韓國 民族文學論 硏究

이교혁 慶北大學校 1987 국내석사

전화망을 통한 핵심어 검출 시스템의 구현 및 계산량 감축에 관한 연구

이교혁 부산대학교 1996 국내석사

현존재 개념의 교육적 의미

이교혁 경북대학교 교육대학원 2014 국내석사

Heidegger's notion of Dasein provides implications for education in terms of exploring the possibilities to overcome some problems that education has faced. The first purpose of this study clarifies educational phenomena caused by the absence of existence in the current education system. Secondly, the study aims to offer alternatives by analysing the concept of Dasein and providing the profound understanding of the primary causes of educational issues. The conclusion of the study is followed as shown below. From the point of view of Heidegger, the current education system has shown the absence of existence, which can be understood as education has not reflected the existence of an individual student. The purpose of education also is regulated by the discourse produced by mainstream society and community. As a result, there is the gap between theory and practice, and the existence of each individual student is forgotten. Students are hardly given any opportunity to discover who they really are and to build up the self-esteem in learning. Although we live in contemporary society where various values are respected, it is hard to say that education contains a diversity of different aspects. Identification is deeply located in the education system. In solving these phenomenon caused by the absence of existence, this study analyses the concept of Dasein and this will lead us to discovering the new values in education. Dasein in Heidegger's philosophy refers to the being who questions the fundamental inquiries about its existence. Dasein is the world in which we can think about another kind of desires between us. Heidegger claims that the form of Dasein is set by its care and anxiety. Each existence consistently pursues to seek subjectivity through being concerned and anxious of its own existence. This is because Dasein is a necessarily temporal being and it can be only defined by the way it exists in the particular time. This characteristics is referred to a Zeitlichkeit. In understanding the implication of Dasein for education, Zeitlichkeit is the essential concept. It provides insight to comprehend and analyse its existence, which is a fundamental human desire. From these perspectives, the implications of Dasein for education is followed as below. The purpose of education needs to take into account the existence of students through exploring the concept of Dasein. The direction and process of education have to be designed by questioning of the existence. Education should be understood as a process that interprets the subjectivity of each individual student. It also is essential for individuals to foster the self-esteem by respecting the existence of student as various possibilities. Finally, Schools should provide the opportunities to students to find their subjectivities in the social world. They need to be a place where each student is respected, even for students with undesirable behaviors. Education should recognize differences between individual students, and school needs to be a place where students explore and discover themselves. In such schools, each student can exists as the Dasein.

NEIS 정보처리를 위한 입학사정관제 전형요소 표준화 방안

이교혁 서울시립대학교 경영대학원 2010 국내석사

국 문 초 록 2007년 처음 실시된 한국의 입학사정관제도는 학생에 대한 평가를 전인적으로 한다는 대단히 긍정적인 측면이 있음에도 불구하고 몇 가지 문제점이 나타나게 된다. 선발방법이 자율적으로 실시되다보니 대학마다 다양한 전형요소를 반영하고 있다. 또한 수시전형이라는 짧은 기간 내에 자기소개서와 추천서 외 기타 전형관련 자료를 요구하고 있다. 이 때문에 수험생이나 고교교사들은 많은 어려움에 직면하고 있다. 교사의 업무 폭증, 급히 작성된 자기소개서와 추천서의 낮은 신뢰성, 심지어 추천서 대필사례 등 사교육 억제라는 사정관제 본래 취지에도 벗어나는 현상이 발생하고 있다. 이에 대해 교육정보시스템(NEIS: National Education Information System)을 활용하여 현재의 부실한 학교생활기록부에다가 입학사정관제가 요구하는 정보를 담아 온라인으로 전달된다면 상당한 사회적 비용이 절감되리라 생각한다. 문제는 정보화의 전제조건으로 각 대학별로 요구하는 다양한 질문들과, 다양한 전형요구자료를 어떻게 표준화할 것인가가 관건이 될 것이다. 따라서 본 연구는 각 대학에서 입학사정관제 학생선발에 있어서 잠재력을 측정하기 위한 요소는 무엇인지 파악하고, 이를 어떻게 범주화할 것인지 연구하여 NEIS 처리를 위한 입학사정관제 전형요소에 대한 표준화를 모색해 보았다. 연구결과, 전형요소는 동기(Motive), 활동(Activity), 계획(Plan), 환경(Environment), 자아(Identity), 학업성취(Scholastic Achievement) 6대 영역으로 표준화 할 수 있었다. 이중에서 ‘활동(Activity)의 표준화’와 ‘자아(Identity)의 표준화’, ‘학업성취(Scholastic Achievement)부분의 사고능력 표준화’가 NEIS처리에 유용한 부분임을 찾게 되었다. 이 결과는 NEIS의 교무업무시스템에서 학생부의 데이터베이스에 위의 요소를 추가하여 개편시키거나, 별도로 구축할 기본준거제공에 유용하리라 본다. NEIS에 표준화된 전형영역을 구분하고, 표준화된 전형요소에 따라 저학년부터 지속적이고 다수에 의해 관찰, 평가 기록된다면 전형자료로 객관성과 신뢰성을 담보할 수 있게 될 것이다. 또한 대학은 신속성과 공정성을 확보할 수 있으며, 교사의 입시업무 경감, 지원자의 입시비용 감소로 막대한 사회적 비용을 경감시키는 효과를 수반할 것이다. 이번 연구를 통하여 입학사정관제 정보화를 위한 기초적인 작업으로서 전형요소의 표준화를 이루어 낼 방법이 있다는 데 본 논문의 의의가 있다 하겠다. Standardization of Evaluation Criteria for Admissions Office System Using NEIS Lee, Kyo Hyeog Major of Management Information Systems Department of Business Administration The Graduate School of Business Administration The University of Seoul The Admissions Office System, which was first introduced in Korea in 2007, presented a few problems although it had a very positive aspect of enabling evaluation of applying student as a whole person. Since universities have autonomy in selecting evaluation methods, they use various different criteria. They also ask students to submit personal statement, letter of recommendation and other documents within a short period of time set for special admissions. Applicants and high school teachers face a number of difficulties. At the same time, many problems seem to emerge including surging workloads for high school teachers, low reliability of personal statements and letters of recommendation which are usually prepared in a rush. Even worse is the ghostwriting of recommendation letters, which offset the very purpose of the Admissions Office System, which is to curb negative side effects of private education. Against this backdrop, this study explored a method of utilizing NEIS (National Education Information System) to send additional information required by the Admissions Office System by adding them to the currently insufficient school attendance and activities records. This method will save considerable amount of social expenditures. The key issue in this regard is how to ssufficiene various questions and evaluation materials as a precondition that each university requires. This study explores the possibility of ssufficiening evaluation cnd activof the Admissions Office System for NEIS process by looking into the cnd activand categories that each university uses to evaluate the potential of a student. The study result shows that evaluation criteria can be standardized into 6 areas of Motive, Plan, Environment, Identity and Scholastic Achievement. It also shows that the 'Standardization of Activity, 'Standardization of Identity' and 'Standardization of Thinking Ability in Scholastic Achievement' are useful among them in NEIS process. This study result will be useful in restructuring the database of the school attendance and activities records within the academic operation system of NEIS or in providing basic reference, which is to be established separately. If the standardized evaluation criteria are distinguished within NEIS and the students are observed, evaluated and recorded continuously from the first year in school in accordance with the standardized evaluation criteria, the information will guarantee objectivity and reliability as evaluation material. Universities can benefit from securing promptness and fairness of evaluation, while the workloads of high school teachers are reduced and huge social expenditures slashed due to lower application fee. This paper is significant in that a method to standardize evaluation criteria is found as a preliminary work to computerize the Admissions Office System. Keyword : Admissions Office System, Criterion, Standardization, Common Application

Selective optical character segmentation and recognition based on machine learning

이교혁 Graduate School, Yonsei University 2021 국내박사

본 연구에서는 모바일 기기를 이용하여 획득한 가스 계량기 사진을 서버로 전송하고, 이를 분석하여 가스 사용량 및 계량기 기물 번호를 인식함으로써 가스 사용량에 대한 과금을 자동으로 처리할 수 있는 기계학습 기반의 문자열 인식 기술 구조 및 응용 시스템 구조를 제안하고자 한다. 일반적으로 이미지 내에는 많은 종류의 문자 정보가 포함되어 있으나, 본 연구의 응용 분야인 가스계량기 자동 검침과 같이 많은 종류의 문자 정보 중 특정 형태의 문자 정보만이 유용한 분야가 존재한다. 본 연구의 응용분야 적용을 위해서는 가스 계량기 사진 내의 많은 문자 정보 중에서 관심 대상인 기물 번호 및 가스 사용량 정보만을 선별적으로 검출하고 인식하는 관심 문자열 인식 기술이 필요하다. 관심 문자열 인식을 위해 CNN (Convolutional Neural Network) 심층 신경망 기반의 객체 검출 및 객체 분할 기술을 적용하여 이미지 내에서 가스 사용량 및 계량기 기물 번호 문자열 영역 정보를 추출하고, 추출된 문자열 영역 각각에 CRNN (Convolutional Recurrent Neural Network) 심층 신경망 기술을 적용하여 문자열 전체를 한 118 번에 인식하였다. 본 연구에서 제안하는 관심 문자열 기술 구조는 총 3개의 심층 신경망으로 구성되어 있다. 첫 번째는 관심 문자열 영역을 검출하는 합성곱 신경망이고, 두 번째는 관심 문자열 영역 내의 문자열 인식을 위해 영역 내의 이미지를 세로 열 별로 특징 추출하는 합성곱 신경망이며, 마지막 세 번째는 세로 열 별로 추출된 특징 벡터 나열을 문자열로 변환하는 시계열 분석 신경망이다. 문자열 영역 추정을 위해 객체 검출 및 객체 분할 기술을 모두 적용하였으며, 두 가지 방식의 특징 및 성능 차이를 제시하고, 성능 차이의 원인에 대한 분석 결과를 제시하였다. 문자열 인식 성능은 IoU (Intersection of Union) 및 precision 성능 지표와 밀접하게 연동되며, recall 성능 지표는 앞선 두 가지 지표 대비 상대적으로 문자열 인식 성능과의 연관성이 약하다. 즉, 문자열 인식 성능 향상을 위해서는 IoU 및 precision 성능 지표를 향상시켜야 하며, 객체 분할 기술을 적용할 경우 객체 검출 기술 대비 더 우수한 IoU, precision 및 문자열 인식 성능을 얻을 수 있다. 객체 분할을 위하여 skip path, dilated convolution 및 feature concatenation 기술을 적용한 심층 신경망 기술을 제시하였다. 관심 문자열은 12자리 기물 번호 및 4 ~ 5 자리 사용량이며, 객체 분할 기술을 적용하는 것이 객체 분할 기술을 적용하는 것 보다는 우수한 성능을 보였으며, 기물 번호 및 사용량 문자열의 최고 인식 정확도는 각각 0.980, 0.999 였다. 전체 27,120 장의 이미지 데이터를 사용하였다. 이 중 22,985 장의 이미지를 훈련 및 검증 용으로 사용하였는데, 훈련용과 검증용의 데이터 비율을 8:2로 지정하여 각 반복 훈련 마다 무작위로 데이터를 혼합하여 학습 데이터의 다양성을 확보할 수 있도록 하였다. 테스트 데이터는 총 4,135 장의 이미지로 구성되었으며, 기울어짐 없이 평행하고, 관심 문자열의 크기가 크고, 잡음이 첨가되지 않았고, 빛 반사가 없는 상태에서 촬영되어 육안으로 확인 시 뚜렷이 식별할 119 수 있는 normal 이미지, 계량기가 이물질에 오염되었거나 촬영 시의 손 떨림 등에 의해 이미지에 잡음 신호가 포함된 noise 이미지, 계량기 일부분에 빛 반사가 포함된 reflex 이미지, 멀리서 촬영하여 문자열 영역 크기가 작은 scale 이미지 및 촬영 시 모바일 기기를 기울여서 찍음으로 인해 이미지가 기울어진 slant 이미지로 구분하였다. 전체 시스템은 Amazon Web Service 에서 제공하는 클라우드 환경에서 구현하였으며 인텔 제온 E5-2686 v4 CPU 및 Nvidia TESLA V100 GPU를 사용하였다. 1일 약 23만 건의 검침 요청을 고속 병렬 처리하기 위해 마스터-슬레이브 소프트웨어 구조를 채용하였다. 마스터 프로세스는 CPU 에서 구동되며, 모바일 기기로부터의 검침 요청을 입력 큐에 저장한다. 슬레이브 프로세스는 문자열 인식을 수행하는 심층 신경망으로써, GPU 에서 구동된다. 슬레이브 프로세스는 입력 큐에 저장된 이미지를 기물번호 문자열, 기물번호 위치, 사용량 문자열, 사용량 위치 등으로 변환하여 출력 큐에 저장한다. 마스터 프로세스는 출력 큐에 저장된 검침 정보를 모바일 기기로 전달한다. 모바일 기기는 일반인들이 사용하는 스마트 폰에 준하는 기기를 사용하였으며, 획득한 이미지는 가스 공급사의 사설 LTE 망을 통해 서버로 전송된다. 서버에서는 전송 받은 이미지를 분석하여 가스 계량기 기물 번호 및 가스 사용량 정보를 추출하고, 사설 LTE 망을 통해 분석 결과를 모바일 기기로 회신한다. This research suggests a selective optical character recognition technology architecture based on deep neural network and an application system architecture which provides accurate, fast and efficient automatic gasometer reading function. The system captures gasometer image using mobile device camera, transmits the image to a cloud server on top of private LTE network, and analyzes the image to extract character string information of device ID and gas usage amount by selective optical character recognition based on deep neural network technology. In general, there are many types of character string in an image and optical character recognition technology extracts all character information from an image. But some applications must ignore non-of-interest types of character string and only need to focus on some specific types of character strings. For example, automatic gasometer reading system only vii need to extract device ID and gas usage amount character string information from gasometer images to estimate charge on usage and to send bill to users. Non-of-interest character strings, such as device type, manufacturer, manufacturing date, specification and etc., are not valuable information to the application. Thus, the application has to analyze point of interest region and specific types of character string to extract valuable information only. A CNN (Convolutional Neural Network) based RoI (Region of Interest) character string is predicted and optical character recognition was processed with CRNN (Convolutional Recurrent Neural Network) technology which only analyze point of interest region for selective character information extraction. 3 types of neural networks are designed for selective optical character recognition. The first is a CNN which detects point of interest region of gas usage amount and device ID string information, the second is another convolutional neural network which transforms spatial information of point of interest region to spatial sequential feature vectors, and the third one is bi-directional long short term memory network which converts spatial sequential information to character strings using time-series analysis mapping from feature vectors to character strings. Object detection and object segmentation technologies are adopted for prediction of selective optical character strings and performance difference of 2 types of approach were presented. Optical character recognition accuracy is strongly correlated with IoU (Intersection of Union) and precision performance index. Comparing to IoU and precision, recall performance index does not put impact on accuracy viii index relatively. In this research, point of interest character strings are device ID and gas usage amount. Device ID consists of 12-digit string number and consists of 4 ~ 5-digit string number. All system components are implemented in Amazon Web Service Cloud with Intel Zeon E5-2686 v4 CPU and NVidia TESLA V100 GPU. The system architecture adopts master-slave processing structure for efficient and fast parallel processing coping with about 230 thousand requests per day. Mobile device captures gasometer image and transmits to master process in AWS cloud. Master process runs on Intel Zeon CPU and pushes reading request from mobile device to an input queue with FIFO (First In First Out) structure. Slave process consists of 3 types of deep neural networks which conduct character recognition process and runs on NVidia GPU module. Slave process is always polling the input queue to get recognition request. If there are some requests from master process in the input queue, slave process converts the image in the input queue to device ID character string, gas usage amount character string and position information of the strings, returns the information to output queue, and switch to idle mode to poll the input queue. Master process gets final information form the output queue and delivers the information to the mobile device. This research used total 27,120 gasometer images for training, validation and testing of 3 types of deep neural network. 22,985 images were used for training and validation, 4,135 images were used for testing. Test images were categorized into 5 types (Normal, noise, reflex, scale and slant). Normal data is clean image data, noise means image with ix noise signal, reflex means image with light reflection in gasometer region, scale means images with small object size due to long-distance capturing and slant means images which is not horizontally flat. Maximum selective optical character recognition accuracy of device ID and gas usage amount were 0.998 and 0.999.