Earticle

Since the onset of the Coronavirus outbreak in December 2019, the virus has infected over six hundred million individuals, resulting in more than six million confirmed deaths, as reported by the World Health Organization (WHO). COVID- 19 is attributed to Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) and is recognized as a respiratory ailment, characterized by symptoms including fever, myalgia, dry cough, headache, sore throat and chest pain. As of October 2022, substantial efforts have been directed toward understanding and combatting the disease, particularly in the domains of vaccination and diagnosis. This paper focuses on the diagnosis of COVID-19 using X-ray images and leverages deep learning technologies. Specifically, we concentrate on employing three convolutional neural network models: ResNet50, InceptionV3 and MobileNetV2. The primary objective is to evaluate their performance in diagnosing COVID-19 from Xray images. During our research, we subjected these models to testing with unseen data. The results revealed that ResNet50 achieved an accuracy of 82.5%, outperforming InceptionV3 with 62.5% and MobileNetV2 with 65% accuracy. The adoption of these models not only alleviates the decision-making burden on medical experts but also enhances the precision of disease classification. The significance of this study lies in its contribution to fine-tuning diagnostic algorithms, paving the way for further research and advancements in the field.

The need to detect lung cancer accurately and early has been brought out through the fact that lung cancer has remained one of the top causes of cancer-related deaths in the world. A CT scan is usually interpreted manually which makes this time consuming and subjective. This paper hypothesizes that an explainable implementation of automated deep learning can be used to classify lung cancer based on the transfer learning models (VGG16, VGG19, ResNet50, and EfficientNetB3) on the IQ-OTH/NCCD dataset. The dataset was stratified by means of the SMOTE and was split into 80 and 20 percent training and validation subsets, respectively. All the pretrained CNNs were fine-tuned with the Adam optimizer and categorical cross-entropy loss. VGG16 performed the best and had a validation accuracy of 98.64, precision and recall of 98, and ROCAUC of 99. Visualization of tumor regions was done using explainable AI techniques (Grad-CAM, LIME), which are interpretable and have diagnostic transparency. The suggested framework proves that transfer learning combined with XAI is more effective in terms of accuracy and reliability in diagnosing medical images and is one of the steps to clinically reliable smart healthcare systems.

본 연구에서는 보안과 범죄 예방 강화의 하나로 공공 CCTV와 보안 카메라의 영상 데이터를 사용하여 주거 및 공용 공간에서 이상행동을 탐지하기 위한 AI 학습 데이터 세트의 구축과 이를 활용한 모델을 시범 개발하 였다. AI 학습 데이터 세트와 모델은 민간 기업의 AI 기술 발전과 AI 프로젝트 개발을 촉진하기 위해 설계되었다. 데이터 세트 구축 시 비디오 프레임에서 특징을 추출하기 위하여 ResNet50을, JSON 파일에서 스켈레톤 포인트를 처리하기 위하여 3D-CNN을 사용하여 모듈화 하였다. 이 데이터를 사전에 정의된 이상행동에 따라 Labeling 하였 다. 또한 GridCV를 사용하여 SVM 분류기와 비디오 시퀀스 처리를 위한 GRU를 활용하였다. 모델의 학습 성능 평가에서는 주요 정확도(main accuracy)가 지속해서 향상되었으며, 상세 손실(detailed loss) 또한 감소하는 추세 를 보였다. 이를 바탕으로 학습된 모델은 주어진 비디오 시퀀스에서 나타나는 행동의 범주를 예측할 수 있다. 본 연구에서 구축된 AI 학습 데이터 세트와 모델 시범 개발로 즉각적인 이상행동 감지를 통한 범죄예방 및 범인 검 거를 위해 인공지능 학습에 필요한 데이터 확보, 구축 및 배포하여 민간기업의 AI 기술 발전 및 인공지능 사업의 발전을 도모하고자 이상행동 탐지 기능 개발의 실용성에 대한 귀중한 인사이트를 제공하여 공공 안전 분야에서 AI 애플리케이션의 발전에 기여할 것으로 기대된다.

This study presents the construction of an AI learning dataset and the prototypical development of a model for detecting anomalous behaviors in residential and public spaces, as part of an effort to enhance security and crime prevention. The AI learning dataset and model were designed to stimulate the advancement of AI technology and the development of AI projects in private companies. During the dataset construction, ResNet50 was modularized to extract features from video frames, and 3D-CNN was used to process skeleton points from JSON files. This data was then labeled according to predefined anomalous behaviors. Furthermore, GridCV was employed to utilize the SVM classifier and GRUs for processing video sequences The learning performance evaluation of the model demonstrated a continuous improvement in main accuracy and a decreasing trend in detailed loss.. The trained model can predict the category of behavior appearing in a given video sequence. The AI learning dataset and model prototyped in this study provide valuable insights into the practicality of developing anomaly detection functions. It is expected to contribute to the advancement of AI applications in the field of public safety by securing, constructing, and distributing data necessary for AI learning for immediate anomaly detection, crime prevention, and offender apprehension.

Deep neural networks (DNNs) have been widely used in various applications, however, the computational complexity and memory requirements of DNNs are becoming increasingly challenging, especially in resource-constrained devices such as mobile phones and embedded systems. In this paper, we propose a lightweight DNN model using channel pruning to address the computational complexity and memory requirements of DNNs in resource-constrained devices. Our approach combines channel pruning with transfer learning to maintain accuracy. Evaluation on the CIFAR-10 dataset shows improved performance with 78% test accuracy, 89% train accuracy, and 73% validation accuracy compared to the unpruned model. The pruned model is suitable for applications with limited computational resources.

본 연구는 다양한 인코더 구조가 이미지 캡셔닝 성능에 미치는 영향을 비교·분석하였다. 이미지 캡셔닝은 입력 이미지를 자연어 문장으로 기술하는 기술로, 시각 장애인 보조, 이미지 검색, 자율주행 등 다양한 응용 가능성을 가진다. 본 연구에서는 공통된 디코더 구조를 기반으로 ResNet50, VGG16, Vision Transformer, Swin Transformer, Swin Transformer V2 및 FasterViT-4 인코더를 적용하여 모델을 구현하였다. 학습에는 Flickr8k 데이터셋을 사용하였으며, BLEU, METEOR, ROUGE, CIDEr, SPICE 등 정량적 평가 지표와 문맥 적합성을 고려한 정성적 평가를 수행하였다. 실험 결과, Transformer 기반 인코더는 전역적 문맥 이해 능력으로 더 자연스럽고 풍부한 캡션을 생성하였으며, CNN 기반 인코더는 지역적 특징 중심으로 단편적 묘사가 많았다. FasterViT-4는 연산 효율성과 문맥 표현력에서 균형을 보여 경쟁력 있는 성능을 나타냈다. 문맥 적합성 평가에서는 Vision Transformer와 FasterViT, Swin 계열이 우수한 결과를 보였으며, 사전 학습 데이터 규모와 구조적 특징이 성능에 영향을 미침을 확인하였다. 본 연구는 이미지 캡셔닝 모델 설계 시 인코더 선택 및 하이브리드 구조 설계 방향에 실질적 시사점을 제공한다.

This study compared and analyzed the effects of various encoder structures on image captioning performance. Image captioning is a technology that describes input images using natural language sentences, offering diverse application possibilities such as assisting the visually impaired, image search, and autonomous driving. In this study, models were implemented by applying ResNet50, VGG16, Vision Transformer, Swin Transformer, Swin Transformer V2, and FasterViT-4 encoders based on a common decoder architecture. The Flickr8k dataset was used for training, and quantitative evaluation metrics such as BLEU, METEOR, ROUGE, CIDEr, and SPICE were applied alongside qualitative assessments considering contextual appropriateness. As a result of the experiment, the Transformer-based encoder generated more natural and rich captions due to its ability to understand global context, while the CNN-based encoder tended to produce fragmented descriptions focused on local features. FasterViT-4 demonstrated competitive performance by balancing computational efficiency and contextual expressiveness. In the contextual relevance evaluation, Vision Transformer, FasterViT, and Swin-based models demonstrated superior results, confirming that the scale of pre-training data and structural features influence performance. This study provides practical insights for encoder selection and hybrid architecture design when developing image captioning models.

GUI(Graphical User Interface)를 대신하는 차세대 인터페이스로서 NUI(Natural User Interace)에 기대가 모이는 것은 자연스러운 흐름이다. 본 연구는 NUI의 손가락 관절을 포함한 손동작 전체를 인식시키기 위해 웹캠과 카메라를 활용하여 다양한 배경과 각도의 손동작 데이터를 수집한다. 수집된 데이터는 전처리를 거쳐 데이터셋을 구축하며, ResNet50 모델을 활용하여 전이학습한 합성곱 신경망(Convolutional Neural Network) 알고리즘 분류기를 설계한다. 구축한 데이터셋을 입력시켜 분류학습 및 예측을 진행하며, 실시간 영상에서 인식되는 손동작을 설계한 모델에 입력시켜 나온 결과를 통해 가위바위보 게임을 구현한다.

백혈구 연구는 면역학, 세포생물학, 유전학 분야에서 수 세기에 걸쳐 이뤄졌으며, 백혈구의 기능, 발달, 면역 반응, 건강 영향을 이해하는데 기여하였다. 이를 토대로 감염병, 암, 면역 질환의 치료와 예방 방법이 발전하였다. 특히 림프구와 T세포 연구는 백신 개발과 암 치료에 혁명적인 영향을 미쳤다. 백혈구 연구는 혈액 관련 질병 예방과 치료, 호중구, 단핵구, 호산구 등의 세포 연구로도 자가면역 질환, 알레르기, 염증성 질환의 치료를 개선하였다. 그러나 백혈구의 정확한 기능, 상호작용, 면역 조절 연구는 아직 미흡하다. 최근 디지털 기술 발전으로 대규모 이미지 데이터 생성이 가능해졌으며, AI 알고리즘을 훈련하는 데 활용되고 있다. 특히 딥러닝 기술은 이미지 분석 분야에서 중요한 역할을 하며, 백혈구 연구에도 응용되고 있다. 이 연구는 ResNet-50 모델의 실제 응용 가능성을 확인하고자 하였으며, 모델의 성능을 확인한 결과 ResNet-50모델에 Epoch를 30으로 설정했을 때 성능이 균형적이고 안정적으로 나타나는 것을 확인하였다.

White blood cell research spans centuries in the fields of immunology, cell biology, and genetics and has contributed to our understanding of white blood cell function, development, immune responses, and health effects. Based on this, treatment and prevention methods for infectious diseases, cancer, and immune diseases have been developed. In particular, lymphocyte and T cell research has had a revolutionary impact on vaccine development and cancer treatment. White blood cell research has been used to prevent and treat blood-related diseases, and research on cells such as neutrophils, monocytes, and eosinophils has also improved the treatment of autoimmune diseases, allergies, and inflammatory diseases. However, research on the exact function, interaction, and immune regulation of white blood cells is still insufficient. Recent advances in digital technology have made it possible to generate large-scale image data, which is being used to train AI algorithms. In particular, deep learning technology plays an important role in the field of image analysis and is also applied to white blood cell research. This study sought to confirm the actual applicability of the ResNet-50 model, and as a result of checking the model's performance, it was confirmed that when Epoch was set to 30 in the ResNet-50 model, the performance was balanced and stable.

본 연구는 당뇨병성 망막증의 자동 분류를 위해 딥러닝 모델을 활용한다. CLAHE 를 사용한 전처리로 이미지의 대비를 향상시켰으며, ResNet50 모델을 기반으로 한 전이학습을 통해 모델의 성능을 향상했다. 또한, 데이터의 불균형을 고려하여 정확도 뿐만 아니라 민감도와 특이도를 평가함으로써 모델의 분류 성능을 종합적으로 평가하였다. 실험 결과, 제안한 방법은 당뇨병성 망막증 분류 작업에서 높은 정확도를 달성하였으나, 양성 클래스의 식별에서 일부 한계가 있었다. 이에 데이터의 품질 개선과 불균형 데이터 처리에 초점을 맞춘 향후 연구 방향을 제시하였다.

본 연구의 목적은 YOLOv8, ResNet50, Faster R-CNN 모델을 활용하여 고추 작물의 질병을 진단하고, 각 모델의 성능을 비교하는 것이다. 첫 번째 모델은 YOLOv8을 사용하여 질병을 진단하였고, 두 번째 모델은 ResNet50을 단독으로 사용하였다. 세 번째 모델은 YOLOv8과 ResNet50을 결합하여 질병을 진단하였으며, 네 번째 모델은 Faster R-CNN을 사용하여 질병을 진단하였다. 각 모델의 성능은 정확도, 정밀도, 재현율, F1-Score 지표로 평가된다. 연구 결과, YOLOv8과 ResNet50을 결합한 모델이 가장 높은 성능을 보였으며, YOLOv8 단독 모델도 높은 성능을 나타냈다.

The purpose of this study is to diagnose diseases in pepper crops using YOLOv8, ResNet50, and Faster R-CNN models and compare their performance. The first model utilizes YOLOv8 for disease diagnosis, the second model uses ResNet50 alone, the third model combines YOLOv8 and ResNet50, and the fourth model uses Faster R-CNN. The performance of each model was evaluated using metrics such as accuracy, precision, recall, and F1-Score. The results show that the combined YOLOv8 and ResNet50 model achieved the highest performance, while the YOLOv8 standalone model also demonstrated high performance.

본 논문은 손글씨 인식 분야에서 가장 기본적이고 중요한 주제인 손글씨 데이터 세트에 대한 분류 성능을 분석하고 비교하는 것을 목표로 한다. 이를 위해 ResNet-50 모델을 사용하여 MNIST, EMNIST, KMNIST라는 세 가지 대표적인 손글씨 데이터 세트에 대한 분류 작업을 수행한다. 각 데이터 세트의 특징과 도메인, 그리고 데이터 세트 간의 차이와 특징에 대해 다루며, ResNet-50 모델을 학습하고 평가한 분류 성능을 비교하고 결과에 대해 분석한 결과를 제시한다.

최근 합성곱 신경망은 컴퓨터 비전에 관련된 여러 분야에서 높은 성능을 보여 주고 있으나 합성곱 신경망이 요구하는 많은 연산양은 임베디드 환경에 도입되는 것을 어렵게 하고 있다. 이를 해결하기 위해 ASIC이나 FPGA를 통한 합성곱 신경망의 구현에 많은 관심이 모이고 있고, 이러한 구현을 위해서는 효율적인 고정 소수점 표현이 필요하다. 고정 소수점 표현은 ASIC이나 FPGA에서의 구현에 적합하나 합성곱 신경망의 성능이 저하될 수 있는 문제가 있다. 이 논문에서는 합성곱 계층과 배치(batch) 정규화 계층에 대해 고정 소수점 표현을 분리해서, ResNet-50 합성곱 신경망의 합성곱 계층을 표현하기 위해 필요한 비트 수를 16비트에서 10비트로 줄일 수 있게 하였다. 연산이 집중되는 합성곱 계층이 더 간단하게 표현되므로 합성곱 신경망 구현이 전체적으로 더 효율적으로 될 것이다.

Recently, the convolutional neural network shows high performance in many computer vision tasks. However, convolutional neural networks require enormous amount of operation, so it is difficult to adopt them in the embedded environments. To solve this problem, many studies are performed on the ASIC or FPGA implementation, where an efficient representation method is required. The fixed-point representation is adequate for the ASIC or FPGA implementation but causes a performance degradation. This paper proposes a separate optimization of representations for the convolutional layers and the batch normalization layers. With the proposed method, the required bit width for the convolutional layers is reduced from 16 bits to 10 bits for the ResNet-50 neural network. Since the computation amount of the convolutional layers occupies the most of the entire computation, the bit width reduction in the convolutional layers enables the efficient implementation of the convolutional neural networks.