최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 연구는 드론으로 촬영한 RGB 정사영상을 딥러닝 기반 분류기를 통해 소나무 재선충 피해목을 탐색하는 방법을 제안한다. ResNet18을 백본으로 하는 패치 기반 분류기를 사용하여 94.7%의 정확도를 달성했으며, heatmap을 통해 피해목 분포 및 확산 추이를 파악할 수 있다.
Computer vision and machine learning in agriculture
UAV 및 다중분광 영상을 이용한 소나무재선충병 예찰기법 및 인공지능 자동화분석기법 개발 최종보고서(안)
나무 병해충 도감 =
Electric, electronic and control engineering
Plant virology protocols : new approaches to detect viruses and host responses
Computer applications in sustainable forest management : including perspectives on collaboration and integration
소나무재선충병 수종별 피해양상 분석 및 방제기술 개선
Neural Information Processing : 26th International Conference, ICONIP 2019, Sydney, NSW, Australia, December 12–15, 2019, Proceedings, Part V
Artificial intelligence for biology and agriculture
Object-based image analysis : spatial concepts for knowledge-driven remote sensing applications
Intelligent Computing Theories and Application : 15th International Conference, ICIC 2019, Nanchang, China, August 3–6, 2019, Proceedings, Part II
An illustrated guide to the state of health of trees recognition and interpretation of symptoms and damage
소나무재선충병 선제적 맞춤형 방제전략 및 기술 연구 : 2016~2019
9가지 사례로 익히는 고급 스파크 분석 : 현실 세계 빅데이터로 배우는 데이터 과학과 머신러닝
Energy science and applied technology : proceedings of the 2nd International Conference on Energy Science and Applied Technology (ESAT 2015), Wuhan, China, 28-30 August 2015
GIS applications in agriculture.
中國森林資源圖集
Artificial intelligence and deep learning in pathology
Handbook of neural computation
한국통신학회논문지
장예예, 유첩, 김동훈, 이솔애, 이준환Forests
Wu Z.,Jiang X.대한토목학회논문집(국문)
임언택, 도명식Journal of Forestry Engineering
Li H.,Fang W.,Li L.,Chln X.AgriEngineering
Deng X.,Tong Z.,Lan Y.,Huang Z.한국지적학회지
김성훈, 권기욱대한원격탐사학회지
김소라, 김은숙, 남영우, 최원일, 김철민Remote Sensing
Li H.,Chen L.,Yao Z.,Li N.,Long L.,Zhang X.Forests
Zhu X.,Wang R.,Shi W.,Yu Q.,Li X.,Chen X.Nongye Jixie Xuebao/Transactions of the Chinese Society for Agricultural Machinery
Xu X.,Tao H.,Li C.,Cheng C.,Guo H.,Zhou J.Ecological Indicators
Chen Y.,Yan E.,Jiang J.,Zhang G.,Mo D.한국지적정보학회지
박정일, 이문석, 최승영Journal of Forestry Research
Zhou H.,Yuan X.,Zhou H.,Shen H.,Ma L.,Sun L.,Fang G.,Sun H.Remote Sensing
Iordache M.D.,Mantas V.,Baltazar E.,Pauly K.,Lewyckyj N.대한원격탐사학회지
이정빈, 김은숙, 이승호Horticultural Science and Technology
Hyun-Jung Kim; Hyun Kwon Noh; Tae Hwan KangREMOTE SENSING
Qin, Jun; Wang, Biao; Wu, Yanlan; Lu, Qi; Zhu, HaochenInternational Journal of Applied Earth Observation and Geoinformation
Yu R.,Luo Y.,Zhou Q.,Zhang X.,Wu D.,Ren L.Remote Sensing Applications: Society and Environment
Xiaocheng Zhou; Huageng Zeng; Pai Wang; Chongcheng Chen; Hao Wu대한공간정보학회지
이대권; 박상인; 이현직전선 / 대학원
다양한 딥러닝 신경망(CNN 등) 알고리즘을 치과영상(파노라마 영상, 구내 영상, CEP 영상 및 콘빔CT(CBCT) 영상)에 적용하여 자동적 영역분할, 치과질환의 자동적 탐지 및 분류하는 방법을 실습함. 치과영상 데이터의 annotation 방법, 신경망 학습, 테스트 및 모델의 성능분석 등을 디지털 치과 데이터를 실제 컴퓨터 서버에 탑재하고 실습하여, 학생 스스로 딥러닝을 이용하여 치과영상을 분석할 수 있는 능력을 제공함. Getting Started with Deep Learning Using PyTorch Building Blocks of Neural Networks Diving Deep into Neural Networks Fundamentals of Machine Learning Deep Learning for Computer Vision Deep Learning with Sequence Data and Text Generative Networks전선 / 대학원
대상지의 환경 상태를 과학적으로 진단하고 정확하게 평가하는 것은 더 나은 환경계획 수립을 위한 선결조건이다. 최근에는 다양한 환경모니터링 기술의 발전과 함께, 보다 높은 시공간적 스케일에서 양질의 환경자료를 보다 효율적으로 취득하는 것이 가능해지고 있다. 또한 다양한 환경분야에서 서로 다른 목적과 강도로 수집된 자료들 또한 빅데이터 기술을 통해 융합, 분석됨으로써 환경평가에 활용하는 것이 기대되고 있다. 본 수업에서는 이러한 생태환경을 구성하는 다양한 생물적, 비생물적 인자들에 대한 모니터링 방법론과 기술들을 소개하고, 워크숍을 통해 그 효용성과 한계를 토론하는 시간을 가진다. 이를 통해 수강자들은 환경자료에 대한 이해를 높이며, 이를 바탕으로 보다 합리적인 환경평가방법을 고민하게 된다.전선 / 대학원
다양한 딥러닝 신경망(CNN 등) 모델을 이용하여 치과영상(파노라마 영상, 구내 영상, CEP 영상 및 콘빔CT(CBCT) 영상)에서 정상 해부학적 구조물의 자동적 영역분할, CEP 계측점 자동적 탐지, 및 다양한 치과질환의 자동적 탐지 및 분류하는 딥러닝 모델과, 3D 치과 데이터에서 자동적 탐지, 분할과 분류하는 딥러닝 모델의 원리와 구조에 대해 수업함. 인공신경망과 딥러닝 소개 컴퓨터 비전을 위한 심층 컨볼루션 신경망 소개 딥러닝을 이용한 의료 및 치과영상 감지 및 인식 딥러닝을 이용한 의료 및 치과영상 분할 딥러닝을 이용한 의료 및 치과영상 등록 딥러닝을 이용한 컴퓨터 지원 진단(CAD)전선 / 학사
본 교과목은 실험 데이터를 모아 놓은 데이터베이스 및 데이터의 해독에 필요한 프로그램에 대한 수요에서 비롯된 것으로 인간 및 동물의 게놈염기배열 정보를 바탕으로 생명현상을 이해하는 학문이다. 따라서 본 교과목에서는 유전적 표지인자를 이용 한 동물분자육종, 사람의 유전정보를 바탕으로 동물의 종간 비교지도작성, 단일 염기다형(SNP)의 해독기술, 특정 염색체영역에 있는 유전자 및 질병의 검색 및 Lab informatics 등에 대하여 강의한다.전선 / 대학원
스마트시티는 다양한 기관 및 시설로부터 수집된 데이터를 활용하여 실시간 변화를 예측하고 효율적으로 도시 서비스를 제공하는 미래형 도시모델이다. 또한 빅데이터 분석은 방대한 데이터 속에서 신속하게 패턴을 인식하고 새로운 가치를 찾아내는 과정으로써 스마트시티 계획 및 운영에 반드시 필요한 기술이다. 본 강의는 도시 빅데이터 분석에 필요한 지식 및 기술을 학습하는 입문과정이다. 스마트시티공학을 전공하는 학생들에게 빅데이터의 개념 및 구조를 이해하고 도시데이터 분석에 필요한 통계기법, 프로그램, 모델링 등을 학습할 수 있는 기회를 제공함으로써 미래도시 고도화 기반을 마련하고 지능형 도시에 최적화된 전문가를 육성하고자 한다.전선 / 대학원
지상촬영 위성 센서를 중심으로 그 활용범위를 살펴보고 실제로 컴퓨터처리 과정을 통하여 토지이용 분류, 삼림, 토질조사, 농업 등에의 활용능력을 배양한다.전선 / 학사
본 강의에서는 학생들이 산림 조사 및 생태 자료를 수집, 분석하는 종합적인 능력을 키울 수 있도록 기초통계, 샘플링, 실험설계, 사회통계, 산림경관 관련 자료 해석 등을 다룬다. 이 교과목에서는 산림과학 학생들에게 산림에서 보는 통계자료 해석과 수학적 분석의 실질적인 지식과 이해, 그리고 보전과 필요한 설계에 대한 적절한 의사결정력을 도우면서 동시에 문제 해결 방법론으로 산림에서 접하는 실질적인 연구에서 수집된 자료를 다루면서 분석능력을 키우고자 한다. 학생들은 R과 같은 통계프로그램, 엑셀, 데이터베이스, 기타 응용프로그램을 통해 문제를 해결하는 방법을 터득하는 것을 목표로 한다.전선 / 대학원
인지과학 연습 1의 내용을 보다 확장하여 인지과학의 연구사, 연구주제등을 다각도로 검토하여 과정에 진입한 학생들에게 인지과학의 기초적 지식배경을 제공하는데 목적이 있다.전선 / 대학원
경관은 도시와 농촌의 지질, 토양, 수계, 식생, 야생동물과 토지이용의 시스템이다. 우리는 경관을 요소별로 나누어 이해할 수도 있고. 시공간에서 구조를 지니는 하나의 시스템으로서 상호관계의 측면에서도 연구할 수 있다. 경관은 생태계의 시스템으로 기능한다. 식생과 토양이나 물과 도시경관 사이에 관련성이 있기에 일관성을 인식하는 것은 공간을 인식하게 한다. 경관이 읽기 쉬울 때, 그것은 개인과 커뮤니티의 지속가능성에 기여한다. 그러므로 경관의 시스템적인 분석은 자연 생태 계획이나 사회적, 문화적, 심리적 건강성 향상을 계획할 때 필수적이다. 강의는 매주 진행되고 경관 체계 분석에 관한 주제를 연구하고 토론한다. 토론에 참여하기 위해서, 학생들은 정해진 주제에 관한 발표를 정기적으로 준비해야 한다.전선 / 대학원
정보과학분야의 첨단 기법인 데이터마이닝과 머신러닝에 대한 이론을 학습하고 상업용패키지를 이용하여 농업분야응용에 대해 실습하며, 농업분야의 필요한 알고리즘을 개발하는 학습기회를 제공한다. Decision Tree, Probabilistic Machine Learning, Baysian Classifier, Neural Nets, Support Vector Machine, K--NN, Boosting, K--Means and Hierarchical Clustering, Reenforcement Learning 등에 대한 이론적 연구와 농업분야의 응용을 상업적 패키지를 이용하여 학습하고, 농업분야를 위한 알고리즘의 개발에 대해 실습한다.전선 / 대학원
본 강좌에서는 신호처리 분야의 최신 이슈와 연구물에 대해 다루고 있다. 각 강좌마다 다른 문제를 다루고 있다.전선 / 대학원
본 강좌는 다양한 머신러닝기법을 활용한 기후환경데이터 분석 방법을 소개한다. Linear regression, Logistic regression, Support Vector Machine (SVM), Random Forest, XGBoost, LightGBM 등과 같은 지도 학습 기법에 더불어,K-mean clustering, Principal Component Analysis, Singular Value Decomposition,Self-Organizing Map (SOM) 등의 비지도 학습 머신러닝 기법들의 구동 원리를 파악할 수 있는 이론 강의와, 이 중 일부를 활용한 실습 과정으로 구성된다. 다양한 머신러닝 기법 기반의 데이터 분석 방법을 비교함으로서 머신러닝 기법들의 장단점을 파악할 수 있도록 한다.전선 / 대학원
컴퓨터그래픽스 전반에 걸쳐 기본적인 개념들을 설명한다. 컴퓨터 그래픽스의 기본적인 렌더링 파이프라인, 물체들을 표현하는 여러 가지 방법, 빛을 나타내는 방법, 레이트레이싱, 볼륨렌더링 등의 특수한 렌더링 방법, 그림자나 질감을 나타내는 방법에 대해서 개론 형식으로 강의한다.전선 / 대학원
이 강좌는 실험심리학에서 최근의 중요 연구들을 소개하고 인간 마음의 기본 원리를 탐색 및 논의하는 세미나이다. 우선 강의 초에 인간의 생리, 지각 및 인지 수준에서 일반이론을 소개하고 그 문제점들을 알아본다. 이 이론들에 기초하여, 이 강좌에서는 시각, 주의, 언어, 문제 해결, 인간 추리 등의 세부 주세를 다룬다. 또한 이 강좌에서는 이런 주제들에 관해 실험 실습을 통해 학생들의 구체적인 이해의 증진을 시도한다.전선 / 학사
이 강의는 산림경관의 과학적인 이해와 실질적인 보전을 위한 계획 및 문제 해결을 주요 내용으로 한다. 경관생태학, 생태네트워크, 서식처 모델링, 보호지역 갭분석 등 기존 보전계획의 이론과 방법, 원리 등을 이해하고 이러한 이론들이 우리나라의 자연·인문·사회과학적 측면을 포괄할 수 있는지 검토한다. 또한 실제 산림환경 정책의 입안과 적용 등을 파악하며 기후변화 취약성 평가, 생태계서비스평가 등 정량적인 평가 및 모니터링에 대한 고찰을 통해 체계적인 보전계획 수립을 위한 다양한 시각을 갖도록 한다.전선 / 학사
연구실에서의 연구참여 활동을 통하여 전공 지식을 심화 학습한다. 각자가 원하는 연구에 참여하며 그 연구에 대한 직접적인 경험을 갖는다.전선 / 대학원
산림에 피해를 주는 요인에는 생물적 요인과 비생물적 요인으로 구분된다. 본 과목에서는 산림에 피해를 주는 생물적, 비생물적 요인에 대해 공부하고 이를 예방, 구제 또는 치유하는 이론과 방법을 공부한다. 구체적으로는 소나무재선충병, 참나무시들음병, 솔잎혹파리, 솔껍질깍지벌레 등을 비롯한 주요 산림병해충에 대한 생태 및 화학적, 생물적, 물리적, 기계적, 임업적 방제법 등에 대해 공부한다. 또한, 기후, 대기오염, 토양, 화학물질 등 비생물적 요인에 의한 산림 및 수목 피해 증상, 예방, 치료에 대하여 공부한다.전선 / 학사
본 과정에서는 머신러닝의 기초를 수업한다. 수업 초반에는 머신러닝의 기초가 되는 확률, 선형대수, 최적화, 신호처리를 간단히 리뷰한다. 중반부에서는 대표적인 머신러닝 문제인 Classification, regression, clustering을 소개하고 예시를 통하여 개념을 학습한다. 후반부에서는 스마트 제조를 위한 센싱, 공간정보구축, 로보틱스 적용의 실습을 조별로 진행한다. 독립전원으로 구동가능한 미니PC 상에 리눅스를 운용하고, ROS SLAM 등 로보틱스와 공간지능 관련 소프트웨어를 배운다. 마지막으로는 실제 센서를 함께 구동하고 직접 데이터를 취득한 후, 수업에서 학습한 머신러닝 알고리즘을 적용해보기 위한 실습을 수행한다.전선 / 대학원
스마트팜이란 정보통신기술을 적용하여 작물이나 가축의 생육 환경을 최적으로 제어·관리하는 농업 방식이다. 본 교과목에서는 스마트팜에서 재배하는 작물에 관련된 기초 지식과 실용화에 대한 내용을 강의한다. 구체적으로 스마트팜에서 발생하는 환경스트레스와 병해충의 예측 방법, 조기 진단 및 방제 기술을 소개한다. 예를 들어 병해충 발생 및 양분, 광, 수분 등의 재배 조건 변화를 감지할 수 있는 라만 분광법 및 휘발성 2차 대사물질을 감지할 수 있는 zNose 등을 이용하여 환경스트레스와 병해충을 관리하는 기술을 다룬다. 궁극적으로 스마트팜에서 재배되는 작물의 생장 및 생리적 특성에 대한 이해를 높이고 스마트팜에 적합한 작물 개발의 이론적 기초를 제공한다.전선 / 대학원
고급 확률 그래프 모형(PGM)은 많은 수의 변수가 상호작용하는 복잡한 도메인에 대한 확률 분포를 표현하는 효과적인 방법이다. 따라서 확률 그래프 모형은 의료진단, 이미지 및 음성인식, 스포츠통계, 생물정보학 등과 같은 다양한 분야에 적용되는 머신러닝 방법들의 핵심적인 역할을 한다. 이 강의는 방향성 그래프를 이용하는 베이지안 네트워크; 무방향성 그래프를 사용하는 마르코프 네트워크의 이론적 성질과 학습 방법 그리고 실제 적용 사례를 설명한다.