최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 논문은 단안 SLAM 시스템의 스케일 드리프트 문제를 해결하기 위해 딥 러닝 기반 CNN을 활용한 시스템을 제안합니다. CNN을 사용하여 미리 정의된 객체의 이미지를 학습하고, 이를 통해 차량과 객체 간의 절대 거리를 측정하여 스케일 드리프트 문제를 해결합니다. 제안된 시스템은 다양한 실험을 통해 성능을 검증했습니다.
Mapping, planning and exploration with Pose SLAM
자율주행을 위한 비주얼 슬램 : 이론에서 실습까지
Introduction to Visual SLAM : from theory to practice
Deep learning for remote sensing images with open source software
케라스로 배우는 신경망 설계와 구현 : CNN, RNN, GAN, LSTM 다양한 신경망 모델 설계와 구현
Image technology : advances in image processing, multimedia and machine vision
실전! 프로젝트로 배우는 딥러닝 컴퓨터비전 : 영상분석 이론부터 엔비디아 젯슨 나노를 활용한 자율주행 실습까지
파이썬으로 구현하는 고급 머신 러닝 : 딥러닝을 포함한 최신 고급 머신 러닝 기술과 파이썬 활용
3D robotic mapping : the simultaneous localization and mapping problem with six degrees of freedom
Recent developments in computer vision : Second Asian Conference on Computer Vision, ACCV '95, Singapore, December 5-8, 1995 : invited session papers
Algorithmic foundations of robotics XII : proceedings of the Twelfth Workshop on the Algorithmic Foundations of Robotics
Neural Information Processing : 26th International Conference, ICONIP 2019, Sydney, NSW, Australia, December 12–15, 2019, Proceedings, Part V
Algorithmic foundations of robotics VIII : selected contributions of the eighth international workshop on the algorithmic foundations of robotics
Robot navigation from nature : simultaneous localisation, mapping, and path planning based on hippocampal models
Computer Vision – ECCV 2022 : 17th European Conference, Tel Aviv, Israel, October 23–27, 2022, Proceedings, Part XXVIII
Communication and architectural support for network-based parallel computing : First International Workshop, CANPC'97, San Antonio, Texas, USA, February 1997 : proceedings
Underwater SLAM for structured environments using an imaging sonar
Database Systems for Advanced Applications : 24th International Conference, DASFAA 2019, Chiang Mai, Thailand, April 22–25, 2019, Proceedings, Part II
Deep learning using MATLAB : neural network applications
텐서플로와 케라스로 구현하는 딥러닝 3e
IEEE Transactions on Multimedia
Luo H.,Gao Y.,Wu Y.,Liao C.,Yang X.,Cheng K.T.IEEE Transactions on Multimedia
Gong X.,Liu Y.,Wu Q.,Huang J.,Zong H.,Wang J.Neurocomputing
Tian G.,Liu L.,Ri J.H.,Liu Y.,Sun Y.한국자동차공학회 논문집
임동선, 유진우IEEE Transactions on Industrial Electronics
Li R.,Wang S.,Gu D.IEEE Sensors Journal
Jin Y.,Yu L.,Chen Z.,Fei S.IEEE Transactions on Instrumentation and Measurement
Ban X.,Wang H.,Chen T.,Wang Y.,Xiao Y.IEEE Sensors Journal
Li Z.,Yu L.,Pan Z.Machine Vision and Applications
Jianjun Yao; Yingzhao Li; Jiajia LiMeasurement: Journal of the International Measurement Confederation
Li G.,Yu L.,Fei S.Journal of Institute of Control, Robotics and Systems
Jeong Oog LeeJournal of Intelligent and Robotic Systems: Theory and Applications
Zhang X.,Wang L.,Zhao Y.,Su Y.MEDICAL IMAGE COMPUTING AND COMPUTER ASSISTED INTERVENTION - MICCAI 2019, PT V
Ma, Ruibin; Wang, Rui; Pizer, Stephen; Rosenman, Julian; McGill, Sarah K.; Frahm, Jan-MichaelSensors (Switzerland)
Huang K.,Qu X.,Chen S.,Chen Z.,Zhang W.,Qi H.,Zhao F.IEEE Access
Hu Z.,Chen J.,Luo Y.,Zhang Y.IEEE Transactions on Emerging Topics in Computational Intelligence
Mingozzi A.,Conti A.,Aleotti F.,Poggi M.,Mattoccia S.Neurocomputing
Ye X.,Ji X.,Sun B.,Chen S.,Wang Z.,Li H.International Journal of Computational Intelligence Systems
Zhou D.,Luo Y.,Zhang Q.,Xu Y.,Chen D.,Zhang X.Journal of Physics: Conference Series
Ruojing Song; Han Zhang; Yutong Yao; Dastagir AhmedJournal of Sensors
Martínez-Díaz, S.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
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 / 학사
4차 산업혁명의 핵심기술인 인공지능(딥러닝)의 배경지식과 활용방법을 습득하며, Convolutional Neural Networks 와 Recurrent Neural Networks 에 관한 지식과 활용법을 실습한다. 딥러닝 기본개념, Stochastic Gradient Descent, backpropagation 기법, 초기화기법, regularization 기법, 콘볼류션신경망(CNN), CNN 구조, 반복신경망(RNN), RNN의 응용, 강화학습을 다룬다. 이론은 기존 머신러닝과목에서 다루므로, 이론보다는 실용적 적용능력을 배양하기 이해 딥러닝 관련 소프트웨어 교육을 강조하며, Python에 관한 강의와 실습, Python 수학 라이브러리 numpy에 강의도 실시한다. 또한 Advanced deep learning library인 Tensorflow에 대한 강의와 실습도 병행한다.전필 / 학사
첨단융합학부 학생의 전공탐색을 위한 과목으로, 융합데이터과학의 핵심 개념과 다양한 응용 분야를 소개하여 향후 전공선택에 필요한 필수적인 정보를 제공한다. 특히, 융합데이터과학 분야에서 진행되는 첨단연구와 연구의 실제 응용 사례를 직접 체험하여, 자신의 전공 적성을 좀 더 구체적으로 알아보고 설계할 수 있는 기회를 제공한다.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 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
본 과목에서는 다양한 인공 지능 (특히 머신 러닝) 및 빅데이터 분석 시스템에 대해 공부한다. 자원을 관리하는 자원 관리자, 데이터를 저장하는 분산 스토리지, 데이터 처리의 핵심 모델인 데이터 플로우 모델, 배치 분석, 인메모리 처리, 스트림 처리, SQL, 머신 러닝/딥러닝 시스템, 그래프 처리에 대해서 공부한다. 특히, 대표적인 시스템인 Spark, Beam, TensorFlow, PyTorch 등을 활용하여 실제로 해당 시스템들이 어떻게 동작하는지 깊게 공부한다. 배운 이론을 바탕으로 프로그래밍 과제와 팀별 연구 프로젝트를 수행한다.전선 / 대학원
본 과목에서는 다양한 인공 지능 (특히 머신 러닝) 및 빅데이터 분석 시스템에 대해 공부한다. 자원을 관리하는 자원 관리자, 데이터를 저장하는 분산 스토리지, 데이터 처리의 핵심 모델인 데이터 플로우 모델, 배치 분석, 인메모리 처리, 스트림 처리, SQL, 머신 러닝/딥러닝 시스템, 그래프 처리에 대해서 공부한다. 특히, 대표적인 시스템인 Spark, Beam, TensorFlow, PyTorch 등을 활용하여 실제로 해당 시스템들이 어떻게 동작하는지 깊게 공부한다. 배운 이론을 바탕으로 프로그래밍 과제와 팀별 연구 프로젝트를 수행한다.전선 / 대학원
빅데이터와 인공지능은 무인이동체의 자율적인 운행을 위한 필수적인 기술이다. 빅데이터는 인공지능의 예측 정확성을 증대시키고 사고범위를 확장하는 기반자료로서 무인이동체의 다양한 운항 및 성능자료 등이 여기에 포함된다. 인공지능 기술에 의해 시스템이 지능화하게 되면 자율화 프로세스인 OODA(Observe-Orient-Decision-Action)가 적시에 연쇄적으로 이루어지게 되어 통신 차폐와 송수신 시간 지연, 재밍 등의 제한성을 가진 무인이동체의 임무 자유도를 현격하게 증대시키게 된다. 이 교과과정에서는 대학원생이 빅데이터의 처리기법과 딥러닝에서 핵심적인 요소인 신경망과 CNN(합성곱 신경망)을 학습하여 인공지능의 기본 원리와 적용을 이해하게 된다. 이를 통해 무인이동체의 자율화의 통제수준을 인지하고 자율화의 현 수준과 발전방향을 이해하여 가능한 임무를 선택하고 운영개념을 작성할 수 있는 지식과 식견을 가지게 될 것이다.전선 / 대학원
주어진 지식과 경험을 바탕으로 앞으로 주어질 작업을 효율적이고 체계적으로 수행할 수 있는 컴퓨터 프로그램 개발에 많은 연구가 계속되어 오고 있다. 이러한 연구의 핵심 분야인 기계 학습(Machine Learning)에 관한 강의로써 현재까지 발표된 대표적인 연구 논문들을 중심으로 이론 및 알고리즘, 응용 분야 등을 설명한다.전선 / 대학원
다양한 무인시스템의 경로 계획과 임무 판단에 관한 기법을 학습한다. 특히 시스템의 특성을 고려한 모션 계획, 모션에 대한 구속 조건, 충돌 회피 경로의 계산, 모델예측제어 등의 제어 기법과 학습 알고리듬의 모션 계획 문제에의 응용, 임무 수행을 위한 판단 기법, 그리고 이와 관련된 최적화 기법 및 다중개체시스템의 모션 계획 문제로의 확장 등에 대해 배운다. 수강생들은 다양한 모션 계획 알고리듬을 구현, 구동해봄으로써 실제 시스템에 적용할 수 있는 능력을 기르고, 관련 분야의 최신 논문을 통해 모션 계획 기법의 발전 동향을 살펴본다.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
이 과목에서는 데이터를 분석하여 유용한 정보를 추출하고 모델을 만들어 예측에 사용하는 데이터 마이닝의 중요한 알고리즘, 기반 기술, 대용량 데이터를 효과적으로 처리하는 마이닝 기술 등을 학습한다. 특히 이러한 목적을 위한 기계 학습의 실용적인 기초와 새로운 패러다임을 소개하여 여러 실제 세계 도메인 응용에 어떻게 적용하는지 학습한다.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 / 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
본 교과목에서는 선박설계를 위한 다양한 인공지능 방법을 배우고 이의 응용 사례를 살펴보는 것을 목적으로 한다. 먼저 선수 과목 등을 통해 학습한 여러 딥 러닝 기법, 즉 DFN (Deep Feedforward Network), RNN (Recurrent Neural Network), CNN (Convolutional Neural Network), 강화 학습 (Reinforcement Learning) 등의 개념을 복습한다. 이후, 설계 분야를 기본설계, 생산설계, 운항설계 등으로 구분한 뒤, 각 분야에서 인공지능이 필요한 사례를 학습한다. 기본설계에서는 도면 내 객체 및 텍스트 인식, 해기상 및 선박 소요 마력 예측 등의 사례를 살펴본다. 생산설계에서는 블록 탑재를 위한 크레인 제어 등의 사례를 살펴본다. 운항 설계에서는 영상 기반 선박 주변 장애물의 탐지 및 추적, 선박의 충돌 회피 등의 사례를 살펴본다. 끝으로 학생들은 설계 분야의 특정한 주제에 대해 인공지능을 활용한 문제 해결 방법에 대해 Term Project를 수행한다.전선 / 대학원
Shortest path, Network flow 등의 그래프 문제를 해결하는 최근에 개발된 알고리즘과 알고리즘 분야에서의 최근의 연구결과를 학습한다. 분산 시스템의 여러 모델들과 분산 시스템에서 발생하는 중요한 문제들을 해결하는 분산 알고리즘에 관하여 연구한다.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 / 대학원
이 과목에서는 자연어처리에 대한 간단한 소개와 함께, 대표적인 인공신경망 기법들이 자연어처리 어떻게 적용되는지 살펴본다. 최근 일상생활에서도 많이 쓰이는 자연어처리는 인공신경망의 성장과 함께 비약적인 발전을 보였다. 인공신경망을 이용한 딥러닝 기법은 이론적인 면뿐만 아니라, 효율적 계산과 최적화 등의 실험적인 요소가 많아 실습이 중요하다. 이 과목을 듣기 위해서는 기계학습에 대한 기본적인 이해와 파이썬, 딥러닝 모형을 사용하는 능력이 요구된다. 이 강좌는 학생들이 자연어처리의 최근 방법론을 학습하고, 실제 구현하는 능력을 배양하며, 마지막으로 최근 방법론이 가진 한계점, 미래 연구주제에 관해 탐구한다.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.