반의 수문 모형이 활용됐다. 최근에는 수문 데이터 간의 비선형적인 관계를 기반으로 머신러닝, 딥러닝 알고리즘을 활용한 수문 모의가 주목받고 있다. 본 연구에서는 Long Short-Term Memory (LSTM) 알고리즘을 활용하여 섬진강 수계의 하천 수위를 예측하고자 한다. 또한 Climate Prediction Center morphing method (CMORPH) 기반의 격자형 강우 자료를 알고리즘의 입력자료로 적용하여 지상 데이터의 한계를 보완하고자 한다. CMORPH 데이터와 LSTM 알고리즘을 결합한 모형의 수위 예측 결과는 평균 CC가 0.98, RMSE는 0.07 m, 그리고 NSE는 0.97로 나타났다. 향후 딥러닝과 원격자료를 활용하여 수위 예측을 수행한다면 지상 관측 데이터의 단점을 보완하고, 신뢰도 높은 예측 결과를 얻을 수 있을 것으로 기대되는 바이다.

Flood damage is becoming more serious due to the heavy rainfall caused by climate change. Physically based hydrological models have been utilized to predict stream water level variability and provide flood forecasting. Recently, hydrological simulations using machine learning and deep learning algorithms based on nonlinear relationships between hydrological data have been getting attention. In this study, the Long Short-Term Memory (LSTM) algorithm is used to predict the water level of the Seomjin River watershed. In addition, Climate Prediction Center morphing method (CMORPH)-based gridded precipitation data is applied as input data for the algorithm to overcome for the limitations of ground data. The water level prediction results of the LSTM algorithm coupling with the CMORPH data showed that the mean CC was 0.98, RMSE was 0.07 m, and NSE was 0.97. It is expected that deep learning and remote data can be used together to overcome for the shortcomings of ground observation data and to obtain reliable prediction results.

자율주행 차량은 운전자나 동승자의 조작 없이 스스로 운전할 수 있는 차량으로, 자율주행 기술 수준에 대해서는 국제적으로 SAE의 표준이 사용되고 있다. 현재 구글, 엔비디아, 테슬라 등 해외 IT 기업을 중심으로 레벨 4 자율주행 차량의 시스템 및 개발이 진행 중이다. 레벨 3 이상의 자율주행 차량의 경우 자율주행 시스템이 운전자의 역할을 수행해야 하므로, 높은 수준의 자율주행을 구현하기 위해서는 판단 시스템에 대한 성능개선이 필요하다. 성능 개선은 딥러닝을 활용하여 이루어질 수 있으며 딥러닝 기반의 자율주행 시스템을 구축하기 위해서는 충분한 시나리오와 데이터 세트가 필요하다. 본 연구에서는 CNN-LSTM 모델을 통해 차량 탑승자의 상황을 판단하여 시나리오를 생성하는 이미지 캡션 알고리즘을 제안하고, 알고리즘 훈련 후 Perplexity, Loss 결과를 분석한다. 훈련된 알고리즘을 기반으로 시뮬레이션을 진행하여 적절한 상황인지 캡셔닝 데이터가 생성되는지 분석한다.

An autonomous vehicle is a vehicle that can operate on its own without the manipulation of a driver or passenger, and the standard of SAE (Society of Automatic Engineers) is used internationally for the level of autonomous driving technology. Currently, the system and development of level 4 autonomous vehicles are underway, centering on foreign it companies such as Google, Nvidia, and Tesla. For self-driving cars at level-3 or higher, the autonomous driving system must play the role of the driver, so it is necessary to advance the judgment system to implement high-level autonomous driving. In order to construct a deep learning-based autonomous driving system, sufficient scenarios and datasets are required. This study proposes an image captioning algorithm that creates a scenario by judging the situation of the passenger in the vehicle through the CNN-LSTM model, and analyzes whether appropriate data are generated for learning the monitoring system through simulation.

스마트 횡단보도는 IoT 센서와 실시간 신호 제어 기술을 활용하여 보행자 사고 위험을 줄이는 대표적인 기술이다. 최근 딥러닝 알고리즘의 발전에 따라 실시간 보행자 탐지시스템을 구축할 수 있는 환경이 개선되었다. Yolo 알고리즘은 많은 성능 개선을 통해 실시간 객체 탐지에 있어 높은 인식률과 인식속도를 나타낸다. 그 중 Yolov8 알고리즘은 C2f 모듈, PAN 모듈과 앵커 프리 방식을 채택하면서 기존 모델에 비해 성능이 향상되었다. 따라서 본 논문에서는 실제 보행자 데이터 세트를 구성하여 Yolo 알고리즘 버전별 성능을 분석하고 훈련을 통해 보행자 감지 시스템에 적합한 알고리즘 버전을 선별한다. 훈련된 알고리즘을 젯슨 나노에 이식하여 온-디바이스 기반 보행자 감지 시스템을 구축한 후 실제 시뮬레이션을 통해 보행자가 정상적으로 감지되는 지를 확인한다.

Smart crosswalks are representative technologies that reduce the risk of pedestrian accidents by utilizing IoT sensors and real-time signal control technology. With the recent development of deep learning object detecting algorithms, the environment to build a real-time pedestrian detection system has improved. Yolo algorithm shows high recognition rate and high recognition speed in real-time object detection through many performance improvements. Among them, Yolov8 algorithm has been upgraded a lot in performance compared to the existing model by adopting C2f module, PAN module and anchor-free method. Therefore, in this paper, a real pedestrian data set is constructed to analyze the performance of each version of Yolo algorithm and select the algorithm version suitable for the pedestrian detection system through actual training. After constructing an on-device based pedestrian detection system by transplanting the trained algorithm into Jetson Nano board, it checks whether pedestrians are detected normally through actual simulation.

물 사용량 예측은 최적의 용수 공급 운영 방안을 수립하고 전력 소비량 절감을 위하여 꼭 필요한 과정이라고 할 수 있다. 그러나 수용가 단위의 물 사용량은 용도, 사용자의 패턴, 날씨 등의 다양한 요인으로 인해 변화하는 비선형적 특성을 지니고 있다. 따라서 본 연구에서는 비선형적인 수용가 단위의 물 사용량을 예측하기 위하여 다양한 기법들을 연계한 KWD 프레임워크를 제안하고자 하였다. 즉, 먼저 개별 수용가 마다 용도에 따른 유사한 패턴을 파악하기 위해 K-means (K) 군집분석을 수행하였고, 잡음성분을 제거함으로써 핵심적인 주기패턴을 파악하기 위해 Wavelet (W) 방법을 적용하였다. 또한 비선형적 특성을 학습시키기 위해 Deep learning (D) 알고리즘을 적용하였다. 그리고 기존의 선형 시계열 모형인 ARMA 모형과 비교하여 KWD 프레임워크의 성능을 분석하였다. 그 결과 제안된 모형의 상관성은 92%, ARMA 모형은 약 39%로 KWD 프레임워크가 2배 이상의 성능을 가지는 것으로 분석되었다. 따라서 본 연구에서 제안한 방법을 활용할 경우 정확한 물 사용량 예측이 가능해질 것이며, 상황에 따른 최적의 공급 방안을 수립할 수 있을 것이다.

It is an essential to predict water usage for establishing an optimal supply operation plan and reducing power consumption. However, the water usage by consumer has a non-linear characteristics due to various factors such as user type, usage pattern, and weather condition. Therefore, in order to predict the water consumption, we proposed the methodology linking various techniques that can consider non-linear characteristics of water use and we called it as KWD framework. Say, K-means (K) cluster analysis was performed to classify similar patterns according to usage of each individual consumer; then Wavelet (W) transform was applied to derive main periodic pattern of the usage by removing noise components; also, Deep (D) learning algorithm was used for trying to do learning of non-linear characteristics of water usage. The performance of a proposed framework or model was analyzed by comparing with the ARMA model, which is a linear time series model. As a result, the proposed model showed the correlation of 92% and ARMA model showed about 39%. Therefore, we had known that the performance of the proposed model was better than a linear time series model and KWD framework could be used for other nonlinear time series which has similar pattern with water usage. Therefore, if the KWD framework is used, it will be possible to accurately predict water usage and establish an optimal supply plan every the various event.

이 연구는 정확도 높은 유·가스 저류층 특성화를 위하여 원시 물리검층 자료로부터 암석 코어자료와 부합하는 고해상도의 합성 물리검층 자료를 생성하는 딥러닝 기반 방법을 제안한다. 제안한 방법의 신뢰도는 노르웨이 Volve 유전을 대상으로 세 가지 유형의 딥러닝 알고리듬(심층신경망, 합성곱신경망, 장단기메모리)을 적용하여 평가하였다. 위 알고리듬들은 타 물리검층 자료로부터 음파 검층 자료를 고해상도로 추정하였다. 전반적으로 각 딥러닝 알고리듬의 성능이 우수하였다. 특히, 장단기메모리 알고리듬의 예측 성능은 원시해상도 대비 2배, 5배, 10배의 고해상도 자료를 생성한 경우에 대해 결정계수가 0.9 이상으로 우수하게 나타났다. 제안한 모델은 향후 코어 기반 저류층인자와 부합하는 물리검층 기반 저류층 인자의 도출에 활용할 수 있을 것으로 기대한다.

This study proposed a deep-learning-based approach that generates synthetic high-resolution log data from original-resolution log data for accurate reservoir characterization, where the resolution of the synthetic data is comparable to that of core data. The reliability of the proposed approach was tested with application to the Volve oil field in Norway using three deep-learning algorithms (i.e., deep neural network, convolutional neural network, and long short-term memory). These deep-learning algorithms were employed to generate high-resolution sonic log data from other log-type data. The overall performance of each algorithm was acceptable. In particular, the long short-term memory algorithm yields a coefficient of determination greater than 0.9 when the high-to-original-resolution ratios are two, five, and ten. We anticipate that the proposed model can be used to derive logging-based reservoir parameters with a resolution that is comparable to that of core-based reservoir parameters.

지하에 매설되어 있는 사회기반시설물 중 하나인 상수도시스템은 정수처리된 물을 수용가에게 수송 및 공급하는 기능을 가지고 있다. 최근들어, 계측능력이 향상됨에 따라 유량데이터에 의한 딥러닝기법을 적용한 누수 인지 및 탐지와 관련한 연구가 다수 수행되고 있다. 본 연구에서는 현재까지 상수도 분야에 적용되지 않은 LSTM 기반의 딥러닝 알고리즘을 활용하여 누수발생에 대한 인지 모형을 개발하였다. 가정한 데이터를 기반으로 모형에 대한 검증을 수행하였으며 2% 이상의 누수가 발생한 경우에 대하여 모두 인식이 가능한 것으로 나타났다. 향후, 제안된 모형을 토대로 유량 데이터 예측부분에 있어서 보다 정밀한 결과가 도출 될 수 있을것으로 판단된다.

Water Distribution Networks, one of the social infrastructures buried underground, has the function of transporting and supplying purified water to customers. In recent years, as measurement capability is improved, a number of studies related to leak recognition and detection by applying a deep learning technique based on flow rate data have been conducted. In this study, a cognitive model for leak occurrence was developed using an LSTM-based deep learning algorithm that has not been applied to the waterworks field until now. The model was verified based on the assumed data, and it was found that all cases of leaks of 2% or more can be recognized. In the future, based on the proposed model, it is believed that more precise results can be derived in the prediction of flow data.

본 논문에서는, 단락흔과 열흔 판별을 위한 CNN기법과 ResNet의 성능 분석을 비교 분석하는 알고리즘 을 제안하고 검증하였다. 학습을 위한 데이터는 실험을 통해 제작하여 원본 데이터로 생성한 후, 알고리즘에 적용 시켜 학습데이터와 검증데이터로 확보하였다. Resnet 기법을 활용하여 CNN의 오차를 줄이는 방법으로 신경망의 파라미터를 학습하는 것과는 다르게 입력과 출력의 차이를 이용하는 잔차 학습(Residual learning)을 도입함으로 써, 더욱 깊은 네트워크층을 사용하여 효율적으로 학습 가능한 구조를 나타내고 있다. 분석결과 CNN과 Resnet 판별 정확도는 각각 93,54%, 96.81%로 얻었다.

In this paper, we proposed and verified an algorithm that compares and analyzes the performance analysis of the CNN method and Resnet for the distinguish Arc beads and Molten mark. The data for training was produced through experiments and generated as original data, and then applied to the algorithm to obtain training data and validation data. Unlike learning neural network parameters as a way to reduce CNN errors using Resnet techniques, by introducing Residual learning that utilizes the difference between input and output, it shows a structure that can be efficiently learned using a deeper network layer. As a result of the analysis, the CNN and Resnet classification accuracies were 93.54% and 96.81% respectively.

딥러닝 기반 부채널 분석의 성능은 중간값에 의해 크게 좌우된다. 분석자는 비밀키와 관련되며 부채널 정보와 관련성이 높은 중간값을 딥러닝 모델의 목푯값으로 활용해야 한다. 암호 알고리즘의 하드웨어 구현물은 일반적으로 레지스터에 저장된 데이터와 저장할 데이터의 차분을 중간값으로 사용하여 분석한다. 이를 위해서는 공격자가 레지스터에 저장되는 데이터의 흐름을 알고 있어야 한다. 즉, 효율적인 분석 방법이 하드웨어 구조에 따라 달라질 수 있다. 본 논문에서는 이를 극복하고자 하드웨어 암호를 대상으로 범용적으로 적용할 수 있는 딥러닝 기반 프로파일링 분석 방안을 제안한다. 제안한 방안은 대표적인 하드웨어 구현물 구조를 분석 후 효과적인 중간값을 조합해 비밀키를 판정한다. 제안한 방법을 실험적으로 검증하기 위해 두 종의 대표적 하드웨어 구현물을 분석했다. 단일 중간값 활용시 하드웨어 구현 방식에 따라 비밀키 분석에 실패한 경우가 있었으나, 제안한 방안은 두 구현물 모두에서 비밀키 분석에 성공했다. 이는 제안한 분석 방안을 범용적으로 활용할 수 있음을 시사한다.

The performance of deep learning-based side-channel analysis is highly affected by the target intermediate value. The security analyzer should choose an intermediate value related to the side-channel information as a label. In general, the difference between the value stored in a register and the value to be stored is chosen as an intermediate value for a hardware cryptographic implementation. It requires a data flow of the data register; the efficient analysis method could be different by the hardware architecture. This paper proposes a universal deep learning-based profiling attack method for hardware cryptographic implementation. The proposed method reveals the secret key by combining several intermediate values related to the typical hardware implementations. We demonstrate the proposed method by performing the proposed and existing deep learning-based profiling attacks. The existing method, which utilizes a single intermediate value, failed to reveal the secret key for a specific implementation. Besides, the proposed method discloses each key of two implementations. This result implies that the proposed method is universally utilizable.

본 논문에서는 안무저작권의 기본적인 요소인 무용 동작 간의 실질적인 유사성을 검증하기 위하여 인공지능 딥러닝 기술을 적용한 무용 동작의 정량화 방법론을 제안한다. 인간 자세 추정을 위한 딥러닝 네트워크 오픈포 즈 라이브러리를 이용해 2D 댄스 영상에서 추출한 이미지 데이터를 분석하여 18개의 신체 키포인트를 검출했 다. 검출된 키포인트는 스켈레톤 이미지를 출력하기 위해 연결되었고, 데이터 분석을 위한 2차원 공간 좌표 형 태로 변환되었다. 수학적 모델을 이용한 데이터 간의 유사성 검증을 통해 무용 동작 유사성 측정의 가능성을 확인하였다. 본 연구에서 제시된 방법론은 안무저작권의 기초 단위인 무용 동작의 정량적 데이터를 제공함으로 써 인공지능 딥러닝 기술을 활용한 무용 동작 분석 기초 연구의 새로운 시각을 제안하였다.

In this paper, I propose a quantification methodology of dance movements applied with artificial intelligence deep learning technology to verify the practical similarity between dance movements, which are basic elements of dance copyright. I analyzed image data extracted from 2D dance videos using the deep learning network OpenPose library for human pose estimation and detected 18 body key points. The detected key point was connected to output a skeleton image and converted into a two-dimensional spatial coordinate form for data analysis. The possibility of measuring the similarity of dance motion was confirmed through the similarity verification between data using a mathematical model. The methodology presented in this study proposed a new perspective of the basic research on dance motion analysis using artificial intelligence deep learning technology by providing quantitative data on dance motion, which is the basic unit of choreography copyright.