총 19개
-
객체 인식 기술의 원리와 응용 분야2025.12.191. 객체 인식의 개념과 기본 구조 객체 인식은 영상에서 개별 사물을 식별하고 분류하거나 위치를 찾아내는 과정이다. 영상 전처리, 특징 추출, 분류의 세 단계로 구성되며, 초기에는 사람이 직접 특징을 설계했으나 현대 딥러닝 기반 기법에서는 모델이 자동으로 특징을 학습한다. 이는 컴퓨터비전 분야의 핵심 기술로서 이미지나 영상 속에서 특정 대상이 무엇인지 식별하는 과정을 의미한다. 2. 딥러닝 기반 객체 인식 모델의 혁신 2012년 알렉스넷 등장 이후 합성곱 신경망(CNN)이 객체 인식 분야의 판도를 바꾸었다. VGG, ResNet, ...2025.12.19
-
의료 영상 분석에서의 컴퓨터비전 활용2025.12.191. 딥러닝 기반 의료 영상 분석 합성곱 신경망(CNN)은 방대한 영상 데이터로부터 자동으로 특징을 학습하여 기존 기법을 압도하는 성능을 보여주었다. U-Net은 의료 영상 분할에 특화된 구조로 종양이나 병변의 위치를 픽셀 단위로 정밀하게 예측할 수 있다. 3차원 CNN은 CT나 MRI와 같이 다차원 데이터를 처리하는 데 효과적이며, 최근에는 트랜스포머 기반 네트워크와 자기지도학습이 적용되어 데이터 효율성을 높이고 있다. 2. 의료 영상 모달리티와 응용 엑스레이는 폐 질환, 골절 진단에 활용되며 AI가 폐결절 검출을 자동화한다. C...2025.12.19
-
컴퓨터비전의 개념과 발전 과정2025.12.191. 컴퓨터비전의 개념 및 연구 영역 컴퓨터비전은 디지털 영상이나 비디오로부터 유용한 정보를 자동으로 추출하고 분석하여 의사결정에 활용하는 기술이다. 영상 처리, 패턴 인식, 인공지능과 밀접하게 연관되어 있으며, 객체 검출, 이미지 분할, 동작 인식, 3차원 재구성 등의 연구 영역으로 나뉜다. 인간의 시각적 인지 과정을 모방하기 위해 복잡한 수학적 알고리즘과 데이터 기반 학습 기법을 필요로 한다. 2. 딥러닝 혁신과 성능 향상 2012년 AlexNet이 ILSVRC 대회에서 기존 기법을 압도하면서 컴퓨터비전은 새로운 전기를 맞이했다...2025.12.19
-
AI 오디오 파일 학습을 통한 자동 검사 모델 개발2025.11.131. LSTM 신경망 모델 RNN 모델의 Vanishing Gradient 문제를 개선한 LSTM(Long Short-Term Memory) 모델은 시계열 데이터 분석에 효과적입니다. 오디오 데이터는 시간에 따라 변하는 연속적인 신호로서 시계열 데이터이며, STFT_dB 데이터셋을 사용한 LSTM 모델이 99.0%의 정확도로 가장 우수한 성능을 보였습니다. 이 모델은 Precision 100.0%, Recall 93.3%, F1 Score 96.7%, AUC 99.6%의 평가 지표를 달성했습니다. 2. 오디오 신호 전처리 기법 원본...2025.11.13
-
딥러닝의 EEG 신호 분석에서의 활용과 CNN의 원리2025.01.141. 딥러닝 기반 EEG 분석 딥러닝 기법들은 동작상상, 감정인식 등 EEG 데이터 분류 작업에서 우수한 성능을 보인다. 딥러닝 알고리즘은 EEG 데이터 수집과 전처리, 딥러닝 모형 학습, 신호 분류 및 해석의 과정으로 구성된다. 전처리 과정에서는 입력받은 뇌파 신호를 분류하기 쉬운 형태로 바꿔주어 분류의 정확도를 높여야 한다. 2. EEG분석을 위한 딥러닝 기법 EEG 분석을 위한 딥러닝 기법에는 CNN, RNN, GAN, Autoencoder 등이 있다. 입력되는 데이터의 특징에 따라 CNN보다 RNN이 자극에 의한 변화를 인식...2025.01.14
-
CNN을 활용한 안저 이미지 기반 안과 질환 스크리닝 및 렌즈 처방 연구2025.12.211. 합성곱 신경망(CNN)의 의료 영상 분석 응용 CNN은 이미지 데이터 처리에 특화된 딥러닝 아키텍처로, 합성곱층, 풀링층, 완전연결층으로 구성됩니다. 필터를 사용하여 입력 이미지의 지역적 특징을 추출하고 특징맵을 생성하며, 비선형 활성화 함수를 거쳐 계층적으로 학습합니다. ResNet 아키텍처는 잔차연결을 통해 깊은 신경망에서의 기울기 소실 문제를 해결하여 안저 이미지의 미세한 질환 징후 포착에 효과적입니다. 2. 초기 안과 질환의 특징 및 안저 이미지 진단 당뇨병성 망막증은 망막 혈관 손상으로 미세동맥류, 망막 출혈, 경성 ...2025.12.21
-
합성곱신경망의 이미지 인식 및 응용 사례2025.12.191. 합성곱신경망(CNN)의 기본 구조 합성곱신경망은 1980년대 후반 야닉 르쿤의 LeNet에서 기원하며, 필터를 통해 이미지의 지역적 특징을 자동으로 추출한다. 합성곱 계층은 작은 행렬인 필터를 이미지에 적용하여 가장자리 검출 등의 특징을 추출하고, 풀링 계층은 특징 맵의 차원을 줄여 연산 효율성을 높인다. 이러한 구조는 인간 시각 피질의 특성과 유사하며, 이미지의 공간적 상관관계를 효율적으로 반영한다. 2. CNN 구조의 발전 과정 CNN은 LeNet에서 시작하여 AlexNet, VGGNet, GoogLeNet, ResNet으...2025.12.19
-
AI와 DL을 활용한 기업의 순환경제 전환 전략2025.11.171. Business Model Canvas (BMC) 분석 Natura와 Safa Tempo 두 기업의 비즈니스 모델을 분석한 내용입니다. Natura는 브라질 화장품 브랜드로 '스탠딩 포레스트' 철학을 통해 약 200만 헥타르의 열대우림을 보존하면서 지속 가능한 제품을 생산합니다. 주요 파트너십은 환경 단체, 지속 가능한 공급업체, 소매업체이며, 핵심 활동은 지속 가능한 R&D, 지역사회 관계 구축, 마케팅입니다. Safa Tempo는 카트만두의 전기 택시 서비스로 대기 오염 문제를 해결하며 750개의 일자리를 창출했습니다. 2...2025.11.17
-
딥러닝 기반 작물 개체 통합 시스템2025.12.131. ResNet 모델 ResNet은 Microsoft Research Institute에서 제안한 깊은 신경망으로, 152개 계층의 구조를 가지고 있습니다. 바로 가기 연결과 ID 매핑을 CNN에 추가하여 잔여 학습이라는 새로운 학습 방법을 도입했습니다. 입력과 출력을 결합하여 가중치 계층을 훈련시키는 방식으로, 단축 연결을 통해 기존 CNN과 비교하여 덧셈 계산만 추가되는 효율적인 구조입니다. 2. Faster R-CNN 모델 Faster R-CNN은 객체 검출을 위한 개선된 알고리즘으로, 기존 R-CNN의 계산 비효율성을 해결...2025.12.13
-
CNN을 이용한 이미지 분류-일반 농산물과 GMO의 구분2025.01.281. GMO 농산물 구분 연구에서는 CNN(Convolutional Neural Network)을 이용하여 일반 농산물과 GMO 농산물을 구분하는 방법을 제안하고 있습니다. 연구자는 샤인머스캣 잎과 포도 잎의 이미지를 수집하여 CNN 모델을 학습시켰고, 이를 통해 약 68%의 정확도로 GMO와 일반 농산물을 구분할 수 있었습니다. 이를 통해 소비자들이 GMO 식품 여부를 쉽게 확인할 수 있도록 하고자 하였습니다. 2. 딥러닝을 이용한 이미지 분류 연구에서는 딥러닝 기술 중 하나인 CNN을 활용하여 이미지 분류 문제를 해결하고자 하였...2025.01.28
1 / 2
