http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
호텔 종사원의 비언어적 커뮤니케이션이 고객 행동의도에 미치는 영향: 감정적 애착의 매개효과를 중심으로
진연연,민보영 한국호텔관광학회 2018 호텔관광연구 Vol.20 No.4
The purpose of this study is to identify if the hotel employees' nonverbal communication will affect customers‘ emotional attachment and if the emotional attachment will influence customers’ behavioral intention. And we will provide effective strategies to improve the performance of the hotel based on the results of the study. A questionnaire investigation on Economy Hotel was conducted in this paper. A total of 249 questionnaires were analyzed using the structural equation model. The results of this research is presented as follows: Firstly, kinesics and physical appearance of hotel staff, which belong to nonverbal communication, have a significant positive effect on customers' emotional attachment. And kinesics has a greater effect on emotional attachment. But distance has no effect on customers' emotional attachment. Secondly, emotional attachment has a significant positive effect on customers’ behavioral intention. Thirdly, kinesics and physical appearance have a significant positive effect on customers’ behavioral intention. But proxemics has no effect on customers' behavioral intention. Fourthly, the relationship between physical appearance and recommendation intention verified the media effect of emotion attachment. Therefore, it is very important to implement the right Kinesics and physical appearance because positive body language such as bright expressions and smiling, nodding, and gestures can give positive emotion to customers and attract them to the hotel.
중요도 맵과 Mean Shift 알고리즘을 이용한 와인 라벨 검출
진연연 ( Yan-juan Chen ),이명은 ( Myung-eun Lee ),김수형 ( Soo-hyung Kim ) 한국정보처리학회 2011 한국정보처리학회 학술대회논문집 Vol.18 No.1
본 논문은 중요도 맵과 Mean Shift 알고리즘을 이용하여 모바일 폰 영상 내의 와인 라벨 검출 방법을 제안한다. Mean Shift 알고리즘은 비모수적 클러스터링 기술로 클러스터의 수에 대한 사전 지식이 없이도 클러스터링이 가능한 알고리즘인데 실행 시간이 많이 필요한 단점이 있다. 이러한 문제를 해결하기 위해서 입력 칼라 와인 영상에 Saliency Map을 먼저 적용하고 영상의 두드러진 영역을 찾는다. 다음으로 Mean Shift 알고리즘을 이용한 분할 결과에서 얻은 칼라 마스크를 따라 빈도가 가장 높은 칼라영역을 찾고 와인 라벨 영역을 검출한다. 실험결과를 통하여 제안된 방법을 모바일 폰을 이용하여 획득된 다양한 와인 영상의 라벨 영역을 효율적으로 검출할 수 있음을 볼 수 있다.
Product Label Detection based on the Local Structure Tensor
Yanjuan Chen(진연연),Myungeun Lee(이명은),Soohyung Kim(김수형) 한국정보과학회 2011 한국정보과학회 학술발표논문집 Vol.38 No.1C
In this paper, we propose an approach to detect the product label for mobile phone images based on saliency map and the local structure tensor. The object boundary information can be better described by the local structure tensor than other edge detectors, and the saliency map methods can find out the most salient area and shorten the computational time by reducing the size of the orignal image. Therefore, these two methods are considered for our product label detection. The experimental results show an acceptable performance based on our proposed approach.
구조 텐서와 모폴로지 연산을 이용한 유방 MR 영상의 흉근분할
이명은 ( Myung-eun Lee ),진연연 ( Yan-juan Chen ),김수형 ( Soo-hyung Kim ),김종효 ( Jong-hyo Kim ) 한국정보처리학회 2011 한국정보처리학회 학술대회논문집 Vol.18 No.1
본 논문에서는 구조텐서와 모폴로지 연산을 이용한 유방 MR 영상에서 흉근을 제거하기 위한 분할 방법을 제안한다. 제안하는 방법은 영상의 그레디언트 정보를 나타내는 구조텐서와 복잡한 구조텐서를 평활화하기 위한 모폴로지 연산을 적용하여 영상 진단 및 영상 정합시 불필요한 흉근부분을 자동으로 분할하고자 한다. 실험결과에서 확인할 수 있듯이 정확한 분할의 결과는 향후 컴퓨터 보조 진단 시스템에 유용하게 사용할 수 있을 것으로 기대된다.
유방 MR 영상에서 비등방성 확산 방법과 구조텐서를 이용한 흉근 자동 분할
이명은(Myungeun Lee),진연연(Yanjuan Chen),김수형(Soohyung Kim),김종효(Jonghyo Kim) 한국정보과학회 2011 한국정보과학회 학술발표논문집 Vol.38 No.1C
본 논문에서는 비등방성 확산 방법과 구조텐서를 이용한 유방 MR 영상에서 흉근을 자동 분할하기 위한 방법을 제안한다. 제안하는 방법은 영상에 포함되어 있는 잡음을 제거하기 위하여 비등방성 확산 방법을 적용한 후 영상의 국부적인 기울기 정보를 잘 나타내는 구조텐서를 이용하여 영상 진단 및 영상 정합 시 불필요한 흉근 부분을 자동으로 분할하고자 한다. 실험결과에서 확인 할 수 있듯이 정확한 분할의 결과는 향후 컴퓨터 보조 진단 시스템에 유용하게 사용할 수 있을 것으로 기대된다.
볼륨영상 분할을 위한 새로운 레벨 셋 방법과 기존 방법의 성능비교
이명은,조완현,김선월,진연연,김수형,Lee, Myung-Eun,Cho, Wan-Hyun,Kim, Sun-Worl,Chen, Yan-Juan,Kim, Soo-Hyung 한국정보처리학회 2011 정보처리학회논문지B Vol.18 No.3
본 논문에서는 볼륨 의료영상 분할에 대한 기존의 레벨 셋 기법과 제안하는 방법의 성능을 비교하고자 한다. 기존의 방법들은 영역의 정보만을 이용하여 분할을 시행하므로, 영상의 종류에 따라서 정확한 분할을 못한 경우가 있다. 따라서 새롭게 제안하는 방법은 정확한 분할 결과를 위하여 영상의 객체가 가지고 있는 에지 정보와 영역 정보를 함께 이용한다. 에지 정보는 레벨 셋의 곡면이 객체의 표면에 잘 도달할 수 있도록 해주는 기울기 벡터장을 이용하고, 영역 정보는 각 영역에서 픽셀의 밝기 값을 가우시안 분포를 이용하여 통계적 모델로 적합시킴으로써 영상의 분할에 적용하였다. 또한, 곡면 주변 잡음의 영향을 최소화 시켜주는 정규화 항을 사용한다. 기존의 레벨 셋 기반의 방법들과 제안한 방법의 성능 평가를 위하여 실제 볼륨 의료영상에 대하여 다양한 실험을 실시하고, 분할된 결과의 비교를 통하여 제안된 방법의 우수성을 입증한다. In this paper, we compare our proposed method with previous methods for the volumetric image segmentation using level set. In order to obtain an exact segmentation, the region and boundary information of image object are used in our proposed speed function. The boundary information is defined by the gradient vector flow obtained from the gradient images and the region information is defined by Gaussian distribution information of pixel intensity in a region-of-interest for image segmentation. Also the regular term is used to remove the noise around surface. We show various experimental results of real medical volume images to verify the superiority of proposed method.
박상철(Sang Cheol Park),이명은(Myung Eun Lee),김수형(Soo Hyung Kim),나인섭(In Seop Na),진연연(Yanjuan Chen) 한국정보과학회 2012 정보과학회논문지 : 소프트웨어 및 응용 Vol.39 No.3
현대의학에서 효과적인 질병의 진단 및 환자의 치료를 위해 의료영상은 매우 중요한 도구이다. 또한 영상기술 발달은 더욱 정교한 의료영상 데이터를 획득 가능하게 하고 있다. 그러나 이러한 정교함의 대가로 데이터의 양은 점차 방대해지고 있어 의료영상 데이터를 인간의 시각에 의존하여 분석하는 데 어려움이 많다. 따라서 최근 십여 년 동안 기계학습은 의료영상 자동 분석에서 필수적인 역할을 수행하여 왔다. 이 논문에서는 먼저 현대의학의 눈과 같은 다양한 의료영상의 역사, 원리 그리고 응용 분야를 살펴본다. 또한, 기계학습이 다양한 의료영상에 적용되는 최근의 기법을 소개한다. 예를 들어 의료영상 분할 (segmentation), 영상 정합(registration), 컴퓨터 보조 진단 시스템(CADx, CADe), 내용기반 검색(content based image retrieval)에서 적용된 기계학습 기법인 신경망(artificial neural network), 최근거리 이웃법 (k-nearest neighbors), 유전자 알고리즘(genetic algorithm), 가우시안 혼합 모델(gaussian mixture model), 개미군집 최적화(ant colony optimization), 조건부 엔트로피(conditional entropy), 두 학습 기법의 결합 방법 등이 있다. Medical images are exceedingly important means of diagnosing a variety of diseases and treating patients in current medicine. Advance of the new imaging technologies enables them to acquisite more detailed images. However, the amount of the image data is getting too bigger to analyze the images by only human visual inspection. Thus, over the past few decades, machine learning has been performing an essential role in the automated medical image analysis. In the paper, we first overview the history, principle, and applications of various medical images thought of as eyes of current medicine. In addition, we introduce the latest techniques of machine learning applied to medical images. For examples, artificial neural network, k-nearest neighbors, genetic algorithm, gaussian mixture model, ant colony optimization, conditional entropy, and fusion of two machine learning algorithms in segmentation, registration, and content-based medical image retrieval.