http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
유정석,성홍근,유재문,Yu J. S.,Sung H. G.,Ryu J. M. 한국해양환경·에너지학회 2003 한국해양환경·에너지학회지 Vol.6 No.3
해양 부유폐기물의 주요 발생원은 홍수시 육상으로부터 발생되어 해양으로 유입되는 부유쓰레기에 기인하며, 부유쓰레기가 해상으로 유입되는 것을 효과적으로 수거하는데 사용하는 것이 차단막이다. 강한 흐름이 존재하는 강이나 하천에 차단막을 설치할 때 흐름에 의한 차단막에 작용하는 항력과 장력은 흐름의 속도와 방향, 설치된 차단막의 형상, 수면아래의 차단 부의 형상에 따라 변한다. 본 논문에서는 기존 차단막에서 활용되고 있는 대표적인 형태를 대상으로 1/5, 1/10, 1/20 모델을 제작하여 개구비(gap ratio)에 따른 유속별 장력을 계측함으로서 높은 유속에 노출된 부유물 차단막에 대한 설계장력 추정법을 정립하고자 하였다. 또한 기존 이론에 의한 장력 추정법과의 상관관계를 검토하여 기존에 사용되어 오던 장력계수보다 더 큰 값을 사용하는 것이 타당함을 밝혔다. The main functions of containment boom for marine floating debris are to prevent spreading of the marine floating debris and to effectively collect the trash skimmer. The design characteristics of containment boom for marine floating debris in wave, current and wind are investigated. The response of a containment boom on the current is a function of a number of parameters, such as geometric characteristics, buoyance/weight ratio and towing velocity. To understand the relationship between these design parameters more clearly, a series of tests with three models with the variation of current speed and gap ratio was conducted. The model tests results are developed to new numerical equation that is tension prediction method of containment boom for marine floating debris. Also its is compared with open sea experimental results.
Data Augmentation 기반 운전자 감정 인식 모델의 성능 향상 실험
최준혁(Junhyuk Choi),박예은(Yeun Park),최동혁(Dong-hyuk Choi),조현보(Hyunbo Cho) 한국HCI학회 2020 한국HCI학회 학술대회 Vol.2020 No.2
인공지능이 발전하면서 딥러닝 기반의 얼굴 감정 인식 관련 연구가 활발하게 이루어지고 있다. 그러나 기존 감정 인식 모델은 주로 제한된 환경 (예: 동일한 얼굴 각도, 조도 등) 에서 수집된 데이터를 대상으로 학습 및 검증되었기 때문에, 다양한 변수가 존재하는 실제 환경에서는 정확도가 낮을 수 있다. 이에 본 논문에서는 Data Augmentation 기법을 적용한 감정 인식 모델 개발 Framework 를 제안한다. 제안 Framework 는 다음의 5 가지 단계로 나눌 수 있다. 1) 주행 환경에서 수집된 소량의 Target Data 로 Facial Landmark 를 검출한다. 2) Facial Landmark 간의 거리 및 각도를 통해 얼굴 각도의 Variation 을 추정한다. 3) 영역별 Pixel 값으로 조도의 Variation 을 추정한다. 4) 추정된 Variation 을 기반으로 Data Augmentation 정책을 추천한다. 5) 추천된 정책으로 Data 증강한다. Data Augmentation 의 효용성을 검증하기 위해, 다양한 변수가 고려된 상황에서 수집된 K-Face DB 를 대상으로 제안 모델의 정확도를 검증한다. 실험을 통해 기존의 Dataset 만 학습할 때 대비 제안된 모델의 성능이 향상된 것을 확인하였다. 향후 본 연구를 바탕으로 주행 환경이 아닌 다양한 환경에서도 적용 가능한 Data Augmentation 정책 추천 기술에 대해 연구하고자 한다.