Earticle

In this paper, we propose a deep learning classifier for estimating the number of layers in the Earth's structure. When installing a grounding system, knowledge of the subsurface in the area is absolutely necessary. The subsurface structure can be modeled by the earth parameters. Knowing the exact number of layers can significantly reduce the amount of computation to estimate these parameters. The classifier consists of a feedforward neural network. Apparent resistivity curves were used to train the deep learning classifier. The apparent resistivity at 20 equally spaced log points in each curve are used as the features for the input of the deep learning classifier. Apparent resistivity curve data sets are collected either by theoretical calculations or by Wenner's measurement method. Deep learning classifiers are coded by Keras, an open source neural network library written in Python. This model has been shown to converge with close to 100% accuracy.

훈련 데이터 부족 문제를 해결하기 위해 제안된 교차 프로젝트 소프트웨어 결함 예측은 소스 프로젝트와 타겟 프로젝트 간의 데이터 분포 차이를 최소화하기 위해 도메인 적응 기법들을 이용한다. 본 논문은 CORAL을 사용한 새로 운 모델들을 제작하여 TCA, BDA, W-BDA를 사용한 기존 모델들과 성능을 비교하였다. 또한 딥러닝 분류기를 사용한 모델의 성능을 기존 분류기들을 사용한 모델들과 비교하였다. 평가 실험 결과 CORAL은 소수의 경우를 제외하고 대부분 의 경우 타 모델들에 비해 탁월한 성능을 보였으며, 딥러닝 분류기의 사용은 데이터 집합에 따라 모든 모델들의 성능을 좋게하거나 나빠지게하는 극단적인 결과를 보였다.

Cross-project software defect prediction has been proposed to address the issue of insufficient training data, utilizing domain adaptation techniques to minimize the distribution differences between source and target projects. This paper introduces new models using CORAL and compares their performance with existing models based on TCA, BDA, and W-BDA. Additionally, the performance of models employing deep learning classifiers is compared with those using traditional classifiers. Evaluation experiments demonstrate that, except for a few cases, CORAL generally outperforms the other models, and the use of deep learning classifiers leads to extreme outcomes, either significantly improving or deteriorating the performance of all models depending on the dataset.

최근 딥러닝 기술의 발달과 함께 신경 네트워크는 컴퓨터 비전에서도 성공을 거두고 있다. 컨볼루션 신경망은 단순한 영상 분류 작업뿐만 아니라 객체 분할 및 검출 등 난이도가 높은 작업에서도 탁월한 성능을 보였다. 그러나 그러 한 많은 심층 학습 모델은 지도학습에 기초하고 있으며, 이는 이미지 라벨보다 주석 라벨이 더 많이 필요하다. 특히 semantic segmentation 모델은 훈련을 위해 픽셀 수준의 주석을 필요로 하는데, 이는 매우 중요하다. 이 논문은 이러 한 문제를 해결하기 위한 네트워크 훈련을 위해 영상 수준 라벨만 필요한 약지도 semantic segmentation 방법을 제안 한다. 기존의 약지도학습 방법은 대상의 특정 영역만 탐지하는 데 한계가 있다. 반면에, 본 논문에서는 우리의 모델이 사물의 더 다른 부분을 인식하도 multi-classifier 심층 학습 아키텍처를 사용한다. 제안된 방법은 VOC 2012 검증 데 이터 세트를 사용하여 평가한다.

Recently, along with the recent development of deep learning technique, neural networks are achieving success in computer vision filed. Convolutional neural network have shown outstanding performance in not only for a simple image classification task, but also for tasks with high difficulty such as object segmentation and detection. However many such deep learning models are based on supervised-learning, which requires more annotation labels than image-level label. Especially image semantic segmentation model requires pixel-level annotations for training, which is very. To solve these problems, this paper proposes a weakly-supervised semantic segmentation method which requires only image level label to train network. Existing weakly-supervised learning methods have limitations in detecting only specific area of object. In this paper, on the other hand, we use multi-classifier deep learning architecture so that our model recognizes more different parts of objects. The proposed method is evaluated using VOC 2012 validation dataset.

Prediction of software bugs from process logs, temporal access logs, behavior analysis, etc. requires estimation of a wide variety of high-density feature sets. Extracted feature sets must be able to classify these logs into different bug categories with high accuracy, and low complexity. To perform these tasks, a wide variety of Machine Learning Models (MLMs) are proposed by researchers, and each of them varies in terms of their performance-level nuances, functional advantages, contextual limitations, and application-specific future scopes. Upon analyzing these characteristics, it was observed that existing models are highly context-specific, and cannot be applied to multidomain bug analysis datasets. Moreover, existing models do not incorporate a dynamic feature selection method, which limits their accuracy performance under multiple bug classification applications. To overcome these issues, this paper proposes design of a novel Ensemble deep learning Classifier with Feature Selection for high-efficiency Multidomain Bug Prediction under different use cases. The proposed model improves bug representation performance by combining multiple feature extraction methods, including GWO-based novel feature selection techniques. The ensemble classification model, which combines Deep Random Forest, k Nearest Neighbor, Logistic Regression, Multilayer Perceptron, Support Vector Machine, and 1D Convolutional Neural Network classifiers, achieves higher accuracy, precision, recall, and low delay compared to existing models. The model also shows faster classification speeds than existing models and can be deployed for various real-time applications. This accuracy performance was compared with various state-of-the-art models, and it was observed that the proposed model showcases 4.5% higher accuracy, 3.2% better precision, 3.9% higher recall, and 5.5% faster classification performance, which was possible due to integration of intelligent feature selection process with high efficiency classification models under multidomain scenarios.

온라인 공론장에서 사회적 약자를 향한 비윤리적 댓글이 사회적 문제로 떠오르고 있다. 이런 문제의식을 바탕으로 본 연구는 2022년 장애인 지하철 시위 관련 뉴스 댓글 50,875개를 수집해 비윤리성을 측정하고 정치 성향에 따른 차이를 살펴보았다. 이를 위해 뉴스 댓글의 비윤리성을 차별(discrimination)-욕설(abuse)-폭력(violence)-선정(sexual)-문제없음(immoral_none)으로 유형화한 후 댓글을 이 가운데 하나로 분류하는 BERT 기반의 텍스트 비윤리성 예측 딥러닝 모형을 개발했다. 분석 결과, 전체 댓글 가운데 ‘문제없음’으로 분류된 경우는 39.95%에 머물렀다. 반면, ‘차별’과 ‘욕설’은 각각 전체의 37.07%와 17.05%를 차지할 정도로 빈번하게 나타났다. 또한, 진보 언론(MBC, 프레시안, 한겨레)의 댓글에서 보수 언론(TV조선, 데일리안, 조선일보)의 댓글에 비해 윤리적 문제가 상대적으로 적게 나타나는 현상을 확인했다. 가장 많이 관찰된 ‘차별’의 문제도 진보 언론의 댓글에 비해 보수 언론의 댓글에서 많이 나타났다. 더욱이 보수 언론에서는 차별과 폭력으로 분류된 댓글에 높은 공감 비율을 보였으며, 댓글의 차별과 폭력 수준이 높을수록 공감 비율도 높아지는 경향이 관찰됐다. 우리 언론, 특히 보수 언론의 댓글 공간이 숙의(deliberation)와 경합(agonism)이 보장되는 민주적 공론장으로 거듭나기 위한 고민과 노력이 필요해 보인다.

This study collected 50,875 news comments on the subway protests for the disabled and measured the ethical levels across five dimensions such as discrimination, abuse, violence, and sexual expression. Based on this analysis, the difference of ethical levels and empathy-inducing influence between the comments of the conservative and progressive media. First of all, this research team developed a deep-learning model for measuring ethical levels through BERT-based transfer-learning. As a result of the analysis, 39.95% of all comments were classified as ‘no problem.’ On the other hand, ‘discrimination’ and ‘abuse’ appeared frequently enough to account for 37.07% and 17.05% of the total. In addition, it was found that comments from progressive media (MBC, Pressian, Hankyoreh newspaper) had relatively few ethical problems compared to the comments from conservative media (TV-Chosun, Dailian, ChosunIlbo). The problem of ‘discrimination’, which was observed the most, also appeared more in the conservative media than in the progressive media. Moreover, in the conservative media, a high rate of empathy was observed for comments classified as discrimination and violence, and a tendency was observed that the higher the level of discrimination and violence in comments, the higher the rate of empathy was observed. It it time to make an effort to revive the comment space of our media, especially the conservative media, into a democratic public sphere where deliberation and agonism take effect.

Cameras are one of the essential sensors in autonomous vehicles, but they are highly susceptible to contamination. Visibility degradation due to various weather conditions and contaminants can significantly impact the performance of vision-based driver assistance systems. Therefore, algorithms capable of quickly determining contamination status and assessing contamination levels are required. To address this, we propose an integrated system consisting of a Convolutional Neural Network-based image classifier, a semantic segmentation model, and a contamination decision algorithm. When processing a test dataset of 264 samples, the proposed integrated system reduced the false positive rate for contamination detection from 30.68% to less than 1% and achieved 30% improvement in processing speed. Experimental results on the NVIDIA Jetson AGX Xavier board show that the proposed system achieves a processing speed of over 30 frames per second, confirming its capability for real-time operation. The classification accuracy of the integrated system is 99.24%, and the IoU for opaque contamination in semantic segmentation is 0.8289, enabling the system to determine contamination status rapidly and accurately estimate contamination levels.

모바일 게임 산업의 발달로 많은 사용자들이 게임을 이용하면서, 그들의 만족감을 사용리뷰를 통해 드러낸다. 실제로 각 리뷰의 범주가 모두 다르지만 현재 구글 플레이 앱스토어(Google Play App Store)의 게임 리뷰 범주는 3가지로 매우 제한적이다. 따라서 본 연구에서는 빠르고 정확한 고객의 요구를 필요로 하는 게임 소프트웨어의 특성을 고려하여 게임 리뷰를 입력했을 때, 게임의 운영 및 시스템에 맞도록 리뷰의 카테고리를 세분화하고 만족도를 분석하는 시스템을 개발한다. 제안 시스템은 인공신경망 모델인 CNN을 평점을 기반으로 훈련시켜 리뷰에 대한 만족도를 도출한다. 또한 Word2Vec을 이용해 단어들 간의 유사도를 구하고, 이를 활용한 단어 배열을 이용하여 가장 스코어가 높은 카테고리로 배정한다. 본 논문은 제안한 리뷰 만족도 및 카테고리 분류 시스템이 실제 효과적으로 리뷰를 보다 의미 있는 정보로써 제공할 수 있음을 보인다.

모바일 게임 산업의 발달로 많은 사용자들이 게임을 이용하면서, 그들의 만족감을 사용리뷰를 통해 드러낸다. 실제로 각 리뷰의 범주가 모두 다르지만 현재 구글 플레이 앱스토어(Google Play App Store)의 게임 리뷰 범주는 3가지로 매우 제한적이다. 따라서 본 연구에서는 빠르고 정확한 고객의 요구를 필요로 하는 게임 소프트웨어의 특성을 고려하여 게임 리뷰를 입력했을 때, 게임의 운영 및 시스템에 맞도록 리뷰의 카테고리를 세분화하고 만족도를 분석하는 시스템을 개발한다. 제안 시스템은 인공신경망 모델인 CNN을 평점을 기반으로 훈련시켜 리뷰에 대한 만족도를 도출한다. 또한 Word2Vec을 이용해 단어들 간의 유사도를 구하고, 이를 활용한 단어 배열을 이용하여 가장 스코어가 높은 카테고리로 배정한다. 본 논문은 제안한 리뷰 만족도 및 카테고리 분류 시스템이 실제 효과적으로 리뷰를 보다 의미 있는 정보로써 제공할 수 있음을 보인다.