최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 연구는 차량 실내 공간에서도 사용 가능한 딥러닝 기반 차량용 AR 매뉴얼을 구현하고, 실공간과 가상 객체의 정합도를 높였습니다. 딥러닝 모델을 통해 차량 핸들 로고 및 경고등 심볼을 인식하고, 이를 기반으로 가상 버튼을 실제 차량 부품 위에 정확하게 증강하여 기능성과 활용성을 향상시켰습니다.
지능의 탄생 = RNA에서 인공지능까지
(만들면서 배우는) 파이토치 딥러닝 : 12가지 모델로 알아보는 딥러닝 응용법
파이썬 인공지능 자율주행 자동차 : 인공지능 자율주행을 체험하고 파이썬 코딩으로 심도있게 학습하기
Deep learning : a visual approach
딥러닝 부트캠프 with 케라스 =
비전 시스템을 위한 딥러닝 : 신경망을 활용한 엔드투엔드 컴퓨터 비전 애플리케이션 구축하기
구글에서 배우는 딥러닝 =
Augmented reality : 증강 현실의 기본 원칙과 구현
HCI International 2020 – Late Breaking Papers: Virtual and Augmented Reality : 22nd HCI International Conference, HCII 2020, Copenhagen, Denmark, July 19–24, 2020, Proceedings
Virtual environments '98 : proceedings of the Eurographics workshop in Stuttgart, Germany, June 16-18, 1998
클라우드, 모바일 및 에지 기반의 딥러닝 실용 가이드 : 실세계 AI 및 컴퓨터 비전 프로젝트 파이선, 캐라스 및 텐서플로우 활용
HCI International 2023 Posters : 25th International Conference on Human-Computer Interaction, HCII 2023, Copenhagen, Denmark, July 23–28, 2023, Proceedings, Part V
문과생도 이해하는 인공지능 101
Computer vision systems : first international conference, proceedings
AutoML 인 액션 : AutoKeras와 KerasTuner로 머신러닝 파이프라인 최적화하기
(실습하며 배우는) 딥러닝 입문 with Kaggle : 타이타닉 생존자 예측부터 자율주행 자동차까지
(라즈베리파이 5로 배우는) AI 인공지능 자율주행 자동차 : 만들기+데이터 수집·학습+딥러닝
자율주행차량의 비전과 행동
(스마트폰과 웹의 혁명,) 증강 현실의 모든 것
Vision and visual perception
디지털콘텐츠학회논문지
원종서, 최성호디지털콘텐츠학회논문지
원종서; 최성호Advanced Engineering Informatics
Liang Y.,Zheng P.,Xia L.감성과학
Han Zhang, 이승희Procedia Computer Science
Bran, Emanuela; Sburlan, Dragos Florin; Popovici, Dorin Mircea; Puchianu, Crenguta Mădălina; Băutu, ElenaIEEE Transactions on Intelligent Transportation Systems
Corno, M.; Franceschetti, L.; Matteo Savaresi, S.IEEE Transactions on Intelligent Transportation Systems
Rao Q.,Chakraborty S.드라이브·컨트롤
송은지; 김태윤; 김효빈; 김경호; 황성호IEEE Internet of Things Journal
Pangun Park; Piergiuseppe Di Marco; Fortunato SantucciIEEE Transactions on Intelligent Transportation Systems
Matteo Corno; Luca Franceschetti; Sergio Matteo SavaresiProceedings of the Human Factors and Ergonomics Society Annual Meeting
Dina Kandil; Joseph L. Gabbard; Nayara de Oliveira FariaInternational Journal of Human-Computer Interaction
You F.,Fu Q.,Yang J.,Chen H.,Cui W.,Wang J.Environmental Modelling and Software
Kido D.,Fukuda T.,Yabuki N.반도체디스플레이기술학회지
국중진, 원희찬, 이건희, 이학승, 한정우, 염지환International Journal of Human Computer Studies
Sun Y.,Li D.,Han S.,Lyu M.,Li F.International Journal of Human-Computer Interaction
Winkler, M.; Soleimani, M.Computers and Industrial Engineering
Park K.B.,Choi S.H.,Kim M.,Lee J.Y.Multimedia Tools and Applications
Abdi, L.; Meddeb, A.Informatics
D’Eusanio A.,Simoni A.,Pini S.,Borghi G.,Vezzani R.,Cucchiara R.Multimedia Tools and Applications
Zhang J.,Xu J.,Zhu L.,Zhang K.,Liu T.,Wang D.,Wang X.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
외부공간을 다루는 도시환경과 조경설계 분야에서 물, 바람, 빛, 식재 등은 설계에 필수적으로 반영해야하는 가변적이고 역동적인 환경 및 설계요소이다. 최근에는 외부공간에도 IoT 기술과 프로그래밍을 적용하여 환경변화에 반응하거나 상호작용이 가능한 설계요소의 도입이 증가하고 있다. 본 강좌는 가상현실(VR) 창작도구를 외부공간의 설계, 분석 및 평가도구로 활용하는 방법을 소개하고, 상호작용이 가능한 조경요소와 환경적 변화에 따른 경관을 시뮬레이션하여 설계과정에서 이를 효율적으로 활용하는 가상경관 설계기법을 탐구하는 것을 목표로 한다. 가상현실(VR)은 이용자에게 실재(實在)에 가까운 몰입형 경관의 체험을 제공하는 점에서 입체적 공간을 효과적으로 표현하고 경험할 수 있는 도구이다. 수강생들은 수업을 통해 3D 모델의 실시간 시각화가 가능한 언리얼 스튜디오(Unreal Studio)의 기본적인 공간설계기법을 습득하고, 가변적인 환경요소와 설계요소를 적용하여 HMD(Head Mount Display)를 통해 가상공간에서의 경관적 변화를 경험할 수 있다. 또한 실제 공간에서 체험할 수 있는 환경요소들을 정보화·정량화하여 가상의 공간에서의 경험을 입체적으로 분석하고, 상호작용이 가능한 조경요소의 설계방식을 실험하거나 평가하는 도구로도 활용할 수 있다.전선 / 학사
본 강좌는 가상현실·증강현실에 대한 주요 이론을 습득하고, 다양한 활용 사례들을 배우며, 실제 실습을 통해 VR/AR 환경을 구축할 수 있도록 한다. VR/AR에 대한 기본적인 지식 습득을 위해 딥러닝을 포함한 캐릭터 애니메이션 개론, 메타버스, 휴먼 팩터, 컴퓨터 그래픽스 이론, 가상현실 관련 소프트웨어 프로그램 실습, 3D 기반 모션캡쳐 등을 다룬다. 강의는 거꾸로 교육(Flipped learning) 방식으로 이루어지며, 3D 제작 플랫폼에 내장된 캐릭터 애니메이션 기본 모듈을 활용한 실습뿐 아니라 실제 VR/AR 기기를 활용한 프로젝트 위주로 진행된다. VR/AR 프로젝트를 바탕으로 과제를 부여하며 수강생은 분야별 모듈을 선택하여 참여하도록 한다. 프로젝트를 주도하고 이에 따른 문제를 해결해가는 과정에서 자기 주도적이고 동료 학습이 가능하도록 한다.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 / 학사
연구실에서의 연구참여 활동을 통하여 전공 지식을 심화 학습한다. 각자가 원하는 연구에 참여하며 그 연구에 대한 직접적인 경험을 갖는다.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 / 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 교과목은 데이터사이언스 대학원의 ABC (AI model/algorithm, Big data, Computing) 교육 과정 중 인공지능/머신러닝(A) 분야의 심화 강좌이다. 본 교과목은 데이터사이언스 전공자를 위한 머신러닝 (machine learning)과 딥러닝 (deep learning)의 심화된 내용을 다룬다. 머신러닝 토픽으로는 clustering, dimension reduction 등의 비지도학습, Bayesian networks, Markov Random Field 등의 Graphical models, 강화학습의 기초 등을 다루며, 딥러닝 토픽으로는 시퀀스 데이터를 다루는 RNN, Attention model, Transformer 모델을 이미지, 비디오, 텍스트 등 다양한 형태로 수집되는 데이터를 대상으로 다룬다. 또한 Variational Autoencoder, GAN 등의 생성 모델의 기초를 학습한다.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.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
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
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 / 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 / 학사
머신러닝 디자인(Design for Machine Learning)은 디자인을 위한 도구로 머신러닝을 활용(Machine Learning for Design)하는 것에서 나아가, 디자인 프레임 안에서 머신러닝을 이해하고, 인간중심 디자인 관점으로 사용자 경험을 탐색하여 제품인터랙션과 콘텐츠를 창작할 수 있는 능력을 배양하는 교육과정이다. 이를 위해 모듈1에서는 머신러닝 디자인 개념과 접근, 모듈2에서는 머신러닝 기반 제품인터랙션 디자인, 모듈3에서는 머신러닝 기반 디지털 콘텐츠 디자인을 학습하고 실습을 통하여 디자이너로 성장하기 위한 기초 능력을 계발할 것이다.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
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
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 / 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 / 학사
본 교과목은 기계학습과 딥러닝 기술의 학문적 기반을 바탕으로 화학생물공학 분야의 복잡한 문제 해결을 위한 기법을 익히기 위한 과목이다. 이 과목에서 지도 및 비지도 학습, 의사결정트리, 선형 회귀, 로지스틱 회귀, 신경망, 재료 개발, 열역학, 반응공학, 이동현상, 그리고 공정 최적화의 응용을 다룬다. 또한 최종 프로젝트를 통해 실제 문제를 해결하는 데 필요한 이러한 기술을 적용하는 것을 강조하며, 도메인 지식을 활용하여 효과적인 모델을 개발하는 방법을 학습할 수 있도록 유도할 예정이다. 수업의 선행 조건으로 화학생물공학의 기본적인 지식과 Python 프로그래밍 경험이 필요하며. 강의 내용을 바탕으로 학생들이 화학생물공학에서 빠르게 진화하는 인공지능 분야의 선도자가 될 수 있는 역량 강화에 목표를 둔다.