디지털 라이브러리[ 검색결과 ]
Self-Attention을 활용한 Siamese CNN-Bidirectional LSTM 기반 문장 유사도 예측
http://doi.org/10.5626/JOK.2019.46.3.241
본 논문에서는 입력된 두 문장의 유사도를 측정하는 딥러닝 모델을 제안한다. 기존의 문장의 유사도 측정 모델에는 단어 혹은 형태소 단위로 문장을 분해하여 임베딩 하는 방식을 활용한다. 하지만 이는 사전의 크기를 증가시켜 모델의 복잡도를 높이는 문제점이 있다. 본 논문에서는 문장을 음소 단위로 분해하여 모델 복잡도를 줄이고 해당 음소를 묶어주는 다양한 필터 사이즈의 1D Convolution Neural Network와 Long Short Term Memory(LSTM)을 결합한 Siamese CNN-Bidirectional LSTM 모델을 제안한다. 본 모델을 평가하기 위해 네이버 지식인 데이터를 활용하여 기존의 문서 유사 측정에서 좋은 성능을 보이는 모델 Manhattan LSTM(MaLSTM)과 비교하였다.
무선 멀티미디어 센서 네트워크에서 데이터인증을 위한 관심점 검출 방법의 평가
http://doi.org/10.5626/JOK.2019.46.2.184
무선 멀티미디어 센서 네트워크는 전달하는 영상데이터가 중요한 판단을 하는 근거가 되어서 이 영상의 진위여부가 무척 중요하다. 본 논문에서는 영상인증을 위해서 기존의 관심점 검출방법들을 무선멀티미디어 센서네트워크에서 발생할 수 있는 채널 오류에 대한 회복성, JPEG 압축에 대한 강인성, 부당변경에 대한 민감성에 대해서 평가한다. 평가는 USC-SIPI 영상을 이용하여 SIFT, SURF, ORB, AKAZE, SADDLE, HOG 방법들에 대해서 원 영상과 채널 오류나 JPEG 압축 그리고 영상 일부가 부당변경으로 변형된 영상간의 재현율과 정밀도를 평가했다. 채널오류의 영향을 줄이기 위해 중간값 필터를 적용하여 큰 성능향상을 얻었다. JPEG 압축의 영향을 줄이기 위해서 가우시안 필터를 적용하여 성능향상을 얻었다. 실험의 모든 조건에서 AKAZE 방법이 가장 좋은 성능을 나타냈고 이런 관심점 검출 방법이 무선멀티미디어 센서 네트워크에서 적용이 가능할 수 있음을 보여줬다.
고해상도 지도 생성을 위해서 ERF를 고려한 GAN
http://doi.org/10.5626/JOK.2019.46.2.122
본 논문은 고해상도 이미지 변환에 적합한 GAN(Generative Adversarial Network)의 네트워크 구조를 제안한다. 고해상도 이미지 변환에 필수적인 해상도와 분류 관계를 분석하기 위해 각 인코더들의 effective receptive fields의 크기를 계산하고, 새롭게 connection imbalance fields를 정의한다. 인코더와 디코더 간을 patch 단위로 연결하여 전체 층 수를 줄임으로써 적절한 effective receptive fields와 매개변수 사용 가능성을 실험을 통해 확인한다. 고해상도 이미지 변환 시에 해상도와 분류를 동시에 제공하기 어려운 문제를 개선하기 위해 고해상도 위성 사진을 변환할 수 있는 네트워크 구조를 실험적으로 제시한다. 또한 제시된 네트워크와 기존 네트워크의 receptive fields 크기를 비교 분석하여, 해상도와 분류를 동시에 향상시키는 네트워크 구조에 대한 타당성을 확인한다. 그리고, 제시된 네트워크와 기존의 네트워크를 이미지 유사도 분석 방법인 SSIM을 통해서 객관적 수치를 통해 비교함으로써 제안된 구조의 적합성을 정량적으로 검증한다.
S²-Net을 이용한 한국어 기계 독해
http://doi.org/10.5626/JOK.2018.45.12.1260
기계 독해는 주어진 문맥을 이해하고, 질문에 적합한 답을 문맥 내에서 찾는 문제이다. Simple Recurrent Unit (SRU)은 GRU 등과 같이 neural gate를 이용하여 RNN에서 발생하는 베니싱 그래디언트 문제를 해결하고, gate 입력에서 이전 hidden state를 제거하여 GRU보다 속도를 향상시킨 모델이며, Self-matching Network는 R-Net 모델에서 사용된 것으로, 자기 자신의 RNN sequence에 대하여 어텐션 가중치를 계산하여 비슷한 의미 문맥 정보를 볼 수 있기 때문에 상호참조해결과 유사한 효과를 볼 수 있다. 본 논문에서는 한국어 기계 독해 데이터 셋을 구축하고, 여러 층의 SRU를 이용한 Encoder에 Self-matching layer를 추가한 S2-Net 모델을 제안한다. 실험 결과, 본 논문에서 제안한 S²-Net 모델이 한국어 기계 독해 데이터 셋에서 EM 70.81%, F1 82.48%의 성능을 보였다.
네트워크 토폴로지 생성을 위한 효율적인 네트워크 경로 정보 수집 방법
http://doi.org/10.5626/JOK.2018.45.12.1319
네트워크 토폴로지 정보는 네트워크 관리 및 장애진단뿐만 아니라 보안체계 설계, 위협분석 등 보안분야에서도 필수적인 정보로 활용된다. 이러한 네트워크 토폴로지를 자동으로 획득하는 방법 중 경로추적 기반의 네트워크 토폴로지 자동 추론 기법은 임의의 네트워크를 탐색할 수 있기 때문에 많은 연구가 있어왔다. 하지만 경로 정보 수집과정에서 네트워크 부하와 탐색 시간에 큰 영향을 줄 수 있는 탐색 대상 목적지 호스트들의 선정 방법과 경로 정보를 수집하는 수집기들의 네트워크상에서의 배치 위치 선정 방안에 대한 연구는 미흡한 상황이다. 본 논문은 네트워크 토폴로지 추론에 필요한 경로 정보를 보다 효율적으로 수집할 수 있는 새로운 목적지 호스트 목록 선정 방법과 경로 정보 수집기들의 배치 위치 선정 방법을 제안한다. 또 프로토타입 구현과 실험을 통해 제안한 방법의 실효성을 검증하였다.
MOBA 게임 내 욕설 네트워크 분석을 통한 높은 영향력을 가진 악성 유저 탐지 방안
http://doi.org/10.5626/JOK.2018.45.12.1312
온라인 게임 산업의 발전과 더불어 게임 내 언어폭력은 심각한 사회적 문제로 떠오르고 있다. 하지만 단순한 필터링이나 신고제도로는 근본적인 문제를 해결하기 쉽지 않다. 따라서 본 논문에서는 욕설의 전파경향 분석과 언어폭력 중심유저 탐지를 위한 소셜 네트워크관점에서의 분석방법을 제안한다. 이 방법을 이용하여 전 세계적으로 인기를 끌고 있는 MOBA(Multiplayer Online Battle Arena)장르 게임인 DotA 2의 채팅로그 분석에 적용하였다. MOBA 게임의 경우, 하나의 큐(매치)에 속하는 유저가 제한되어있어 다른 장르의 게임보다 욕설 네트워크를 분석하기 좋은 플랫폼이다. 욕설을 남발하는 악성 유저의 경우 네트워크를 형성했을 때 높은 중심성(Centrality)을 갖는 경향이 있다. 이러한 특징을 이용하여 네트워크에서 욕설이 전파되는 경향을 파악하고 중심성(Centrality)이 높은 유저를 탐지하였다. 또한 해당 유저를 제재했을 때 전체 네트워크에 미치는 영향을 분석하였다. 본 논문에서 제안한 방법을 이용하면 욕설 사용으로 나쁜 영향을 미칠 수 있는 악성유저를 탐지할 수 있었다. 향후에는 유저들의 욕설 전파 유형을 분류하고 각 유형의 유저들이 갖는 특징을 분석한다.
기계학습을 이용한 네트워크 전장정보 수집
http://doi.org/10.5626/JOK.2018.45.10.1096
최근 IoT(Internet Of Things) 및 ICT(Information and Communications Technologies) 기술이 집약된 다양한 시스템이 개발로 인해 다양한 기기들이 네트워크에 연결되면서 각기 다른 리소스와 기능을 갖는 기기들에 따른 다양한 운영체제가 등장하게 되었다. 해킹 보안에 대한 관심이 높아지면서 각 기기들에 대해 탑재된 운영체제의 취약점 분석과 이에 따른 실제적인 공격 기법에 대한 연구가 진행되었으며, 이에 따라 기기의 운영체제의 종류와 세부적인 버전 그리고 중점적으로 강화되어 있는 기능(API)이 보안에 있어 중요한 정보로 대두되고 있다. 사이버 전에서 이러한 정보 수집을 관제하는 것은 사이버 위협의 전초이기 때문에 이러한 스캐닝을 네트워크 트래픽 관제하는 방안은 끊임없이 연구되어 왔으며, 이 관제를 피하기 위해 정보수집자는 은밀하게 포트 정보를 수집하기 위한 대책을 맞서 준비하는 실정이다. 본 논문에서는 네트워크 관제시스템에서 중요하게 여기지 않는 네트워크 기본 명령어들과 기계학습을 이용한 분석을 통해서 상대에 대한 정보를 얻어 낼 수 있는 스캐닝에 대해서 다루게 된다.
Backbone Network for Object Detection with Multiple Dilated Convolutions and Feature Summation
Vani Natalia Kuntjono, Seunghyun Ko, Yang Fang, Geunsik Jo
http://doi.org/10.5626/JOK.2018.45.8.786
컨볼루션 뉴럴 네트워크의 발전으로 인해 객체 탐지, 이미지 세분화 및 객체 분류 분야에서도 100개 이상의 컨볼루션 레이어를 사용하는 Deep CNN을 사용하는 추세로 이어지고 있다. 그러나 Deep CNN을 사용하기 위해 많은 그래픽 메모리가 필요하며 제한된 자원이나 실시간 객체 탐지를 원하는 사람들에게는 이런 Deep CNN이 적합하지 않다. 본 논문에서는 배수 팽창된 컨볼루션과 특징합계 기반의 객체 탐지를 위한 새로운 백본 네트워크를 제안한다. 특징합계는 그래디언트를 쉽게 전달하고 컨볼빙으로 인해 발생하는 공간 정보의 손실을 최소화한다. 그리고 팽창된 컨볼루션을 사용함으로써 변수를 추가하지 않고도 개별 뉴런의 수용 영역을 넓힐 수 있다. 또한, Deep하지 않은 뉴럴 네트워크를 백본으로 사용함으로써 제한된 자원으로 이미지넷 데이터 세트에서 사전 교육을 하지 않더라도 제안하는 네트워크를 사용할 수 있다. Pascal VOC 및 MS COCO 데이터를 사용한 실험 결과 제안된 네트워크는 각각 71%와 38.2%의 정확도를 보였다.
무선 네트워크에서 동기화 영상 재생을 위한 RANSAC 기반 시간동기화 방법
http://doi.org/10.5626/JOK.2018.45.7.626
본 논문은 SNTP(Simple Network Time Protocol) 패킷을 통해 얻은 시간 정보에 RANSAC(Random Sample Consensus) 알고리즘을 적용하여 무선 네트워크 환경에서의 동기화 영상 재생을 위한 세밀한 시간동기화 방법을 제안한다. 빠른 시간 내에 높은 시간정확도를 안정적으로 확보하는 것이 필수인 동기화 영상재생 모듈에서 NTP(Network Time Protocol)는 구현이 복잡하고 정밀한 동기화에 오랜 시간이 걸린다는 단점이 있다. SNTP의 경우에는 구현이 간단하지만 불안정한 무선 네트워크의 특징으로 시간을 정밀하게 맞추는 것이 불가능했다. 본 논문에서는 SNTP에서 얻어진 시간 정보들을 RANSAC을 통해 정제하였고, 이 결과 동기화 시작 후 약 5초 이내에 5ms미만의 시간정확도를 안정적으로 유지할 수 있었다. 제안된 방법은 간단한 구현으로 고품질의 시간 동기화 성능을 얻을 수 있어서 차후 IoT 등의 분야에서 활용가치가 높을 것이다.
무선 센서 네트워크에서 지연에 민감한 응용을 위한 경쟁 다중경로 라우팅 프로토콜
http://doi.org/10.5626/JOK.2018.45.6.589
무선 센서 네트워크에서 연구되는 다양한 데이터 전달 응용들이 중요하게 다루는 핵심 성능은 데이터 전송의 적시성과 신뢰성이다. 특정 응용 및 정보는 두 가지 요구 성능을 함께 요구할 수도 있다. 그러나 무선 센서 네트워크에서는 자원의 제약적 특성으로 인해서 이런 요구사항을 만족시키는 것이 쉽지 않다. 이를 극복하기 위한 다양한 연구 중 하나가 다중경로 라우팅 방법이다. 일반적인 다중경로 라우팅 방법은 요구 성능을 만족시키기 위해서 추가적으로 독립적인 경로를 생성하거나 분기하는 방법을 사용한다. 이와 같은 방법들은 불규칙적인 네트워크 환경에서 네트워크 자원을 너무 많은 낭비할 수 있는 문제가 있다. 이를 해결하기 위해서 본 논문은 경로 간의 경쟁과 협력을 통해서 불규칙한 무선 센서 네트워크에서도 적은 비용으로 긴급 응용의 요구조건을 충족시킬 수 있는 경쟁 다중경로 라우팅 방법을 제안한다. 마지막으로 본 논문은 실험을 통해서 제안 방법의 라우팅 성능을 비교 분석한다.
