[논문]심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법

손창환

doi:10.5573/ieie.2017.54.8.81

심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법
Rain Detection via Deep Convolutional Neural Networks 원문보기

Journal of the Institute of Electronics and Information Engineers = 전자공학회논문지, v.54 no.8 = no.477, 2017년, pp.81 - 88

손창환 (군산대학교 소프트웨어융합공학과)

초록
AI-Helper

본 논문에서는 단일 영상에서 빗줄기가 포함된 영역을 검출하기 위한 빗줄기 검출 기법을 제시하고자 한다. 특히 빗줄기가 포함된 패치와 그렇지 않은 패치들을 각각 수집한 후에 지도 학습 기반으로 심층 컨볼루셔널 신경망을 훈련시키고 빗줄기 영역을 검출하는 과정에 대해 자세히 소개하고자 한다. 또한 제안한 심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법이 기존의 사전 학습 기반의 빗줄기 검출 기법과 비교해서 저주파 영역에서 빗줄기 검출 성능이 더 우수함을 보이고자 한다. 그리고 제안한 빗줄기 검출 기법을 빗줄기 제거 분야에 적용해봄으로써 기존의 사전 학습 기반의 빗줄기 검출 기법보다 저주파 영역에서 디테일한 성분을 더 정확하게 묘사할 수 있음을 보여주고자 한다. 부가적으로 본 논문에서는 원본 영상에 빗줄기 패턴을 삽입하여 비가 내리는 시각적인 효과를 줄 수 있는 빗줄기 천이 기법에 대해서도 소개하고자 한다. 제안한 빗줄기 천이 기법은 빗줄기 영상 데이터베이스를 구축할 때 빗줄기의 다양한 패턴을 확보하는 데 유용하게 사용이 될 수 있다.

Abstract ▼ AI-Helper

This paper proposes a method of detecting rain regions from a single image. More specifically, a way of training the deep convolutional neural network based on the collected rain and non-rain patches is presented in a supervised manner. It is also shown that the proposed rain detection method based on deep convolutional neural network can provide better performance than the conventional rain detection method based on dictionary learning. Moreover, it is confirmed that the application of the proposed rain detection for rain removal can lead to some improvement in detail representation on the low-frequency regions of the rain-removed images. Additionally, this paper introduces the rain transfer method that inserts rain patterns into original images, thereby producing rain effects on the resulting images. The proposed rain transfer method could be used to augment rain patterns while constructing rain database.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

특히 단일 영상에서 심층 컨볼루셔널 신경망(Deep Convolutional Neural Networks)을 적용해서 빗줄기 영역을 찾는 기법에 대해 소개하고자 한다. 그리고 제안한 빗줄기 영역 검출 기법을 빗줄기 제거 분야에 적용해서 얼마나 효과적으로 빗줄기를 제거할 수 있는지를 알아보고자 한다. 부가적으로 빗줄기 영상을 인위적으로 생성할 수 있는 빗줄기 천이 기법(Rain Transfer)도 소개하고자 한다.
둘째, 본 논문에서는 일반 영상에 빗줄기 패턴을 삽입하는 빗줄기 천이 기법에 대해서도 제안하고자 한다. 즉 일반 영상에 비가 내리는 효과를 주고 싶을 때 제안한 방법을 사용할 수 있다.
하지만 저주파 영역에서 빗줄기 영역과 빗줄기가 없는 영역을 잘 구분하지 못하는 단점이 발견되었다. 따라서 본 논문에서는 심층 신경망(Deep Neural Networks) 기반의 빗줄기 검출 기법을 제안함으로써, 저주파 영역에서의 빗줄기 검출의 정확성을 개선할 수 있음을 보여주고자 한다. 또한 제안한 빗줄기 검출 기법을 빗줄기 제거^{[13, 7]} 분야에 적용하여 저주파 영역에서 디테일한 성분을 더 세밀하게 묘사할 수 있음을 보여주고자 한다.
따라서 본 논문에서는 심층 신경망(Deep Neural Networks) 기반의 빗줄기 검출 기법을 제안함으로써, 저주파 영역에서의 빗줄기 검출의 정확성을 개선할 수 있음을 보여주고자 한다. 또한 제안한 빗줄기 검출 기법을 빗줄기 제거^{[13, 7]} 분야에 적용하여 저주파 영역에서 디테일한 성분을 더 세밀하게 묘사할 수 있음을 보여주고자 한다.
먼저 본 절에서는 기 확보된 빗줄기 영상들을 사용해서 일반 영상에 빗줄기 패턴을 삽입하는 기술, 즉 빗줄기 천이 기법에 대해 말하고자 한다. 제안한 빗줄기 천이 기법의 과정은 다음과 같다.
본 논문에서는 날씨 환경 중에서도 비가 내리는 조건을 다루고자 한다. 최근 발표된 논문에 따르면^[7], 캡처된 영상에서 빗줄기는 컴퓨터 비전의 성능을 저하시키는 하나의 요인으로 작용한다.
본 논문에서는 빗줄기 영역을 검출하기 위해 지도 학습 기반의 심층 컨볼루셔널 신경망 기법을 사용하고자 한다. 이를 위해서는 먼저 빗줄기 패치와 빗줄기가 없는 일반 패치를 각각 수집해서 훈련 데이터베이스를 확보하는 과정이 필요하다.
본 논문에서는 심층 신경망 기반의 빗줄기 검출 기법을 제안하였다. 제안한 심층 신경망 기반의 빗줄기 검출 기법이 기존의 사전 학습 기반의 빗줄기 검출 기법보다도 빗줄기 영역과 객체 영역을 좀 더 정확하게 분류할 수 있었다.
그리고 제안한 빗줄기 영역 검출 기법을 빗줄기 제거 분야에 적용해서 얼마나 효과적으로 빗줄기를 제거할 수 있는지를 알아보고자 한다. 부가적으로 빗줄기 영상을 인위적으로 생성할 수 있는 빗줄기 천이 기법(Rain Transfer)도 소개하고자 한다.
첫째, 본 논문에서는 데이터베이스에서 확보된 각각의 빗줄기 영상에 스크리블(Scribble) 작업을 거쳐 빗줄기 패치(Rain Patch)를 추출하고 동일하게 빗줄기가 포함되지 않은 일반 영상으로부터 일반 패치를 추출함으로써, 지도 학습(Supervised Learning) 기반의 빗줄기 검출 기법을 제안하고자 한다.
본 논문에서는 빗줄기 영역을 찾는 과정에 더 초점을 맞출 것이다. 특히 단일 영상에서 심층 컨볼루셔널 신경망(Deep Convolutional Neural Networks)을 적용해서 빗줄기 영역을 찾는 기법에 대해 소개하고자 한다. 그리고 제안한 빗줄기 영역 검출 기법을 빗줄기 제거 분야에 적용해서 얼마나 효과적으로 빗줄기를 제거할 수 있는지를 알아보고자 한다.
첫째, 본 논문에서는 데이터베이스에서 확보된 각각의 빗줄기 영상에 스크리블(Scribble) 작업을 거쳐 빗줄기 패치(Rain Patch)를 추출하고 동일하게 빗줄기가 포함되지 않은 일반 영상으로부터 일반 패치를 추출함으로써, 지도 학습(Supervised Learning) 기반의 빗줄기 검출 기법을 제안하고자 한다. 특히 지도 학습 기법 중에서도 심층 컨볼루셔날 신경망을 사용해서 빗줄기 영역을 검출하는 기법을 제시하고자 한다. 종래의 빗줄기 검출 기법은 빗줄기 영역을 사용자가 직접 지정해주거나 또는 수작업(Handcrafted) 기반의 피처 모델링 방식을 사용하고 있다^[10～12].

가설 설정

이를 통해 좀 더 자연스러운 빗줄기 영상을 만들 수 있다. 최초의 (i,j)의 픽셀 좌표의 위치는 일반 영상의 좌측 상단이 될 것이다.

제안 방법

즉 빗줄기 패턴을 포함한 패치 영역은 라벨값이 ‘0’에 해당하는 검정색이고, 빗줄기가 없는 일반(또는 객체) 패치는 라벨 값이 ‘255’에 대응하는 흰색으로 표시되었다. 그리고 패치가 중복되는 영역에서 추정된 라벨값이 다르면 평균을 취해서 그레이 색상으로 표현해 주었다.
4단계: 합성 빗줄기 패치들이 중복되는 영역에서는 패치 밝기의 불일치로 경계면 결함(Boundary Artifacts)이 발생할 수 있다. 이러한 문제를 해결하기 위해, 동적계 획법(Dynamic Programming)을 패치 중복 영역에 적용해서 밝기의 불일치를 최소화할 수 있는 하나의 절단선 (Cut)을 찾는다^[14]. 그런 후에 이 절단선을 기준으로 합성 빗줄기 패치들을 중복 영역에서 결합한다.
제안한 빗줄기 검출 기법과 기존의 빗줄기 검출 기법이 최종 화질 개선에 어떤 영향을 주는지를 확인하기 위해 빗줄기 제거 분야에 각각 적용해보았다. 그림 4는 입력 빗줄기 영상에서 빗줄기 패턴을 제거한 결과 영상을 보여주고 있다.
학습될 패치들을 확보한 후, 심층 컨볼루셔널 신경망의 파라미터를 학습하였다. 본 연구에서 사용된 심층 컨 볼루셔널 신경망의 아키텍처는 컨볼루션(conv), 풀링 (pooling), 정류선형유닛(relu)으로 구성되어 있고 총 레이어의 수는 15개이다.

대상 데이터

학습될 패치들을 확보한 후, 심층 컨볼루셔널 신경망의 파라미터를 학습하였다. 본 연구에서 사용된 심층 컨 볼루셔널 신경망의 아키텍처는 컨볼루션(conv), 풀링 (pooling), 정류선형유닛(relu)으로 구성되어 있고 총 레이어의 수는 15개이다. 사용된 아키텍처의 자세한 사항은 표 1에 요약되어 있다.
이를 위해서는 먼저 빗줄기 패치와 빗줄기가 없는 일반 패치를 각각 수집해서 훈련 데이터베이스를 확보하는 과정이 필요하다. 빗줄기 패치를 수집하기 위해 인터넷에서 다양한 빗줄기 패턴을 갖는 100장의 빗줄기 영상을 수집하였다. 그런 후에 그림 1과 같이 빗줄기 영상에 마스킹 작업을 수행한 다음, 빗줄기 패치들을 추출하였다.
그리고 빗줄기가 없는 일반 패치들은 일반 영상데이터베이스에서 랜덤하게 추출하였다. 추출된 패치의 크기는 16x16이고 학습에 사용된 총 패치의 수는 13189개이다.

이론/모형

정량적인 성능을 평가하기 위해서 본 논문에서는 암 맹 화질 평가(Blind Image Quality Evaluation)를 도입 하였다^[17]. 이러한 이유는 빗줄기 영상에 대한 원본 영상을 알지 못하기 때문이다.

성능/효과

결과 영상에서 보듯이 제안한 심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법이 입력 빗줄기 영상에서 객체 부분과 빗줄기 영역을 잘 분류하고 있음을 알 수 있다. 예를 들어 첫 번째 영상에서 얼굴은 객체 영역으 로 분류가 되었고 비가 내리는 배경 영역은 빗줄기 영역으로 분류된 것을 볼 수 있다.
또한 제안한 심층 학습 기반의 빗줄기 검출 기법을 기존의 스팔스 수축 모델링 기반의 빗줄기 제거 기법과 결합했을 때, 객체 내부의 디테일한 부분을 보존하여 결과 영상의 화질을 더 개선할 수 있었다. 그리고 제안한 빗줄기 천이 기법도 일반 영상에 비가 내리는 시각적인 효과를 보여 줄 수 있었다.
기존의 스팔스 코드의 수축 모델링에 기반한 빗줄기 제거[13]와 제안한 심층 컨볼루셔널 신경망 기반의 빗줄기 제거의 차이는 그림 4의 세 번째와 마지막 열에 놓인 결과 영상을 비교하면 된다. 그림에서 볼 수 있듯이, 제안한 심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법을 기존의 스팔스 코드 수축 모델링 기반의 빗줄기 제거 기법과 결합했을 때, 객체 내부의 디테일의 정확도를 한 층 더 개선한 것을 볼 수 있다. 마지막 열의 빨간색 박스에서 이런 효과를 확인해 볼 수 있다.
마지막 열의 빨간색 박스에서 이런 효과를 확인해 볼 수 있다. 따라서 그림 4의 결과로부터 제안한 심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법이 저주파 영역에서 기존의 사전 학습 기반의 빗줄기 검출 기법보다도 빗줄기 검출 및 제거 측면에서 더 효과적이라고 말할 수 있다.
그림에서 볼 수 있듯이, 합성 빗줄기 영상의 빗줄기 패턴이 빗줄기 영상의 빗줄기 패턴과 아주 유사한 것을 알 수 있다. 따라서 제안한 빗줄기 천이 기법을 빗줄기 영상에 포함된 빗줄기 패턴을 입력 영상에 삽입하는 기술로 볼 수 있다. 제안한 빗줄기 천이 기법은 종래의 컴퓨터 그래픽스 분야의 이미지 모달러티 변환 (Image Modality Transform)^[14]이나 텍스처 퀄트 (Texture Quilt)^[15]의 한 응용 분야로 생각될 수 있다.
즉 수치가 낮을수록 결과 영상의 화질이 더 좋다는 것을 의미한다. 따라서 제안한 심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법과 기존의 스팔스 수축 모델링 기반의 빗줄기 제거 기법을 결합했을 때 화질의 성능이 제일 우수한 것을 볼 수 있다. 또한 세 번째와 네 번째 마지막 열에 위치한 평균값을 비교했을 때, 즉 기존의 사전 학습 기반의 빗줄기 검출 기법보다 제안한 심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법을 적용했을 때 영상의 화질이 더 개선되는 것을 볼 수 있다.
따라서 제안한 심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법과 기존의 스팔스 수축 모델링 기반의 빗줄기 제거 기법을 결합했을 때 화질의 성능이 제일 우수한 것을 볼 수 있다. 또한 세 번째와 네 번째 마지막 열에 위치한 평균값을 비교했을 때, 즉 기존의 사전 학습 기반의 빗줄기 검출 기법보다 제안한 심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법을 적용했을 때 영상의 화질이 더 개선되는 것을 볼 수 있다. 이는 제안한 심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법이 기존의 사전 학습 기반의 빗줄기 검출 기법 보다 빗줄기 검출 성능 측면에서 더 효과적임을 보여준다.
이는 제안한 심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법이 기존의 사전 학습 기반의 빗줄기 검출 기법 보다 빗줄기 검출 성능 측면에서 더 효과적임을 보여준다. 또한 제안한 심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법이 객체 내부의 디테일한 성분을 표현하는 데 더 강점이 있다는 것을 보여준다.
특히 제안한 빗줄기 검출 기법은 저주파 영역에서 빗줄기 영역과 객체 영역을 구별 짓는 능력이 기존의 사전 학습 기반의 빗줄기 검출 기법보다 더 우수함을 보여주었다. 또한 제안한 심층 학습 기반의 빗줄기 검출 기법을 기존의 스팔스 수축 모델링 기반의 빗줄기 제거 기법과 결합했을 때, 객체 내부의 디테일한 부분을 보존하여 결과 영상의 화질을 더 개선할 수 있었다. 그리고 제안한 빗줄기 천이 기법도 일반 영상에 비가 내리는 시각적인 효과를 보여 줄 수 있었다.
지도 학습 기반의 빗줄 기 검출 기법은 라벨링(Labeling) 작업을 필요로 한다. 웹 서치를 통해서 빗줄기 영상을 수집할 수 있지만 제안한 빗줄기 천이 기법을 사용해서 보다 풍부한 빗줄기 영상 데이터베이스를 구축하는 것이 가능하다.
또한 세 번째와 네 번째 마지막 열에 위치한 평균값을 비교했을 때, 즉 기존의 사전 학습 기반의 빗줄기 검출 기법보다 제안한 심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법을 적용했을 때 영상의 화질이 더 개선되는 것을 볼 수 있다. 이는 제안한 심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법이 기존의 사전 학습 기반의 빗줄기 검출 기법 보다 빗줄기 검출 성능 측면에서 더 효과적임을 보여준다. 또한 제안한 심층 컨볼루셔널 신경망 기반의 빗줄기 검출 기법이 객체 내부의 디테일한 성분을 표현하는 데 더 강점이 있다는 것을 보여준다.
그 다음 “빗줄기 사전”과 “객체 사전”의 스팔스 코드의 값을 복원된 패치의 정확도에 따라서 선형적으로 변경해 준다. 이러한 과정을 통해서 객체 영역의 디테일 한 성분은 보존하고 빗줄기 영역에서의 빗줄기 패턴을 잘 제거하는 것이 가능하였다. 그림 4 에서 보듯이 스팔스 코드의 수축 모델링 기반의 빗줄기 제거 기법^[13]이 기존의 에지 방향에 최적화된 사전 학습 기반의 빗줄기 제거 기법^[7]보다 빗줄기 제거 성능 측면에서 상당한 발전을 보이고 있다.
본 논문에서는 심층 신경망 기반의 빗줄기 검출 기법을 제안하였다. 제안한 심층 신경망 기반의 빗줄기 검출 기법이 기존의 사전 학습 기반의 빗줄기 검출 기법보다도 빗줄기 영역과 객체 영역을 좀 더 정확하게 분류할 수 있었다. 특히 제안한 빗줄기 검출 기법은 저주파 영역에서 빗줄기 영역과 객체 영역을 구별 짓는 능력이 기존의 사전 학습 기반의 빗줄기 검출 기법보다 더 우수함을 보여주었다.
그림 2에서 왼쪽 그림은 손실 함수, 즉 ‘softmaxloss’의 값이 감소하는 것을 보여주고 있다. 즉 역전파(Backpropagation) 과정을 통해 신경망의 파라미 터 값을 갱신함으로써 손실 함수의 값이 감소되는 것을 확인할 수 있다.
제안한 심층 신경망 기반의 빗줄기 검출 기법이 기존의 사전 학습 기반의 빗줄기 검출 기법보다도 빗줄기 영역과 객체 영역을 좀 더 정확하게 분류할 수 있었다. 특히 제안한 빗줄기 검출 기법은 저주파 영역에서 빗줄기 영역과 객체 영역을 구별 짓는 능력이 기존의 사전 학습 기반의 빗줄기 검출 기법보다 더 우수함을 보여주었다. 또한 제안한 심층 학습 기반의 빗줄기 검출 기법을 기존의 스팔스 수축 모델링 기반의 빗줄기 제거 기법과 결합했을 때, 객체 내부의 디테일한 부분을 보존하여 결과 영상의 화질을 더 개선할 수 있었다.

후속연구

물론 아직까지는 픽셀 단위로 빗줄기가 위치한 경계면을 정밀하게 추정하지는 못하고 있다. 따라서 향후에는 픽셀 단위로 빗줄기의 윤곽선까지 검출할 수 있는 기법을 개발할 것이다.
특히 모바일폰에서 촬영된 사진에 비가 내리는 특수 효과를 주기 위한 기능으로도 활용이 될 수 있다. 제안한 빗줄기 천이 기법은 빗줄기 영상 데이터베이스를 보다 강화하는 데에도 사용이 될 수 있다. 지도 학습 기반의 빗줄 기 검출 기법은 라벨링(Labeling) 작업을 필요로 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	열화된 영상에서 선명한 화질을 복구하거나 컴퓨터 비전의 성능을 높이기 위한 작업이 왜 최근에 주목받고 있는가?	이러한 열화된 영상에서 선명한 화질을 복구하거나 컴퓨터 비전의 성능을 높이기 위한 작업이 최근에 이루어지고 있다[1～2]. 왜냐하면 기존의 영상처리나 컴퓨터 비전 기술은 날씨가 청명하고 조도가 충분히 밝은 제약조건 아래에서 개발되어 왔다. 실제로 학습에 사용되는 영상 데이터베이스가 청명한 날씨에서 촬영이 된 것을 볼 수 있다[3～6].
	모빌리티 기계에서 화질의 열화를 발생시키는 원인은 무엇인가?	또한 야외에 설치된 CCTV와 같은 고정된 영상 센서도 다양한 조명 및 날씨 환경에 놓일 수 있다. 이러한 경우 캡처된 영상은 잡음, 블러링, 안개, 빗줄기 등으로 인해 화질의 열화가 발생하게 된다. 이러한 열화된 영상에서 선명한 화질을 복구하거나 컴퓨터 비전의 성능을 높이기 위한 작업이 최근에 이루어지고 있다[1～2].
	심층 학습 기반의 빗줄기 검출 기법을 기존의 스팔스 수축 모델링 기반의 빗줄기 제거 기법과 결합했을 때 얻을 수 있는 이점은 무엇인가?	특히 제안한 빗줄기 검출 기법은 저주파 영역에서 빗줄기 영역과 객체 영역을 구별 짓는 능력이 기존의 사전 학습 기반의 빗줄기 검출 기법보다 더 우수함을 보여주었다. 또한 제안한 심층 학습 기반의 빗줄기 검출 기법을 기존의 스팔스 수축 모델링 기반의 빗줄기 제거 기법과 결합했을 때, 객체 내부의 디테일한 부분을 보존하여 결과 영상의 화질을 더 개선할 수 있었다. 그리고 제안한 빗줄기 천이 기법도 일반 영상에 비가 내리는 시각적인 효과를 보여 줄 수 있었다.

참고문헌 (17)

D.-Y. Choi, S.-J. Seo, and B.-C. Song, "DSP optimization for rain detection and removal algorithm," Journal of The Institute of Electronics and Information Engineers, vol. 52, no. 9, pp. 96-105, Sept. 2015.
S.-K. Kim, K.-H. Choi, and S.-Y. Park, "A framework for object detection by haze removal," Journal of The Institute of Electronics and Information Engineers, vol. 51, no. 5, pp. 168-176, May 2014.
A Krizhevsky, I Sutskever, GE Hinton, "Imagenet classification with deep convolutional neural networks," in Proc. Neural Information Processing Systems, 2012.
T.-Y Lin, M. Maire, S. Belongie, L. Bourdev, R. Girshick, J. Hays, P. Perona, D. Ramanan, C. L. Zitnick, P. Dollar, "Microsoft coco: Common objects in context," arXiv:1405.0312, 2014.
C. Liu, J. Yuen and A. Torralba, "Nonparametric scene parsing via label transfer," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 33, no. 12, 2011.

상세보기
B. Zhou, H. Zhao, X. Puig, S. Fidler, A. Barriuso and A. Torralba, "Semantic Understanding of Scenes through ADE20K Dataset,", arXiv:1608.05442.
L.-W. Kang, C.-W. Lin, and Y.-H. Fu, "Automatic single-image-based rain steaks removal via image decomposition," IEEE Transactions on Image Processing, vo. 21, no. 4, pp. 1742-1755, Apr. 2012.

상세보기
D. G. Lowe, "Distinct image features from scale-invariant key points," International Journal of Computer Vision, vol. 60, no. 2, pp. 91-110, Nov. 2004.

상세보기
N. Dalal and B. Triggs, "Histograms of oriented gradients for human detection," in Proc. IEEE International Conference on Computer Vision and Pattern Recognition, San Diego, CA, pp. 886-893, Jun. 2005.
Li Y., Tan R., and Brown M. S. "Rain streak removal using layer priors", in Proc. IEEE Computer Vision and Pattern Recognition, Las Vegas, NV, USA, pp. 2736-2744, June 2016.
J.-H. Kim, C. Lee, J.-Y. Sim and C.-S. Kim, "Single-image deraining using an adaptive nonlocal means filter," in Proc. IEEE International Conference on Image Processing, Melbourne, VIC, pp. 914-917, Sept. 2013.
S.-C. Pei, Y.-T. Tsai, and C.-Y. Lee, "Removing rain and snow in a single image using saturation and visibility features," in Proc. IEEE International Conference on Multimedia and Expo Workshops, Chengdu, pp. 14-18, July 2014.
C.-H. Son and X.-P. Zhang, "Rain removal via shrinkage of sparse codes and learned rain dictionary" in Proc. IEEE International Conference on Multimedia and Expo Workshop, Seattle, pp. 1-6, July 2016.
A. Hertzmann, C. E. Jacobs, N. Oliver, B. Curless, D. H. Salesin, "Image analogies," in Proc. 28th annual conference on Computer graphics and interactive techniques, Los Angeles, CA, USA, pp. 327-340, Aug. 2001.
A. A. Efros and W. T. Freeman, "Image quilting for texture synthesis and transfer," in Proc. 28th annual conference on Computer graphics and interactive techniques, Los Angeles, CA, USA, pp. 341-346, Aug. 2001.
http://www.vlfeat.org/matconvnet
L. Zhang, L. Zhang, and A. C. Bovik, "A feature-enriched completely blind image quality evaluator," IEEE Transactions on Image Processing, vol. 24, no. 8, pp. 2579-2591, Aug. 2015.

상세보기

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증