최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
Yang, Kiduk, 이종욱
2013 / Journal of Information Science Theory and Practice
문덕수, 오연주, 변희정, 이주영, 이주영, 전미선, 남궁은영, 이민영, 윤지원, 안효민, 서동수
2019 / 자폐성장애연구
데이터가 존재하지 않습니다.
loading...
본 연구는 고해상도 위성영상과 딥러닝 알고리즘을 활용하여 토지피복을 분류하고, 공간객체별 알고리즘 성능을 검증하였다. DeeplabV3+가 전체 정확도 81.7%로 가장 높았으나, 도로/건물(SegNet), 활엽수/논(U-Net) 등 공간객체별로 최적의 알고리즘 성능 차이를 확인하였다.
Handbook of neural computation
Fundamentals, Sensor Systems, Spectral Libraries, and Data Mining for Vegetation
Advances in remote sensing and GIS analysis
Deep learning for the earth sciences : a comprehensive approach to remote sensing, climate science, and geosciences
텐서플로와 케라스로 구현하는 딥러닝 3e
Translation planes : foundations and construction principles
Computer vision metrics : survey, taxonomy, and analysis
Digital Ecosystem for Innovation in Agriculture
밑바닥부터 시작하는 딥러닝 파이썬으로 익히는 딥러닝 이론과 구현
밑바닥부터 시작하는 딥러닝 : 파이썬으로 익히는 딥러닝 이론과 구현
Deep learning for remote sensing images with open source software
Artificial Intelligence for Communications and Networks : Second EAI International Conference, AICON 2020, Virtual Event, December 19-20, 2020, Proceedings
Innovations in remote sensing and photogrammetry
The European information society : taking geoinformation science one step further
Field and service robotics : results of the 7th international conference
Digital image processing using MATLAB
Metaheuristics in machine learning : theory and applications
Object-based image analysis : spatial concepts for knowledge-driven remote sensing applications
드론 영상 기반 농경지 공간 정보를 활용한 생육 관리맵 생성 및 정밀농업 시스템 개발 보고서
Explainable machine learning for geospatial data analysis : a data centric approach
대한원격탐사학회지
이성혁, 이명진대한원격탐사학회지
심우담, 임종수, 이정수Environmental monitoring and assessment
Sierra S; Ramo R; Padilla M; Cobo ASCIENTIFIC REPORTS
Garg, Rajat; Kumar, Anil; Bansal, Nikunj; Prateek, Manish; Kumar, ShashiInternational Journal of Applied Earth Observation and Geoinformation
Liu M.,Fu B.,Fan D.,Zuo P.,Xie S.,He H.,Liu L.,Huang L.,Gao E.,Zhao M.IOP Conference Series: Earth and Environmental Science
Nan Li; Jianwei Ma; Shifeng Huang; He Zhu; Yayong Sun; Mengcheng HuSurvey Review
Majidi, S.; Babapour, G.; Shah-Hosseini, R.Scientific Data
Afrasiabian Y.,Lu C.,Belwalkar A.,Elsharawy H.,Song X.,Yuan Y.,Wu F.,Su X.,Van Cleemput E.,Egerer M.,Yu K.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing
Helber P.,Bischke B.,Dengel A.,Borth D.Remote Sensing
Lee S.H.,Han K.J.,Lee K.,Lee K.J.,Oh K.Y.,Lee M.J.Geocarto International
Mehra A.,Jain N.,Srivastava H.S.PFG - Journal of Photogrammetry, Remote Sensing and Geoinformation Science
Clark A.,Phinn S.,Scarth P.International Journal of Applied Earth Observation and Geoinformation
Yoo S.,Lee J.,Gholami Farkoushi M.,Lee E.,Sohn H.G.Nongye Jixie Xuebao/Transactions of the Chinese Society for Agricultural Machinery
Liu W.,Zhao L.,Zhou Y.,Zong S.,Luo Y.Engineering Applications of Artificial Intelligence
Babitha M.S.,Diana Andrushia A.,Anand N.,Naser M.Z.,Pari Y.대한원격탐사학회지
이성혁; 김진수Forests
Lee Y.,Sim W.,Park J.,Lee J.International Journal of Intelligent Systems
Huo Y.,Hui N.,Tu B.,Sun Y.Remote Sensing
Sertel E.,Ekim B.,Ettehadi Osgouei P.,Kabadayi M.E.Physics and Chemistry of the Earth
Sengan S.,Karn A.L.,Pustokhin D.A.,Pustokhina I.V.,Alharbi M.전선 / 대학원
지상촬영 위성 센서를 중심으로 그 활용범위를 살펴보고 실제로 컴퓨터처리 과정을 통하여 토지이용 분류, 삼림, 토질조사, 농업 등에의 활용능력을 배양한다.전선 / 학사
“공간정보분석1: 통계모형”의 심화과정으로 해석모형과 달리 예측모형에 초점을 둔다. 공간 패턴의 학습과 예측에 접목할 수 있는 머신러닝과 인공지능의 주요 이론과 알고리즘을 소개하며 R/Python 코딩과 사례연구를 통해 실천적 공간데이터 사이언스의 기초를 제공한다. 이 강의는 머신러닝의 학습이론, 감독학습, 무감독학습, 신경망, 앙상블 학습을 주 내용으로 하며 공간 헤도닉 모형, 공간 클러스터와 아웃라이어 패턴, 가우시언 프로세스와 공간 크리깅 내삽, 공간의사결정 등 지리학적 활용을 연습한다.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 과목에서는 고차원 데이터의 저차원 표현을 학습하기 위한 기하학적 방법을 소개한다. 미분 기하학의 기초(구체적 주제는 리만 다양체 및 Lie 그룹, 텐서, 커넥션 및 fiber 번들 포함)를 다룬 후, 고차원 데이터에 대한 기존 기계 학습 알고리즘(예: 매니폴드 러닝, 메트릭 러닝)의 기하학적 일반화 방법을 개발하여, 대칭적 구조가 존재하는 고차원 비유클리디언 데이터 문제에 적용한다. 위와 같은 방법을 구현하기 위한 효율적인 계산 알고리즘도 소개한다. 후반부에는 Ito 확률 미분 방정식의 관점에서 강화 학습과 확률 최적 제어 간의 관계를 고찰하여, 고차원 비유클리디언 데이터 강화 학습 문제에 적용 가능한 기하학적 방법도 개발한다.전선 / 대학원
본 과목은 유한 차원 및 무한 차원 벡터 공간에서의 최적화를 통합적으로 다루며, 최적화와 머신러닝 사이의 상호작용에 중점을 둔다. 최적화 알고리즘은 머신러닝의 핵심 역할을 하며 (예: 주어진 데이터셋으로부터 모델을 학습시킬 때) 동시에 고차원 최적화 문제를 풀기 위해 머신러닝 모델이 최근 많이 활용되고 있다 (예: 물리 시스템의 지배 방정식을 무한 차원 최적화 문제의 해로 재구성한 다음, 머신러닝 알고리즘을 사용하여 이에 수반되는 고차원 최적화 문제를 해결하려는 시도). 본 과목에서는 머신러닝 분야에서 필요로 하는 최적화 이론 및 알고리즘과 동시에, 복잡한 최적화 문제를 풀 수 있는 머신러닝 기법들에 대해 심도있게 다룬다.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 / 대학원
본 스튜디오는 인공지능(AI)을 조경의 핵심 설계 도구로 활용하는 것을 목표로 하는 실습 중심의 스튜디오이다. 지난 2년간 진행한 세미나 주제인「조경과 AI」에서 다루었던 이론적 논의를 확장하여, 실제 설계 프로세스 속에서 AI의 잠재력과 한계를 탐구한다. 본 수업은 인간이 직관적으로 해결하기 어려웠던 형태적·공간적 문제를 인공지능을 통해 분석하고 생성하는 과정을 실험하며, 프롬프트 설계(Prompt Design)와 룰 베이스 설계(Rule-Based Design)와 같은 개념을 핵심 학습 주제로 다룬다. 수강생들은 2차원 이미지로부터 3차원 형상을 추출하고, 형태의 특징을 기반으로 기능과 프로그램을 부여하는 과정에서 다양한 AI 도구를 활용한다. 이를 통해 인공지능을 단순한 도구가 아닌 공동 설계자(co-designer)로 이해하며, 디지털 생성 기술을 통해 새로운 형태, 패턴, 그리고 공간 경험을 제안한다. 최종적으로 AI를 활용한 설계 프로토타입 혹은 실험적 디자인 아틀라스를 제작하여, 미래 조경·도시설계의 가능성을 탐구한다.전선 / 대학원
이 교과목은 대학원생들을 대상으로, 현재 사용되고 있는 최신 암호 알고리즘을 설명한다. 이 과목은 다음과 같이 두 부분으로 구성된다: 첫째, DES, IDEA, RC5, RC6 와 같은 블록 암호 알고리즘들을 각각 키(key) 생성, 암호화, 복호화 하는 과정으로 설명한다. 둘째, 전자 서명에 근거한 다양한 인증 기법을 소개한다. DMDC, MD5, SHA-1, HMAC 와 같은 다양한 해쉬(hash) 함수를 사용하여 문장을 축약하고 인증하는 방식을 제시한다.전선 / 학사
딥 러닝의 핵심 개념, 모델 및 활용 사례를 강의한다. 강의 전반부에는 deep neural network의 정의, stochastic gradient descent, backpropagation, activation, optimization 등 딥 러닝의 핵심 개념을 강의하며, 후반부에는 convolutional neural network, recurrent neural network, generative adeversarial network, transformer 등 실제로 활용되는 딥 러닝 모델들의 특징과 활용 사례를 다룬다. 또한 각 모델들을 PyTorch를 통해 실제로 활용해볼 수 있도록 과제/프로젝트를 구성한다.전선 / 대학원
본 교과목은 막대한 시공간적 데이터를 바탕으로 예측기법을 발전시킬 수 있는 머신 러닝 기법을 중심으로, 이에 대한 이론적 기반과 사례 연구를 계량지리학적 관점에서 이해하는 것을 목표로 한다. 통계학적 머신 러닝, 최적화, 사회 및 정보 네트워크 분석, 베이지안 모델링 등 관련된 다양한 분야에 대한 지리학 분야의 방법론과 적용 방안에 대해서 학습한다.전선 / 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
본 교과목은 농산물의 수확 후 품질관리 고도화를 위해 유통 단계 중 적용될 수 있는 첨단기술 (블럭체인, 클라우드, 디지털 트랜스포메이션 등)의 적용기술을 포함하고 있으며 수송 및 유통 중인 농산물의 품질특성을 측정, 분석할 수 있는 실시간/원격 비파괴 평가기술들에 대한 내용을 포함한다. 구체적으로, 다양한 센싱정보 (영상 등)를 실시간 무선통신방식으로 수집하여 클라우드 기반의 빅데이터를 구축하고 이러한 정보를 분석할 수 있는 딥러닝 기반의 첨단기술들에 대한 구체적 방안에 대해 논의하며 프로젝트를 통해 관련기술들을 구현하도록 한다.전선 / 대학원
대학원생을 위한 교과목으로 인공지능의 핵심 기술인 딥러닝 분야의 고급 이론 및 최신 응용을 다룬다. 구체적으로는 다음과 같은 주제를 다룬다: 트랜스포머 및 메모리-오그멘티드 신경망(메모리네트워크, 뉴럴튜링머신), 생성적대망, 베리에이셔널 오토인코더, 생성플로우 등 심층생성모델; 연속학습, 소수샷학습, 도메인적응, 전이학습 등 메타러닝; 적대적학습; 자동기계학습및 하이퍼파라메터최적화; 자기지도 및 비지도 학습; 보안 및 프라이버시; 딥러닝의 최신 응용 등 - 권장 선수과목: 기계학습 및 전기정보응용(M2608.001300), 딥러닝(M2177.003100)전선 / 대학원
본 교과목은 응용 데이터사이언스 전공자를 위한 머신러닝 (machine learning)과 딥러닝 (deep learning)의 기초를 다룬다. 구체적으로, 머신러닝의 기초가 되는 이론 (확률, MLE, gradient descent, overfitting, regularization 등)과 지도학습의 기초적인 모델을 중심으로 다룬다. 딥러닝 부분에서는 뉴럴넷의 기본, backpropagation을 다룬 후, 주로 convolutional neural network의 구조와 활용을 중점적으로 다룬다. 이를 바탕으로 적용 분야에 데이터사이언스를 응용할 기틀을 마련한다.전선 / 대학원
본 강의에서는 정밀농림을 위해 필요한 GPS, 인공지능, 로봇, 드론(UAV), 센서, 무선통신과 같은 첨단 ICT 기술에 관한 전문지식을 학습하고, 국내외 농림위성을 포함하여 농업 및 임업 분야의 관련 시스템의 연구개발 사례분석을 통하여 향후 발전방향에 대해 논의한다. 수강생들은 팀별로 ICT 기술을 적용한 농림분야의 적용 사례와 연구 결과를 분석하고 이를 기반으로 전공 영역별 연구과제 제안서 발표를 수행하여, ICT 기술의 활용능력을 배양한다.전선 / 대학원
딥러닝 모델은 추상화 복잡도를 증가하면서 정보를 표현하는 여러 계층으로 이루어진 신경망으로, 최근 영상/음성/자연어 처리 등의 문제에서 다른 기계 방법론들을 크게 상회하는 뛰어난 성능을 보이고 있다. 본 과정에서는 딥러닝의 기반이 되는 기계학습 및 최적화 기법들을 배우고, 기본적인 신경망에 대해서 학습한다. 그리고 영상 처리와 자연어 처리의 핵심 모델인 Convolutional neural networks와 Recurrent neural networks의 훈련법과 추론법들을 익힌다. 또한 비감독 생성 모델인 Autoencoders와 Restrict Boltzman machines에 대해 자세히 살펴 보고 마지막으로 딥러닝 기반 강화 학습에 대해서도 학습하고 실습을 진행한다. 본 과목은 대학원생과 일부 고년차 학부생을 대상으로 한다.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 / 대학원
본 과목은 빠른 속도로 발전하고 있는 인공지능 분야에서 최근 중요 기술 및 논문들 중 선별하여 강의를 제공한다. 주요 논문과 최신기술에 관한 학습 및 논의, 팀별로 국제적 발표가 가능한 수준의 연구 프로젝트의 진행, 등을 목표로 한다. 주제는 알고리즘 분야(active learning, classification, clustering, multitask and transfer learning, stochastic methods, unsupervised learning, self-supervised learning) 및 딥러닝 분야 (adversarial networks, deep autoencoderes, generative models, optimization for deep networks, recurrent networks, supervised deep networks)를 중심으로 다루며, 각 학기마다 중점 내용이 조정된다.전선 / 대학원
본 과목은 빠른 속도로 발전하고 있는 인공지능 분야에서 최근 중요 기술 및 논문들 중 선별하여 강의를 제공한다. 주요 논문과 최신기술에 관한 학습 및 논의, 팀별로 국제적 발표가 가능한 수준의 연구 프로젝트의 진행, 등을 목표로 한다. 주제는 알고리즘 분야 (active learning, classification, clustering, multitask and transfer learning, stochastic methods, unsupervised learning, self-supervised learning) 및 딥러닝 분야 (adversarial networks, deep autoencoderes, generative models, optimization for deep networks, recurrent networks, supervised deep networks)를 중심으로 다루며, 각 학기마다 중점 내용이 조정된다.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.