디지털 라이브러리[ 검색결과 ]
LAB 색 공간 기반 손실 함수와 데이터 전처리를 이용한 향상된 이미지 조화 기법
http://doi.org/10.5626/JOK.2024.51.8.729
각기 다른 이미지에서 얻어진 전경과 배경을 합하여 새로운 이미지를 만드는 이미지 합성은 유용한 영상 편집 기술이지만 종종 명암이나 색감의 불일치로 인해 어색한 이미지를 만든다. 이러한 부조 화를 줄이기 위한 이미지 조화 기술은 전경과 배경 사이의 색감을 사실적으로 일치시킬 수 있어 영상 편 집 분야에서 큰 주목을 받았다. 기존 딥러닝 기반의 이미지 조화 모델들은 대용량 학습 데이터셋을 사용하 여 잠재력 있는 조화 성능을 보였으나, 밝기를 효과적으로 고려할 수 없는 손실 함수를 사용하거나 밝기 분포가 편향된 데이터셋을 학습하여 다양한 밝기 조건에 일반화 성능이 떨어졌다. 이에 본 논문은 주어진 이미지의 밝기를 명시적으로 계산하는 LAB 색 공간 기반의 손실 함수와 밝기 분포가 균형된 데이터셋을 구축하기 위한 LAB 기반 전처리 방법을 통해 새로운 이미지 조화 기법을 제안한다. 공개 이미지 데이터 셋에 대한 실험을 통하여 제안 기법이 다양한 밝기 조건에서도 강건한 조화 성능을 가짐을 입증한다.
장단기 시간 패턴 학습을 통한 그래프 신경망 기반의 태양광 발전량 예측 기법
http://doi.org/10.5626/JOK.2024.51.8.690
최근 태양광 에너지의 활용이 크게 보편화되면서, 태양광 에너지의 효율 향상을 위한 태양광 발전량 예측 연구가 활발히 진행되고 있다. 이와 관련하여, 기존의 심층 학습 모델을 넘어 그래프 신경망 기반의 태양광 발전량 예측 모델들이 제시되었다. 이 모델들은 특정 지역의 태양광 발전량이 인접 지역의 기후 조건에 영향을 받는 공간적 상호작용과 태양광 발전량의 시간 패턴을 함께 고려하는 지역 간 상관관 계를 학습함으로써 예측 정확도를 개선한다. 하지만, 기존 모델들은 주로 고정된 형태의 그래프 구조에 의 존하여, 시간적 및 공간적 상호작용을 반영하기 어려운 한계가 있다. 이에, 본 논문은 지역별 태양광 발전 량 데이터의 장기 및 단기적 시간 패턴을 고려하고, 이를 지역 간 상관관계의 학습에 반영하는 그래프 신 경망 기반의 태양광 발전량 예측 기법을 제안한다. 제안 기법은 타 그래프 신경망 기반 예측 모델과 비교 하여 RRSE 기준 최대 7.49%의 성능 개선을 달성하여 그 우수성을 입증하였다.
다양한 조명 색상에서 합성 이미지의 시각적 균일성 향상을 위한 이미지 조화 기법
http://doi.org/10.5626/JOK.2024.51.4.345
이미지 합성은 배경 이미지 위에 다른 이미지에서 추출한 전경 객체를 배치하여 새로운 이미지를 생성하는 기법이다. 이러한 합성 이미지의 시각적 균일성 향상을 위해 전경 객체의 조명 색상을 배경 이미지와 일치되게 조정하는 딥러닝 기반의 이미지 조화 기법들이 최근 활발히 제안되고 있다. 하지만, 기존 기법들은 학습에 사용된 데이터셋의 조명 색상 분포에 대해서만 색상을 조정하기 때문에 시각적 균일성에서 성능이 제한적이다. 이에 본 논문은 다양한 조명 색상에 강건한 성능을 보이는 새로운 이미지 조화 기법을 제안한다. 우선, 데이터 전처리를 통해 다양한 조명 색상 분포로 구성된 새로운 데이터셋인 iHColor를 먼저 구축하고, 사전 훈련된 GAN 기반 Harmonization 모델을 iHColor 데이터셋을 사용하여 미세 조정을 수행한다. 실험을 통해 제안 기법이 다양한 조명 색상에서 기존 모델보다 합성 이미지의 시각적 균일성을 개선시킴을 보인다.
PCC 기반 기상 변수 유사도를 고려한 제로 샷 태양광 발전율 예측 기법
http://doi.org/10.5626/JOK.2023.50.7.581
화력 발전은 저렴한 단가로 인해 국내외에서 큰 비중을 차지하는 발전 방식이다. 그러나 보건 및 환경 문제를 야기하는 다량의 유해 물질들을 배출한다는 단점 때문에 이를 대체할 발전원으로 신재생 에너지가 주목 받고 있다. 태양광 발전은 유지보수가 용이하다는 등의 장점들 때문에 신재생 에너지 중에서 가장 많은 관심을 받고 있다. 변동성이 강한 태양광 발전의 불확실성을 개선하고 안정적으로 전력을 공급하기 위한 다양한 태양광 발전량 예측 연구가 진행되고 있지만, 기존 연구들은 충분한 양의 과거 발전량 데이터가 존재할 때에만 수행이 가능하다는 한계점이 존재한다. 이에 본 논문은 과거 데이터가 부족한 콜드스타트 문제를 해결하기 위해 기상 유사도를 활용하여 유사한 지역의 과거 데이터를 활용하는 제로샷 학습 기반의 태양광 발전 효율 예측 기법을 제안한다. 성능 비교 결과, 제안 기법이 그러지 않은 경우보다 좋은 성능을 보였고, 그중에서도 한시간 기준 제안 기법이 가장 우수한 예측 성능을 보였다.
대규모 결측 영역에 강인한 Super Resolution 기반 Image Inpainting
http://doi.org/10.5626/JOK.2022.49.9.708
Image Inpainting은 이미지의 누락된 영역을 그럴듯한 이미지로 채우는 기법이다. 최근 딥러닝의 도입으로 인해 복원 성능이 크게 향상되었으나 누락된 영역이 클 경우, 복잡한 장면을 담고 있는 경우, 그리고 고해상도일 경우에는 부자연스러운 복원 결과를 얻는다. 본 논문에서는 고해상도 이미지보다 저해상도 이미지에서 복원이 더 잘 된다는 점을 활용하여 Super Resolution 기반의 2단계 Image Inpainting 기법을 제안한다. 첫 번째 단계에서 고해상도 이미지를 저해상도로 변환하여 복원을 수행하고, 두 번째 단계에서 Super Resolution 모델을 통해 원래의 고해상도로 복원한다. 제안하는 기법의 효과를 검증하기 위해 고해상도의 Urban100 데이터셋을 사용하여 정량 및 정성 평가를 수행하였다. 또한, 누락된 영역의 크기에 따른 복원 성능을 분석하고, 제안하는 기법이 자유로운 형태의 마스크에서 만족할 만한 복원 결과를 생성할 수 있음을 입증하였다.
단순화한 프레셋 거리를 이용한 적대적 생성 신경망의 모드 드롭 및 붕괴 검출 기법
http://doi.org/10.5626/JOK.2019.46.10.1012
적대적 생성 신경망은 두 개의 네트워크를 적대적으로 학습시켜 원본 데이터 분포를 추정하고, 이를 기반으로 데이터를 생성하는데 탁월한 모델이지만, 학습 도중 분포를 학습하지 못하는 모드 드롭 현상이나 하나 또는 매우 적은 분포의 샘플만을 생성하는 모드 붕괴 현상이 종종 나타난다. 이 현상을 감지하기 위해 기존 연구들은 학습 데이터를 통제하거나 별도의 신경망 모델을 학습시켜야 하는 한계점을 보였다. 이에 본 논문은 프레셋 거리를 단순화하여 추가적인 모델이나 학습 데이터의 제한 없이 모드 붕괴를 검출하는 기법을 제안한다. 다양한 실험을 통하여 제안하는 거리 척도가 기존의 적대적 생성 신경망에 적용된 척도에 비해 더욱 효과적으로 모드 드롭 및 붕괴를 검출할 수 있음을 보인다.
단어 특징의 의미적 보강을 이용한 트위터 뉴스 분류 기법
http://doi.org/10.5626/JOK.2018.45.10.1045
최근 많은 사람들이 트위터를 뉴스 플랫폼으로 활용하면서 많은 뉴스 기사가 끊임없이 생성되고, 기사와 관련된 다양한 정보와 의견들이 빠르게 확산되고 있다. 그러나 트위터 뉴스는 동시다발적으로 포스팅되기 때문에 사용자가 원하는 주제의 기사를 선별하여 보기가 어렵다는 문제가 있다. 이를 위해, 트위터 뉴스를 주제별로 분류하기 위한 기계 학습과 딥러닝 기반의 다양한 연구들이 진행되었다. 하지만 통상적인 기계 학습 기법은 트위터 뉴스를 임베딩하는 과정에서 데이터 희소성이나 시맨틱 갭의 문제가 발생할 수 있으며, 딥러닝 기법은 많은 양의 데이터를 필요로 한다. 이러한 단점을 개선하기 위해, 본 논문에서는 적은 양의 데이터로도 데이터 희소성과 시맨틱 갭 문제를 해결할 수 있는 방법으로, 단어 특징의 의미적 보강을 이용한 트위터 뉴스 분류 기법을 제안한다. 구체적으로 먼저, 벡터 공간 모델을 이용하여 수집된 트위터 뉴스 데이터의 특징을 추출하고, DBpedia Spotlight를 통해 DBpedia의 자원과 온톨로지 정보를 반영하여 추출된 특징을 보강한다. 보강된 특징 단어 집합을 이용하여 다양한 기계 학습 기법 기반의 주제별 분류모델을 구성하고, 다양한 실험을 통해 제안하는 모델이 기존의 기법들보다 더 효과적임을 보인다.
유사 시계열 데이터 분석에 기반을 둔 교육기관의 전력 사용량 예측 기법
http://doi.org/10.5626/JOK.2017.44.9.954
안정적인 전력 공급은 전력 인프라의 유지 보수 및 작동에 매우 중요하며, 이를 위해 정확한 전력 사용량 예측이 요구된다. 대학 캠퍼스는 전력 사용량이 많은 곳이며, 시간과 환경에 따른 전력 사용량 변화폭이 다양하다. 이러한 이유로, 전력계통의 효율적인 운영을 위해서는 전력 사용량을 정확하게 예측할 수 있는 모델이 요구된다. 기존의 시계열 예측 기법은 학습 시점과 예측 시점 간의 차이가 클수록 예측 구간이 넓어짐으로 예측 성능이 크게 떨어진다는 단점이 있다. 본 논문은 이를 보완하려는 방안으로, 먼저 의사결정나무를 이용해 날짜, 요일, 공휴일 여부, 학기 등을 고려하여 시계열 형태가 유사한 전력 데이터를 분류한다. 다음으로 분류된 데이터 셋에 각각의 자기회귀누적이동평균모형을 구성하여, 예측 시점에서 시계열 교차검증을 적용해 대학 캠퍼스의 일간 전력 사용량 예측 기법을 제안한다. 예측의 정확성을 평가하기 위해, 성능 평가 지표를 이용하여 제안한 기법의 타당성을 검증하였다.
