최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 연구는 딥러닝 기반 검출 모델을 이용하여 비디오 이미지 내 대상체를 의미별로 분류하는 방법을 구현하고, 기존 검출 모델의 구조 개선을 통해 유사 물체의 인식 및 분류 성능을 향상시켰습니다. 축구 경기 영상을 활용하여 실시간 분류 문제를 해결하고, HSV 색 공간 변환 및 조도/노이즈 환경에서의 최적화를 통해 실시간 환경에서의 인식 모델 활용성을 검증했습니다.
Object detection with deep learning models : principles and applications
Visual object recognition
Computer vision : models, learning, and inference
Shape, contour, and grouping in computer vision
파이썬과 OpenCV를 이용한 컴퓨터 비전 학습 : 컴퓨터 비전 애플리케이션을 만들기 위한 강력한 OpenCV 3와 파이썬 활용하기
Robust vision for vision-based control of motion
Three-dimensional object recognition systems
컴퓨터 비전과 딥러닝 : 텐서플로와 케라스를 사용한 전문 가이드
Domain adaptation for visual understanding
Engineering applications of bio-inspired artificial neural networks ; International Work-Conference on Artificial and Natural Neural Networks, IWANN'99, :proceedings
Challenges and applications for implementing machine learning in computer vision
Visual information systems
Recent developments in computer vision : Second Asian Conference on Computer Vision, ACCV '95, Singapore, December 5-8, 1995 : invited session papers
Optical remote sensing : advances in signal processing and exploitation techniques
Object detection and recognition in digital images : theory and practice
Computer analysis of images and patterns : 8th International Conference, CAIP'99, Ljubljana, Slovenia, September 1-3, 1999 : proceedings
Machine learning and robot perception
실전! 프로젝트로 배우는 딥러닝 컴퓨터비전 : 영상분석 이론부터 엔비디아 젯슨 나노를 활용한 자율주행 실습까지
Image Analysis and Processing – ICIAP 2019 : 20th International Conference, Trento, Italy, September 9–13, 2019, Proceedings, Part I
Signal Processing: Image Communication
Al Sobbahi R.,Tekli J.Image and Vision Computing
Solovyev R.,Wang W.,Gabruseva T.Advances in Multimedia
Hongyan Sun한국정밀공학회지
박해준; 김민영; 서준호MICROPROCESSORS AND MICROSYSTEMS
Su, YueIEEE Transactions on Multimedia
Zhu D.,Du B.,Dong Y.,Zhang L.Journal of Visual Communication and Image Representation
Dai, B.; Wang, Y.; Yao, Y.; Ye, W.; Chen, T.한국정보기술학회논문지
김병준, 서용덕Neurocomputing
Wu X.,Sahoo D.,Hoi S.C.H.ACM Computing Surveys
Zhang, X.; Han, Z.; Wang, H.; Gao, C.; Yang, Y.-H.ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE
Haruna, Yunusa; Qin, Shiyin; Chukkol, Abdulrahman Hamman Adama; Yusuf, Abdulganiyu Abdu; Bello, Isah; Lawan, Adamu한국통신학회논문지
배장훈, 박병준, 최인우, 김재원, 김민호한국산학기술학회논문지
한준수, 김종원IEEE Transactions on Multimedia
Dehui Zhu; Bo Du; Yanni Dong; Liangpei ZhangComputer Vision and Image Understanding
González, L.H.R.; Flórez, S.L.; González-Briones, A.; de la Prieta, F.International Journal of Computer Vision
Liu L.,Ouyang W.,Wang X.,Fieguth P.,Chen J.,Liu X.,Pietikäinen M.IEEE Transactions on Circuits and Systems for Video Technology
Chaojun Dong; Chengxuan Wang; Yikui Zhai; Ye Li; Jianhong Zhou; Pasquale Coscia; Angelo Genovese; Vincenzo Piuri; Fabio ScottiREMOTE SENSING
Zhang, Gaigai; Zhao, Shizhi; Li, Wei; Du, Qian; Ran, Qiong; Tao, RanComputer Vision and Image Understanding
Wang X.,Zhu Z.IEEE Transactions on Geoscience and Remote Sensing
Zhao, T.; Feng, R.; Wang, L.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
AI를 이용하여 주차장 게이트에서 번호판을 인식후 주차장 게이트를 Open/deny 하는 과정을 구현한다. 자동차 번호판을 인식하기 위해 object-detection, Text Detection, OCR, Image Captioning, Generative Model 등 다양한 컴퓨터 비전 에 사용되는 딥러닝 모델들의 개요에 대해 배우고, GPU 서버를 이용하여 이 과정들을 구현한다.전선 / 학사
원격탐사에 대한 기본이론들을 이해하고, 위성영상의 프로세싱기법과 알고리즘을 이해하므로써, 여러 활용분야에 적용가능한 능력을 배양하는데 있으며, 이를 위해 IDRISI, ERDAS, ER-Mapper 등의 영상처리용 소프트웨어 실습을 병행한다.전선 / 학사
로봇은 기술 발전과 수요 증가에 따라 공장 등의 제한된 환경에서 사람들이 생활하는 일상 환경으로 확장되고 있으며, 안전하고 효과적으로 로봇을 적용하기 위해서는 로봇이 사용되는 환경에 대한 이해가 필수적이다. 로봇 비전 과목은 카메라를 이용하여 로봇 주변의 3차원 공간 구조나 보행자, 차량 등 다양한 객체 등 로봇이 사용되는 주변 환경의 전반적인 인식에 관련된 다양한 문제와 해결방법을 학습하는 것을 목표로 한다. 다양한 컴퓨터 비전의 연구 분야 중 로봇에 관련된 카메라 모델, 자세 추정, 3D reconstruction, 딥러닝을 이용한 물체 인식 및 추적 등의 주제에 대해 기초적인 내용을 강의한다.전선 / 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
기계학습은 다양한 분야에서 점차 큰 관심을 받고 있으나, 막상 실제 데이터에 적용하여 성공적인 결과를 도출하는 데에는 많은 어려움이 따른다. 본 과목은 기계학습 기법들을 실제 문제에 적용할 때에 중요한 데이터 전처리, 피쳐 추출, 차원 축소, 클래스 불균형, 모델 앙상블 등의 주제들을 다루고, 데이터로부터 모형과 종속성을 학습하는 원리와 기법들을 소개하는 바, 특히 확률, 통계 및 최적화 이론에 기반하여 신경망 (Neural Networks), 서포트 벡터 머신 (Support Vector Machines), 은닉 마르코프 모형 (Hidden Markov Models) 및 강화 학습 (Reinforcement Learning) 기법들을 공부한다. 또한, 이들 기법을 활용하여, 다양한 시계열 데이터들을 대상으로 예측 및 분류 모델을 구현하는 프로젝트들과 데이터 기반 학습의 사례 연구들이 포함된다.전선 / 대학원
디지털 영상 처리 및 분류를 통한 원격탐사 위성영상으로부터 추출 가능한 지리정보의 효과적인 판독 및 분류 기법을 습득하고 실제 실험 프로젝트를 통하여 위성영상의 판독 능력을 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 / 학사
통계학, 인공지능, 컴퓨터공학의 도구를 총체적으로 사용하는 데이터마이닝은 기존의 과학 및 공학 분야 뿐 아니라 생산, 마케팅, 금융 등과 같은 비즈니스 분야에도 활발히 사용되고 있다. 본 강좌에서는 데이터마이닝의 기본적인 문제인 클러스터링, 분류, 연관분석 등과 해당 기법들을 소개한다. 또한, 실제 비즈니스에서 데이터마이닝이 사용되는 배경 및 사례를 공부한다. 생산, 마케팅, 금융 분야의 실제 데이터를 사용하여 마이닝을 수행하는 프로젝트를 함으로써 이들 분야에 있어서의 데이터마이닝의 특성을 이해하고 문제해결능력을 제고하고자 한다.전선 / 학사
본 과목은 학생들이 3D 인체 모델을 이용하여 입체 의복 패턴을 설계하고 가상 프로토타입을 구현하여 인체-의복-맞음새(Fit) 관계를 이해하는 데 필수적인 기술적, 실용적 기초를 제공하는 데 목적이 있다. 구체적으로, 본 과목을 통해 전통적인 2D 의복구성에 대한 이해를 기반으로 인체공학적 입체패턴을 설계하고 3D 프로토타입을 제작하여 가상환경에서 의복 맞음새를 시스템적으로 평가하고 분석하는 방법에 대해 소개하고자 한다.전선 / 대학원
생체 시스템을 해석하기 위하여 컴퓨터 내에서 모델로 구현하고, 이 모델을 통하여서 생체 시스템의 특성을 연구하는 시뮬레이션 방법 등에 대하여 공부한다. 생체시스템에서 발생하는 데이터들을 수집하고 분석하여, 이 현상을 가장 잘 나타내는 모델을 컴퓨터 내에서 구현하는 과정과 방법들에 대하여 공부한다. 도출된 모델에 대하여 모델의 입력을 변화 시켜가며 출력으로 관찰하고, 이를 실제의 데이터와 비교하여 그 차이점을 다시 모델의 수정과정으로 feedback시킨다. 도출된 모델을 이용하여 임의의 입력 변수를 가하고, 이에 대한 모델의 출력을 통하여 생체에서의 현상을 유추한다.전선 / 대학원
이 교과목에서는 비선형시스템 식별에 관련된 각종 실용적 기법들을 소개한다. 또한, 비선형 목적함수의 최적문제의 해를 구하는 각종 비선형프로그래밍기법도 소개한다. 단, 비선형궤환제어와 컴퓨터 네트워크 등에 효과적으로 사용될 수 있는 기법들에 국한하여 심도 있게 공부하고 실제 응용 예를 통하여 그 가능성을 토의한다.전선 / 대학원
패턴 인식은 데이터가 주어졌을 때 데이터에 대한 사전 지식이나 통계적 특성을 사용하여 패턴의 특징을 찾아내고 이를 사용하여 패턴을 분류하는 것이다. 데이터의 차원은 일반적으로 매우 커서 데이터를 파악하기가 매우 어렵다. 데이타가 어떤 부류에 속하는 지에 대한 사전 지식이 있을 경우에는 패턴 분류를 하는 방법으로는 Bayes 분류기, Maximum likelihood 방법, Discriminant Analysis, 신경회로망 등이 있다. 그리고 데이터에 대한 사전지식이 없는 경우에는 clustering 하는 방법을 통하여 데이터를 분류한다. 패턴 인식은 얼굴, 지문 등의 생체인식 분야에 많이 이용되고 있으며, 또한 많이 축적된 데이터로부터 새로운 지식을 찾으려하는데 사용되고 있다. 이 과목에서는 패턴 인식에서 사용하는 여러 방법을 소개하고 그 응용에 대하여 다룬다.전선 / 대학원
패턴 인식은 데이터가 주어졌을 때 데이터에 대한 사전 지식이나 통계적 특성을 사용하여 패턴의 특징을 찾아내고 이를 사용하여 패턴을 분류하는 것이다. 데이터의 차원은 일반적으로 매우 커서 데이터를 파악하기가 매우 어렵다. 데이타가 어떤 부류에 속하는 지에 대한 사전 지식이 있을 경우에는 패턴 분류를 하는 방법으로는 Bayes 분류기, Maximum likelihood 방법, Discriminant Analysis, 신경회로망 등이 있다. 그리고 데이터에 대한 사전지식이 없는 경우에는 clustering 하는 방법을 통하여 데이터를 분류한다. 패턴 인식은 얼굴, 지문 등의 생체인식 분야에 많이 이용되고 있으며, 또한 많이 축적된 데이터로부터 새로운 지식을 찾으려하는데 사용되고 있다. 이 과목에서는 패턴 인식에서 사용하는 여러 방법을 소개하고 그 응용에 대하여 다룬다.전선 / 학사
그래픽을 입체로 표현할 때 고려되어야 하는 원리와 기술들을 익혀 다양한 매체에 효과적인 입체 표현을 가능하게 하는 것을 목표로 한다. 모델링, 질감, 렌더링, 애니메이션과 같이 3D그래픽스를 구성하는 필수적인 기술들을 학습하고 매체에 최적화된 입체표현을 탐구한다.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 / 학사
본 교과목에서는 현재 여러 분야에서 적용되고 있는 지능시스템 및 관련연구의 핵심이 되는 확률적 모델링 및 추론, 통계학적 기계학습, 컴퓨터비젼, 로보틱스의 기초를 소개한다. Bayesian networks, hidden Markov models (HMM), Kalman filters, Markov decision processes 등의 확률적 모델링 및 추론방식이 소개되고 선형 regression 및classification 그리고 nonparametric 학습 방법의 기초를 습득한다. 그리고 확률적 모델, 추론방식, 학습방식들이 어떻게 컴퓨터비전 그리고 로보틱스 등의 응용분야에 적용되는지 알아본다.전선 / 학사
본 과정에서는 인공지능에 대한 개요 및 deep learning에 대해 이해하며 TensorFlow 개념 및 기초 programming 실습을 진행한다. 그리고 Deep Learning 기반 Object Detection 방법과 무인점포 개발 응용을 위한 학습 trainset 자동 생성 방법을 실습을 통해 익힌다. 또한 AI Chip이 내장된 NPU 가속기 Board와 nVidia Jetson TX2 Board를 이용하여 YOLO V3 Object Detection 실습을 진행한다. 마지막으로 nVidia CUDA를 이용한 GPU Programming 개념 및 병렬 Programming 실습을 통해 GPU 구조에 대해 배운다.전선 / 학사
본 과정에서는 인공지능에 대한 개요 및 deep learning에 대해 이해하며 TensorFlow 개념 및 기초 programming 실습을 진행한다. 그리고 Deep Learning 기반 Object Detection 방법과 무인점포 개발 응용을 위한 학습 trainset 자동 생성 방법을 실습을 통해 익힌다. 또한 AI Chip이 내장된 NPU 가속기 Board와 nVidia Jetson TX2 Board를 이용하여 YOLO V3 Object Detection 실습을 진행한다. 마지막으로 nVidia CUDA를 이용한 GPU Programming 개념 및 병렬 Programming 실습을 통해 GPU 구조에 대해 배운다.전선 / 대학원
인공 신경망을 기반으로 하는 심층 학습 (Deep Learning) 시스템들은 음성/이미지 인식, 번역, 자율 주행 등 다양한 인공지능 영역에서 광범위하게 확산되고 있으며, 관련 기술 또한 빠르게 발전하고 있는 바, 산업 전반에 걸친 시스템의 지능화를 위해, 심층 학습 모형에 대한 이해와 활용 능력이 점차 중요해지고 있다. 본 과목에서는 심층 학습의 주요 이론과 기법을 학습하는 것을 목적으로, 구체적으로 표현형 학습 (Representation Learning), 심층 피드포워드 신경망 (Deep Feedforward Networks), 합성곱 신경망 (Convolutional Neural Networks), 순환 신경망 (Recurrent Neural Networks), 심층 오토인코더 (Deep Autoencoders), 심층 생성 모형 (Deep Generative Models), 심층 강화학습 (Deep Reinforcement Learning) 기법들을 다루고, 이들을 이해하기 위한 기계학습 및 수리적 기초 이론들을 배운다. 또한, 본 과목은 심층 학습 모델을 활용하여 멀티미디어 데이터들을 대상으로 분류, 예측, 패턴 인식, 생성 모델을 구현하는 프로젝트들 및 심층 학습 응용 사례 연구들을 포함한다.