Earticle

Precision agriculture increasingly relies on advanced technologies to enhance sustainability and productivity. Among these, deep learning and machine learning play a critical role in developing automated systems capable of accurately identifying plant diseases. This study presents a comparative analysis of various deep learning models for plant disease classification. Specifically, we employ transfer learning using pre-trained architectures such as VGG16, ResNet-50, DenseNet-121, and EfficientNet-B0, alongside a custom convolutional neural network (CNN) trained from scratch. The models are evaluated using a dataset containing images of both healthy and diseased plants. Experimental results indicate that transfer learning models outperform the custom CNN, with DenseNet-121 and EfficientNet-B0 offering the optimal balance between computational efficiency and classification accuracy. These findings underscore the potential of deep learning techniques to support precision agriculture by enabling faster, more accurate, and scalable disease detection—reducing the reliance on manual inspection and facilitating timely interventions.

최근 급속도로 발전된 딥러닝 기술을 적용하여 가상현실 및 증강현실 응용에서 사용자 친화적 인터페이스를 제공하 기 위한 연구가 활발히 이루어지고 있다. 본 논문은 사용자의 손을 이용한 인터페이스를 제공하기 위하여 실시간 손 끝을 탐지하는 딥러닝 기반 손끝 탐지 방법을 제안한다. 본 방법은 기존 객체 탐지 네트워크에서 필요한 주석 전처 리 과정 없이 VGG-19 네트워크에 DenseNet의 연결 방식을 도입하여 총 파라미터 수와 소요 시간을 줄이고 Atrous Convolution과 Grad-CAM을 이용하여 손끝을 탐지한다. 본 방법을 다양한 환경에서 실험한 결과 기존 방법(SSD 네트워크)보다 평균 5% 높은 인식률로 34.4 ms의 실시간 처리가 가능함을 알 수 있었다. 본 연구 결과 로 사용자의 손끝을 이용하여 실시간 에어 라이팅을 하는 응용을 제작함으로써 사용자 인터페이스의 활용 가능성을 보였다.

Recently, research is being actively carried out to provide a user-friendly interface in virtual reality and augmented reality applications by applying rapidly developed deep learning technology. This paper proposes a deep learning-based fingertip detection method that detects real-time fingertips in order to provide the interface using the user’s hand. This method introduces the DenseNet Connectivity to the VGG-19 network without the required annotation preprocessing process in the existing object detection network, reducing the total number of parameters and the time required, and detecting the fingertips using the Atrous Convolution and the Grad-CAM. As a result of experimenting with this method in various environments, it was found that real-time processing of 34.4 ms is possible with an average recognition rate of 5% higher than the existing method (SSD network). As a result of this study, the application for real-time air-writing using the user's fingertips was developed, showing the usability of the user interface.

최근 가상환경에서 몰입감을 늘리고 자유로운 상호작용을 제공하기 위한 손 제스처 인식에 대한 연구가 활발히 진행 되고 있다. 그러나 기존의 연구는 특화된 센서나 장비를 요구하거나, 낮은 인식률을 보이고 있다. 본 논문은 정적 손 제스처와 동적 손 제스처 인식을 위해 카메라 이외의 별도의 센서나 장비 없이 딥러닝 기술을 사용한 손 제스처 인식 방법을 제안한다. 일련의 손 제스처 영상을 고주파 영상으로 변환한 후 손 제스처 RGB 영상들과 이에 대한 고주파 영상들 각각에 대해 덴스넷 3차원 합성곱 신경망을 통해 학습한다. 6개의 정적 손 제스처와 9개의 동적 손 제스처 인터페이스에 대해 실험한 결과 기존 덴스넷에 비해 4.6%의 성능이 향상된 평균 92.6%의 인식률을 보였 다. 본 연구결과를 검증하기 위하여 3D 디펜스 게임을 구현한 결과 평균 34ms로 제스처 인식이 가능하여 가상현실 응용의 실시간 사용자 인터페이스로 사용가능함을 알 수 있었다.

Recently, there has been active studies on hand gesture recognition to increase immersion and provide user-friendly interaction in a virtual reality environment. However, most studies require specialized sensors or equipment, or show low recognition rates. This paper proposes a hand gesture recognition method using Deep Learning technology without separate sensors or equipment other than camera to recognize static and dynamic hand gestures. First, a series of hand gesture input images are converted into high-frequency images, then each of the hand gestures RGB images and their high-frequency images is learned through the DenseNet three-dimensional Convolutional Neural Network. Experimental results on 6 static hand gestures and 9 dynamic hand gestures showed an average of 92.6% recognition rate and increased 4.6% compared to previous DenseNet. The 3D defense game was implemented to verify the results of our study, and an average speed of 30 ms of gesture recognition was found to be available as a real-time user interface for virtual reality applications.

The QR Code was initially developed to monitor the manufacturing processes of automotive components. However, its application has expanded significantly across various industries over time. QR codes can be created through a range of methods, including online tools, mobile applications, and programming libraries. They are now widely used in several domains such as payment transactions, identity verification, and accessing product information. Despite the convenience offered by QR Codes, they are susceptible to risks, particularly the emergence of counterfeit QR codes. This article presents a novel classification algorithm that leverages the DenseNet architecture to identify fraudulent QR codes. By integrating multiple DenseNet layers (referred to as DenseLayers) atop the standard DenseNet framework, the algorithm enhances the classification model's efficacy. Additionally, we introduce a publicly available QR code dataset that employs the Mish activation function instead of the conventional ReLU activation function. Experimental evaluations reveal that the modified model achieves an average accuracy of 99.8%, representing a 0.5% improvement over the baseline model.

Recently, development of deep learning has shown better image classification result than human. According to recent research, a hidden layer of deep learning is deeper, and a preservation of extracted features shows good results. However, in the case of general images, the extracted features are clear and easy to sort. This study aims to classify plant leaf images. This plant leaf image has high similarity in each image. Since plant leaf images have high similarity not only between images of different species but also within the same species, classification accuracy is not increased by simply extending the hidden layer or connecting the layers. Therefore, in this paper, we tried to improve the hidden layer of the algorithm called DenseNet which shows the recent excellent classification results, and compare the results of several different modified layers. The proposed method makes it possible to classify plant leaf images collected in a natural environment more easily and accurately than conventional methods. This results in good classification of plant leaf image data including unnecessary noise obtained in a natural environment.

Although deep neural network-based acoustic models have greatly improved the performance of automatic speech recognition (ASR), reverberation still degrades the performance of distant speech recognition in indoor environments. In this paper, we adopt the DenseNet, which has shown great performance results in image classification tasks, to improve the performance of reverberant speech recognition. The DenseNet enables the deep convolutional neural network (CNN) to be effectively trained by concatenating feature maps in each convolutional layer. In addition, we extend the concept of multi-resolution CNN to multi-resolution DenseNet for robust speech recognition in reverberant environments. We evaluate the performance of reverberant speech recognition on the single-channel ASR task in reverberant voice enhancement and recognition benchmark (REVERB) challenge 2014. According to the experimental results, the DenseNet-based acoustic models show better performance than do the conventional CNN-based ones, and the multi-resolution DenseNet provides additional performance improvement.

본 연구에서는 국내 농업지역에 대한 작물재배지역의 분류를 위하여 FC-DenseNet 모델에 attention gate를 적용하여 딥러닝 모델의 성능을 향상시키고자 하였다. Attention gate는 특징맵의 공간/분광적 중요도에 따른 가중치를 추가적으로 학습하여 딥러닝 모델의 학습을 용이하게 하고, 모델의 성능을 향상시킬 수 있다. Attention gate를 FC-DenseNet의 스킵 연결 부분에 추가한 딥러닝 모델을 이용하여 양파 및 마늘 지역의 작물분류를 수행하였다. PlanetScope 위성영상을 이용하여 훈련자료를 제작하였으며, 훈련자료의 불균형 문제를 해결하기 위하여 전처리 과정을 적용하였다. 다양한 평가자료를 이용하여 작물재배분류 결과를 평가한 결과, 제안된 딥러닝 모델은 기존의 FC-DenseNet과 비교하여 효과적으로 양파 및 마늘 지역을 분류할 수 있는 것을 확인하였다.

In this manuscript, we tried to improve the performance of the FC-DenseNet by applying an attention gate for the classification of cropping areas. The attention gate module could facilitate the learning of a deep learning model and improve the performance of the model by injecting of spatial/spectral weights to each feature map. Crop classification was performed in the onion and garlic regions using a proposed deep learning model in which an attention gate was added to the skip connection part of FC-DenseNet. Training data was produced using various PlanetScope satellite imagery, and preprocessing was applied to minimize the problem of imbalanced training dataset. As a result of the crop classification, it was verified that the proposed deep learning model can more effectively classify the onion and garlic regions than existing FC-DenseNet algorithm.

음향 이벤트 검출(Sound Event Detection, SED)은 음향 신호에서 관심 있는 음향의 종류와 발생 구간을 검출하는 기술로, 음향 감시 시스템 및 모니터링 시스템 등 다양한 분야에서 활용되고 있다. 최근 음향 신호 분석에 관한 국제 경연 대회(Detection and Classification of Acoustic Scenes and Events, DCASE) Task 4를 통해 다양한 방법이 소개되고 있다. 본 연구는 다양한 영역에서 성능 향상을 이끌고 있는 Dense Convolutional Networks(DenseNet)을 음향 이벤트 검출에 적용하기 위해 설계 변수에 따른 성능 변화를 비교 및 분석한다. 실험에서는 DenseNet with Bottleneck and Compression(DenseNet-BC)와 순환신경망(Recurrent Neural Network, RNN)의 한 종류인 양방향 게이트 순환 유닛(Bidirectional Gated Recurrent Unit, Bi-GRU)을 결합한 DenseRNN 모델을 설계하고, 평균 교사 모델(Mean Teacher Model)을 통해 모델을 학습한다. DCASE task4의 성능 평가 기준에 따라 이벤트 기반 f-score를 바탕으로 설계 변수에 따른 DenseRNN의 성능 변화를 분석한다. 실험 결과에서 DenseRNN의 복잡도가 높을수록 성능이 향상되지만 일정 수준에 도달하면 유사한 성능을 보임을 확인할 수 있다. 또한, 학습과정에서 중도탈락을 적용하지 않는 경우, 모델이 효과적으로 학습됨을 확인할 수 있다.

Sound Event Detection (SED) aims to identify not only sound category but also time interval for target sounds in an audio waveform. It is a critical technique in field of acoustic surveillance system and monitoring system. Recently, various models have introduced through Detection and Classification of Acoustic Scenes and Events (DCASE) Task 4. This paper explored how to design optimal parameters of DenseNet based model, which has led to outstanding performance in other recognition system. In experiment, DenseRNN as an SED model consists of DensNet-BC and bi-directional Gated Recurrent Units (GRU). This model is trained with Mean teacher model. With an event-based f-score, evaluation is performed depending on parameters, related to model architecture as well as model training, under the assessment protocol of DCASE task4. Experimental result shows that the performance goes up and has been saturated to near the best. Also, DenseRNN would be trained more effectively without dropout technique.

방송 콘텐츠의 혼합 신호에서 배경음악 신호를 분리하는 확장된 합성곱을 이용한 멀티 밴드 멀티 스케일 DenseNet을 제안한다. 확장된 합성곱은 스펙트로그램의 다양한 스케일 문맥 정보를 학습하기 용이하도록 한다. 컴퓨터 모의실험 결과, 제안한 구조는 신호대잡음비(Signal to Noise Ratio, SNR) 0 dB, -10 dB의 환경에서 각각 0.15 dB, 0.27 dB의 신호대왜곡비(Signal to Distortion Ratio, SDR)를 개선하였다.

We propose a multi-band multi-scale DenseNet with dilated convolution that separates background music signals from broadcast content. Dilated convolution can learn the multi-scale context information represented by spectrogram. In computer simulation experiments, the proposed architecture is shown to improve Signal to Distortion Ratio (SDR) by 0.15 dB and 0.27 dB in 0dB and -10 dB Signal to Noise Ratio (SNR) environments, respectively.

본 연구는 유방 초음파 영상에서 병변을 분류하기 위한 딥러닝 기반 모델을 구축하고, 입력으로 사용되는 다양한 유형의 병변 분할 마스크가 최종 분류 성능에 미치는 영향을 비교·분석했다. 동일한 Attention UNet 구조에서 Dice, IoU, Accuracy, F1 Score 손실 함수를 적용하여 생성된 자동 분할 마스크를 DenseNet-121 기반 분류 모델의 입력으로 사용하고, 이를 전문가 수작업 마스크 및 원본 영상 입력 모델과 성능 비교했다. 그 결과, IoU 기반 분할 마스크를 사용한 모델이 자동 분할 기반 실험군 중 가장 높은 분류 정확도(88.73%)와 AUC(0.9804)를 기록하였으며, 이는 원본 영상 입력 모델 대비 정확도가 약 5.63%p 향상된 것이고, 전문가 수기 마스크 입력 모델보다는 10.63%p 낮은 결과였다. Grad-CAM 기반 시각화 결과에서도 분할 마스크의 품질에 따라 모델의 주의 집중 영역이 달라졌으며, IoU 기반 모델이 병변 경계에 집중하는 양상을 나타냈다. 본 연구는 손실 함수 선택이 분할 성능뿐 아니라 분류 정확도 및 해석 가능성에 영향을 미친다는 점을 실증하고, 임상 적용을 위한 자동화 된 입력 설계의 방향을 제시했다.

This study developed a deep learning-based model for classifying lesions in breast ultrasound images and investigated how different types of lesion segmentation masks affect the final classification performance. Using an identical Attention UNet architecture, segmentation masks were generated with four loss functions: Dice, IoU, Accuracy, and F1 Score. These automatically generated masks were used as inputs for a DenseNet-121 classifier and compared against models using expert-annotated manual masks and raw ultrasound images. The IoU-based mask model achieved the highest classification accuracy (88.73%) and AUC (0.9804) among the automatically generated mask groups, representing a 5.63%p improvement in accuracy over the raw-image model and 10.63%p lower accuracy compared to the manual-mask model. Grad-CAM visualizations showed that the IoU-based model focused more precisely on lesion boundaries depending on the quality of the input masks. This study demonstrates that the choice of loss function affects not only segmentation performance but also classification accuracy and interpretability, providing guidance for the design of automated input pipelines for clinical application.

얼굴을 이용한 신원인식 방법은 높은 사용 편의성과 보편성 때문에 다양한 분야에서 활용되고 있다. 그러나 타인의 얼굴 사진이나 테블릿 PC 를 통한 얼굴 동영상 재생과 같은 손쉬운 방법을 통한 얼굴 스푸핑 공격 사례가 다수 보고되고 있다. 하지만 기존의 영상의 텍스처 특징을 활용한 방법은 영상의 초점 상태에 취약하고 기계학습에 사용된 데이터에 의존적이다. 따라서 보다 강력한 스푸핑 탐지 기술이 필요하다. 본 연구에서는 다양한 각도와 거리 편차 요소를 포함하는 자체 구축 DB 와 DenseNet 을 활용한 딥러닝 기반의 위조 얼굴 검출 기술을 연구했다.

이미지 형식으로 등록되는 상표의 특성상 상표의 검색에는 어려움이 따른다. 특허청은 도형 상표의 검색을 용이하게 하기 위해 상표가 포함하고 있는 구성요소에 도형분류코드를 부여한다. 하지만 도형 상표에 포함된 이미지를 확인하고 분류코드를 부여하는 과정은 사람이 직접 수행해야 한다는 어려움이 따른다. 이에 본 논문에서는 딥러닝을 이용하여 자동으로 도형 상표 내 객체를 인식하고 분류코드를 부여하는 방안을 제안한다. DenseNet을 이용하여 중분류를 먼저 예측한 후 각 중분류에 해당하는 Faster R-CNN 모델을 이용하여 세분류 예측을 수행하였다. 성능평가를 통해 비엔나분류 중분류별 평균 74.49%의 예측 정확도를 확인하였다.

Neutron-gamma discrimination is crucial for various applications in nuclear science and technology. Currently, the majority of research is focused on pulse shape discrimination, and conventional methods achieve a certain level of accuracy in conventional neutron-gamma discrimination scenarios. However, under high-count-rate conditions, neutron-gamma signals tend to pile-up, resulting in pulse shape changes, that significantly affect the accuracy of conventional methods. In recent years, neural network technology has been shown to be effective for signal waveform recognition. In this study, two Multi-Module DenseNet network structures were designed: Multi-module DenseNet (MMDenseNet) and Multi-module DenseNet with base layer Reuse (MMDenseNet-R). The accuracy and F1-score of MMDenseNet/MMDenseNet-R for recognizing piled-up pulses at different pile-up degrees and noise levels was evaluated using DenseNet and ResNet as comparison networks. Among the various pile-up cases examined in this study, MMDenseNet/MMDenseNet-R consistently outperformed ResNet and DenseNet, showing clear superiority over conventional pulse shape discrimination methods. MMDenseNet/MMDenseNet-R achieved high-precision pulse piled-up recognition under various pile-up conditions through their modular design, thereby improving the usage of piled-up pulses during detection. These network architectures are expected to acquire more valid signals in complex neutron fields, further optimizing the accuracy of particle detection.

안정적인 작물 생산을 위하여 국내 농업지역에 대한 효과적인 작황 모니터링 기법의 요구가 증대되고 있다. 본 연구에서는 작물 재배지역 추출을 위하여 딥러닝 기법을 이용한 분류 모델을 개발하고, 이를 위성영상에 적용하고자 하였다. 이를 위하여, 식생분석에 유용한 blue, green, red, red-edge, NIR 밴드를 포함하고 있는 RapidEye 위성영상을 이용하여 작물 재배지역에 대한 훈련자료를 구축하고, 이를 활용하여 국내 양파 및 마늘 작물에 대한 재배면적을 추정하고자 하였다. 대기보정된 RapidEye 위성영상을 활용하여 훈련자료를 구축하였으며, 작물지역의 분류를 위하여 대표적인 의미론적 분할을 위한 딥러닝 모델인 FC-DenseNet을 이용하여 딥러닝 모델을 생성하였다. 최종적인 작물 재배지역은 지적도와의 결합을 통하여 객체 기반의 자료로 생성하였다. 실험결과, 대기보정된 훈련자료를 이용하여 학습된 FC-DenseNet 모델은 훈련에 사용되지 않은 타 지역의 작물 재배지역을 효과적으로 검출할 수 있음을 확인하였다.

In order to stably produce crops, there is an increasing demand for effective crop monitoring techniques in domestic agricultural areas. In this manuscript, a cultivation area extraction method by using deep learning model is developed, and then, applied to satellite imagery. Training dataset for crop cultivation areas were generated using RapidEye satellite images that include blue, green, red, red-edge, and NIR bands useful for vegetation and environmental analysis, and using this, we tried to estimate the crop cultivation area of onion and garlic by deep learning model. In order to training the model, atmospheric-corrected RapidEye satellite images were used, and then, a deep learning model using FC-DenseNet, which is one of the representative deep learning models for semantic segmentation, was created. The final crop cultivation area was determined as object-based data through combination with cadastral maps. As a result of the experiment, it was confirmed that the FC-DenseNet model learned using atmospheric-corrected training data can effectively detect crop cultivation areas.

본 연구는 증강현실·가상현실 등 HCI 응용 분야에서 중요한 손 제스처 인식(HGR)을 위해 대규모 HaGRID v2 512px 데이터셋을 활용하여 DenseNet-121과 Vision Transformer (ViT-B/16) 모델을 비교 평가하였다. DenseNet-121은 95.32%, ViT-B/16은 95.45%의 테스트 정확도를 기록하였으며, 특히 ViT-B/16은 시각적으로 유사한 제스처 간 오분류를 줄이는 데 효과적이었다. 연구 결과는 트랜스포머 기반 모델이 그래픽 중심의 HCI 분야에서 실용적임을 보여준다.

Hand Gesture Recognition (HGR) is essential for natural and intuitive interactions in fields like augmented reality, virtual reality, and mixed reality, significantly enhancing the user experience in human-computer interaction (HCI) applications. In this study, we present an extensive evaluation of static Hand Gesture Recognition models using the large-scale HaGRID v2 512px dataset, comprising 1,086,167 RGB images, covering 33 gesture classes along with a dedicated no_gesture category, from over 65,977 unique individuals. We systematically benchmark two state-of-the-art deep learning models: a lightweight convolutional neural network (DenseNet-121), trained from scratch, and a Vision Transformer (ViT-B/16) fine-tuned from ImageNet-21k pre-training. Under identical training conditions, DenseNet-121 achieves a validation accuracy of 94.98% and a test accuracy of 95.32%, whereas ViT-B/16 attains a validation accuracy of 94.71% and a test accuracy of 95.45%, demonstrating clear comparative performance. Additionally, ViT-B/16's global self-attention mechanism notably reduces misclassification errors, particularly in visually similar gesture classes. Our results highlight the viability and efficiency of transformer-based architectures for accurate, real-time gesture recognition in graphics-intensive HCI applications.