[논문]다중크기와 다중객체의 실시간 얼굴 검출과 머리 자세 추정을 위한 심층 신경망

안병태; 최동걸; 권인소

doi:10.7746/jkros.2017.12.3.313

다중크기와 다중객체의 실시간 얼굴 검출과 머리 자세 추정을 위한 심층 신경망
Multi-Scale, Multi-Object and Real-Time Face Detection and Head Pose Estimation Using Deep Neural Networks 원문보기

로봇학회논문지 = The journal of Korea Robotics Society, v.12 no.3, 2017년, pp.313 - 321

안병태 (Robotics Program, KAIST) , 최동걸 (Department of Electrical Engineering, KAIST) , 권인소 (Department of Electrical Engineering, KAIST)

Abstract ▼ AI-Helper

One of the most frequently performed tasks in human-robot interaction (HRI), intelligent vehicles, and security systems is face related applications such as face recognition, facial expression recognition, driver state monitoring, and gaze estimation. In these applications, accurate head pose estimation is an important issue. However, conventional methods have been lacking in accuracy, robustness or processing speed in practical use. In this paper, we propose a novel method for estimating head pose with a monocular camera. The proposed algorithm is based on a deep neural network for multi-task learning using a small grayscale image. This network jointly detects multi-view faces and estimates head pose in hard environmental conditions such as illumination change and large pose change. The proposed framework quantitatively and qualitatively outperforms the state-of-the-art method with an average head pose mean error of less than $4.5^{\circ}$ in real-time.

주제어

AI 본문요약
AI-Helper

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

문제 정의

각 실제 값(ground-truth) 바운딩 박스는 같은 방법으로 g = (g_x, g_y, g_z) 이다. 목표는 초기 바운딩 박스 i를 실제 값(ground-truth) 박스 g로 대응하는 변환을 학습하는 것이다.
본 논문에서 우리는 실시간으로 사용자의 머리 자세를 추정할 수 있는 다중 작업 깊은 신경망(multi-task deep neural network) 프레임웍을 제안하였다. 제안된 시스템은 단독 DNN 기반의 방법론과 비교하여 다중 작업학습 기반의 방법론이 다양한 데이터들에 대해 과정합 되지 않고 더 나은 정확도를 보였다.
향후에는 본 연구를 기반으로 몇 가지 추가 연구를 계획하고 있다. 본 논문에서는 깊은 신경망의 학습을 위하여 실제 촬영한 이미지 데이터만 사용하였는데, 성능 개선과 다양한 응용에 손쉬운 적용을 위하여 합성(synthetic) 데이터를 활용하는 딥러닝 구조를 연구할 것이다. 또한 사용자의 얼굴 검출 및 머리 자세뿐만 아니라 동일한 특징을 사용할 것이라고 예상되는 감정인식 같은 얼굴 관련 응용들을 추가하여 보다 다양한 작업들을 위한 보다 일반적인 특징 학습을 위한 깊은 신경망 구조를 연구 할 것이다.
본 연구는 식별형 방법론 중 하나인 깊은 신경망과 다중 작업 학습(multi-task learning) 방식을 사용하여 이러한 문제를 해결하였고, 실시간 계산에 유리한 그레이스케일 저해상도 영상을 사용한 강인한 머리 자세 추정법을 제안한다. 또한 제안된 방식은 정성적, 정량적 평가를 통하여 기존의 방식들에 비하여 우수성을 입증하였다.
Fanelli 등^[9]은 깊이 센서(Kinect)를 사용하여 깊이 정보를 기반으로 얼굴 영역을 검출함으로써 원천적으로 이 문제를 해결하였다. 본 연구는 카메라 영상만을 사용하는 방법론으로써 이 문제를 해결하기 위해 바운딩 박스 회귀 기법을 도입하였다. 얼굴 검출 박스 회귀 이슈는 얼굴 검출, 자세 추정과 같이 얼굴관련 작업이기 때문에 동일한 특징세트를 공유한다고 가정하고 다중 작업 네트워크를 구성하였다.
많이 중복된 검출 윈도우를 제거하고 보다 정확한 바운딩 박스를 얻기 위해 NMS를 수행한다. 본 연구에서 NMS의 목적은 인접한 여러 영역들이 바운딩 박스로 검출된 경우, 그 중 이진분류의 점수가 극대인 바운딩 박스만을 남기고 나머지를 제거하는 것이다. 그렇지만 최종 자세 추정의 성능향상을 위해서 본 연구에서는 NMS의 결과를 최종 바운딩 박스로 사용하지 않고, 보다 정확한 바운딩 박스의 위치 추정을 위해 다중 작업 네트워크에 바운딩 박스 회귀(bounding box regression) 작업을 추가하였다.

가설 설정

본 연구는 카메라 영상만을 사용하는 방법론으로써 이 문제를 해결하기 위해 바운딩 박스 회귀 기법을 도입하였다. 얼굴 검출 박스 회귀 이슈는 얼굴 검출, 자세 추정과 같이 얼굴관련 작업이기 때문에 동일한 특징세트를 공유한다고 가정하고 다중 작업 네트워크를 구성하였다. 다중 작업 네트워크는 세 가지의 작업 모듈로 이루어져 있다.

제안 방법

본 연구에서 NMS의 목적은 인접한 여러 영역들이 바운딩 박스로 검출된 경우, 그 중 이진분류의 점수가 극대인 바운딩 박스만을 남기고 나머지를 제거하는 것이다. 그렇지만 최종 자세 추정의 성능향상을 위해서 본 연구에서는 NMS의 결과를 최종 바운딩 박스로 사용하지 않고, 보다 정확한 바운딩 박스의 위치 추정을 위해 다중 작업 네트워크에 바운딩 박스 회귀(bounding box regression) 작업을 추가하였다.
BKHP는 20명(4명은 두 번 등장하나 옷과 헤어스타일이 다름)의 상반신을 녹화한 15,678장의 영상으로 이루어져있다. 깊이 맵으로 만든 개별 사용자별 3D 템플릿을 구축하고, 실시간 추적기로 3D 템플릿을 사용자에게 정합하여 3D 모델의 머리 자세를 기록하는 방식으로 실제 값(ground-truth) 머리 자세 정보를 획득하였다. 개별 사용자의 3D 템플릿은 오프라인으로 구축한다.
공개 되어있는 머리 자세 DB들의 경우 대부분이 공통적인 기준이 없이 자기들만의 방식으로 실제 값(groundtruth)을 할당(annotate) 하였기에 실제 평가에 활용하기에 적합하지 않다. 따라서 머리 자세 추정 성능은 본 연구에 활용한 DB의 평가세트(validation set)로 평가하고 동일 DB를 사용한 최신기술의 성능과 비교한다.
생성된 히트맵의 확률 값을 바탕으로 정사각형의 초기 바운딩 박스를 생성한다. 많이 중복된 검출 윈도우를 제거하고 보다 정확한 바운딩 박스를 얻기 위해 NMS를 수행한다. 본 연구에서 NMS의 목적은 인접한 여러 영역들이 바운딩 박스로 검출된 경우, 그 중 이진분류의 점수가 극대인 바운딩 박스만을 남기고 나머지를 제거하는 것이다.
본 섹션에서는 제안된 알고리즘의 성능을 정량적 그리고 정성적으로 검증하기 위하여 여러 가지 측면에서 실험을 수행한다. 먼저 제안된 다중 작업 깊은 신경망 방법론의 타당성을 검증하고, 머리 자세 추정에서 제안된 알고리즘의 성능을 테스트 하며, 이를 최신 기술의 성능과 비교한다. 그리고 여러 가지 상황에서 제안된 알고리즘의 수행 결과를 영상으로 보여준다.
본 섹션에서는 접근법에 따라 관련 연구들을 분류하고, 각 범주에서 대표적인 알고리즘들의 장단점을 논의한다.
본 섹션에서는 제안된 알고리즘의 성능을 정량적 그리고 정성적으로 검증하기 위하여 여러 가지 측면에서 실험을 수행한다. 먼저 제안된 다중 작업 깊은 신경망 방법론의 타당성을 검증하고, 머리 자세 추정에서 제안된 알고리즘의 성능을 테스트 하며, 이를 최신 기술의 성능과 비교한다.
하지만 그들이 제안한 네트워크는 얼굴이 정확히 검출됐다고 가정하고, 단지 3D 머리 방향만을 추정하는 것이므로 다양한 어플리케이션들에 실제적으로 사용하는데 한계가 있다. 본 연구에서는 관련 연구를 더욱 확장시켜 얼굴 판단, 최적의 바운딩 박스 검출, 그리고 5D (x, y, roll, pitch, yaw) 머리 자세 추정까지의 세가지 작업들에 사용되는 공통의 특징 세트를 학습하는 다중 작업 네트워크를 제안하며 Fig. 2에 구조와 매개변수들이 나타나 있다.
입력 영상을 꼼꼼히 스캔하기 위해서 여러 스케일로(본 연구에서는 세 가지) sw × sw 크기의 검출 윈도우를 st 크기의 건너뜀(stride) 값으로 w × h 크기의 입력 영상을 검출 윈도우 묶음으로 변환한다.
제안 된 다중 작업 깊은 신경망 방법론의 타당성을 검증하기 위해, 세 가지 작업들에 대해 공통의 특징 세트를 학습한 제안된 방법과, 개별의 작업마다 단독의 DNN을 이용하여 각각의 특징 세트를 학습한 방법을 비교하였다. 학습에 사용된 DB는 BKHP, RCVface, 그리고 AFLW로 동일하며, 머리 자세 평가에 사용된 DB는 BKHP와 RCVface DB에서 훈련에 사용되지 않은 개체(사람)들이며, 이진 얼굴 분류(binary face classification) 평가에 사용된 DB 역시 BKHP, RCVface, 그리고 AFLW에서 학습에 사용되지 않은 평가 세트(validation set)이다.
제안된 방법은 얼굴이 바르게 검출되었다는 가정 하에, DNN을 이용하여 실시간 이상의 속도로 3° 정도의 오차를 보이는 비교적 정확한 머리 방향 값을 추정하였다.
그들은 다양한 DNN 매개변수들을 실험하고 선정하여 머리 방향 추정을 위한 DNN 구조를 개발했다. 추정된 값의 안정화를 위해 후처리 방식으로 파티클 필터를 이용한 추적을 적용하였다. 제안된 방법은 얼굴이 바르게 검출되었다는 가정 하에, DNN을 이용하여 실시간 이상의 속도로 3° 정도의 오차를 보이는 비교적 정확한 머리 방향 값을 추정하였다.
은 DNN을 coarse-to-fine 방식의 얼굴 특징 세트 검출에 도입하였다. 하나의 DNN과 두 개의 얕은 신경망으로 이루어진 3단계 케스케이드 구조를 제안하였다. 그들은 또한 절대값 정류(absolute value rectification)와 국소 가중치(local weight) 공유 같은 기술의 영향도 분석하였다.

대상 데이터

이를 해결하기 위해 RCVface 데이터셋과 AFLW 얼굴 검출 데이터셋 두 가지를 추가하였다. RCVface 데이터는 앞서 설명한 BKHP와 똑같은 형식으로 다양한 배경에서 추가로 23명, 약 30,000장을 획득하였다. 한편 대부분의 얼굴 검출용 DB들이 정면 얼굴이 압도적으로 구성되어있는 반면 AFLW 데이터셋은 다양한 배경에 다양한 자세로 구성되어있어 본 연구에 추가하기에 적합한 데이터셋이다.
네트워크의 입력은 48 × 48 크기의 그레이 스케일 영상이다.
본 연구에서는 총 3가지의 데이터셋을 사용하였다: Biwi Kinect Head Pose Database (BKHP)^[9], 본 연구에서 추가로 획득한 컬러 영상 데이터(RCVface), 그리고 AFLW 데이터셋^[14]. BKHP는 20명(4명은 두 번 등장하나 옷과 헤어스타일이 다름)의 상반신을 녹화한 15,678장의 영상으로 이루어져있다.
평가에 사용된 DB는 BKHP, RCVface, AFLW이다. 공개 되어있는 머리 자세 DB들의 경우 대부분이 공통적인 기준이 없이 자기들만의 방식으로 실제 값(groundtruth)을 할당(annotate) 하였기에 실제 평가에 활용하기에 적합하지 않다.
제안 된 다중 작업 깊은 신경망 방법론의 타당성을 검증하기 위해, 세 가지 작업들에 대해 공통의 특징 세트를 학습한 제안된 방법과, 개별의 작업마다 단독의 DNN을 이용하여 각각의 특징 세트를 학습한 방법을 비교하였다. 학습에 사용된 DB는 BKHP, RCVface, 그리고 AFLW로 동일하며, 머리 자세 평가에 사용된 DB는 BKHP와 RCVface DB에서 훈련에 사용되지 않은 개체(사람)들이며, 이진 얼굴 분류(binary face classification) 평가에 사용된 DB 역시 BKHP, RCVface, 그리고 AFLW에서 학습에 사용되지 않은 평가 세트(validation set)이다.
특징세트 추출 부분은 4개의 컨볼루션층, 3개의 풀링층, 그리고 하나의 공유되는 완전 연결 층(shared fully connected layer)과 각 작업별로 하나씩 완전 연결 층이 추가로 구성이 되어있다. 활성 함수로 정류된 선형유닛(rectified linear unit, ReLU)이 사용되었고, 풀링층에서는 최대값 선택(max-pooling)이 사용되었다. 4개의 컨볼루션층에 이어 나오는 완전 연결 층은 다중 작업 추정(multi-task estimation) 부분에서 공유하는 64차원의 특징벡터를 생성한다.

데이터처리

우리의 방법을 식별형 접근법의 최신기술인 Fanelli 등^[9]이 제안한 방법과 비교하였다. 그들은 깊이 센서 Kinect와 함께 random forest regression을 사용하여 머리 자세를 추정하였다.

성능/효과

1에 표현되어있는 제안된 알고리즘의 순서를 따라서 실험한 결과이다. 개별적으로 학습한 단독 DNN들을 연결한 방식보다 다중 작업 방식의 머리 자세 평균 오차 값이 약 22% 정도로 성능이 향상되었다. Fig.
그들이 이용한 IntraFace 시스템은 supervised descent method (SDM)를 제안하여 parameterized appearance models (PAMs)의 비선형 최소 제곱(non-linear least squares, NLS) 문제를 해결함으로써, 25 fps의 속도로 평균 오차 4.6° 정도의 성능을 보였다.
제안된 시스템은 단독 DNN 기반의 방법론과 비교하여 다중 작업학습 기반의 방법론이 다양한 데이터들에 대해 과정합 되지 않고 더 나은 정확도를 보였다. 또한 제안된 방법을 최신기술^[9]과 성능을 비교하여 우월성을 입증했다.
본 연구는 식별형 방법론 중 하나인 깊은 신경망과 다중 작업 학습(multi-task learning) 방식을 사용하여 이러한 문제를 해결하였고, 실시간 계산에 유리한 그레이스케일 저해상도 영상을 사용한 강인한 머리 자세 추정법을 제안한다. 또한 제안된 방식은 정성적, 정량적 평가를 통하여 기존의 방식들에 비하여 우수성을 입증하였다.
특징필터가 구조를 띄고 있고, 그 형태가 서로 연관(correlated)되어있지 않으며, 출력을 보면 얼굴의 방향을 추정하는데 중요한 부분들(눈, 코, 머리, 턱 등)이 강조되어 있는 것을 볼 수 있다. 여기서, 학습된 특징들로 필터링 된 영상을 보면 강조 되어 있는 부분들이 얼굴 검출, 바운딩 박스 위치 및 크기 조절, 그리고 머리 자세 추정에 공통적으로 사용할 수 있는 특징들임을 확인할 수 있다.
히트맵에 중복처리를 방지하기 위하여 non-maximum suppression (NMS)이 적용되고 초기 위치의 바운딩 박스를 얻는다. 입력영상에서 초기 바운딩 박스 위치의 영상을 제안된 다중 작업 네트워크의 두 번째 작업인 바운딩 박스 회귀를 수행하며, 그 결과 머리 자세 추정에 가장 적절한 위치와 크기의 바운딩 박스를 얻는다. 최종적으로 제안된 다중 작업 네트워크의 3번째 작업인 머리 자세를 추정한다.
이를 네트웍의 입력크기인 48 × 48 × N 크기로 변환하고 학습된 다중 작업 네트워크에 입력한다. 제안된 다중 작업 네트워크에서 첫 번째 작업인 얼굴 검출을 위한 이진 분류(binary classification)가 수행되고, 그 결과 검출 윈도우 각각의 점수 값에 따른 히트맵을 얻게 된다. 히트맵에 중복처리를 방지하기 위하여 non-maximum suppression (NMS)이 적용되고 초기 위치의 바운딩 박스를 얻는다.
본 논문에서 우리는 실시간으로 사용자의 머리 자세를 추정할 수 있는 다중 작업 깊은 신경망(multi-task deep neural network) 프레임웍을 제안하였다. 제안된 시스템은 단독 DNN 기반의 방법론과 비교하여 다중 작업학습 기반의 방법론이 다양한 데이터들에 대해 과정합 되지 않고 더 나은 정확도를 보였다. 또한 제안된 방법을 최신기술^[9]과 성능을 비교하여 우월성을 입증했다.
Table 1은 머리 자세의 평균 오차와 표준편차에 대한 비교 결과를 보여준다. 평균 오차와 표준편차 모두를 고려해 볼 때, 본 연구에서 제안한 방법의 성능이 최신기술보다 우수하다. [9]의 방법은 랜덤으로 추출된 패치들의 내부 깊이 값(internal depth value)을 특징으로 삼고 비교하여 머리 자세를 보팅(voting)하는 반면에, 우리의 DNN 기반의 접근법은 수많은 훈련 영상들로부터 자동으로 학습된 필터들을 사용한다.

후속연구

본 논문에서는 깊은 신경망의 학습을 위하여 실제 촬영한 이미지 데이터만 사용하였는데, 성능 개선과 다양한 응용에 손쉬운 적용을 위하여 합성(synthetic) 데이터를 활용하는 딥러닝 구조를 연구할 것이다. 또한 사용자의 얼굴 검출 및 머리 자세뿐만 아니라 동일한 특징을 사용할 것이라고 예상되는 감정인식 같은 얼굴 관련 응용들을 추가하여 보다 다양한 작업들을 위한 보다 일반적인 특징 학습을 위한 깊은 신경망 구조를 연구 할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	컴퓨터 비전 관점에서 머리 자세 추정하는 방법은 무엇이 있는가?	컴퓨터 비전의 관점에서 머리 자세 추정이란 입력된 얼굴영상으로부터 위치와 방향(roll, pitch, yaw)을 유추하는 과정인데, 현존하는 방법론들은 크게 두 가지로 분류할 수 있다: 첫째는 얼굴의 수학적 모델을 사용하여 입력 영상에 가장 잘 정합되는 가상의 얼굴모델을 생성하여 그 모델의 자세를 추정하는 방법들이고, 둘째는 외형 정보를 바탕으로 입력 영상을 특정 자세로 분류해내는 방법들이다.
	머리 자세 추정의 전통적인 방법으로 얼굴을 검출하고, 검출된 윈도우로 자세 추정을 수행할 때 성능이 저하되는 이유는 무엇인가?	그러나 단순히 검출된 윈도우로 자세 추정을 수행하게 되면 성능이 저하될 수 있다. 왜냐하면 얼굴 검출기는 일반적으로 실제 값(ground-truth) 윈도우에서 50% 이상만 걸치면 참 값(positive)으로 검출되었다고 판단하기 때문이다. 자세 추정단계에서는 얼굴의 주요 특징들의 검출 유무가 매우 중요한데, 비록 얼굴이 검출되었다고 한들 Fig.
	모델링 기반의 방법의 특징은 무엇인가?	일반적으로 얼굴은 형태(shape)와 외형(appearance)의 두 가지 가변적인 항으로 수학적으로 모델링 된다. 모델링 기반의 방법은 모델을 사용하여 여러 자세와 표정의 가상의 얼굴 모형을 생성해 낼 수 있기 때문에, 가상모델이 얼굴영상에 정합이 잘 된다면 자세의 정확도도 높고 연속적인 머리 자세 값의 출력이 가능하다. Active shape models (ASMs)[1]와 active appearance models (AAMs)[2]는 아주 유명한 통계적 얼굴 모델(statistical models of face)이다.

참고문헌 (15)

T.F. Cootes, C.J. Taylor, D.H. Cooper, and J. Graham, "Active shape models-their training and application," Computer Vision and Image Understanding, vol. 61, pp. 38-59, 1995.

상세보기
T.F. Cootes, G. Edwards, and C. Taylor, "Active appearance models," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 23, no. 6, pp. 681-685, 2001.

상세보기
F.D. la Torre, W.S. Chu, X. Xiong, F. Vicente, X. Ding, and J. Cohn, "Intraface," in IEEE International Conference on Automatic Face and Gesture Recognition, vol. 1, pp. 1-8, 2015.
F. Vicente, Z. Huang, X. Xiong, F.D. la Torre, W. Zhang, and D. Levi, "Driver gaze tracking and eyes off the road detection system," IEEE Transactions on Intelligent Transportation Systems, vol. 16, no. 4, pp. 2014-2027, 2015.

상세보기
V. N. Balasubramanian, J. Ye, and S. Panchanathan, "Biased manifold embedding: a framework for person-independent head pose estimation," in IEEE Conference on Computer Vision and Pattern Recognition, 2007.
J. Foytik and V.K. Asari, "A two-layer framework for piecewise linear manifold-based head pose estimation," International Journal of Computer Vision, vol. 101, pp. 270-287, 2013.

상세보기
X. Zhu and D. Ramanan, "Face detection, pose estimation and landmark localization in the wild," in IEEE Conference on Computer Vision and Pattern Recognition, pp. 2879-2886, 2012.
M.D. Breitenstein, D. Kuettel, T. Weise, and L. van Gool, "Real-time face pose estimation from single range images," in IEEE Conference on Computer Vision and Pattern Recognition, 2008.
G. Fanelli, M. Dantone, J. Gall, A. Fossati, and L.V. Gool, "Random forests for real time 3d face analysis," International Journal of Computer Vision, vol. 101, pp. 437-458, 2013.

상세보기
Y. Lecun, B. Boser, J. Denker, D. Henderson, R. Howard, W. Hubbard, and L. Jackel, "Backpropagation applied to handwritten zip code recognition," Neural Computation, vol. 1, no. 4, pp. 541-551, 1989.

상세보기
Y. Sun, X. Wang, and X. Tang, "Deep convolutional network cascade for facial point detection," in IEEE Conference on Computer Vision and Pattern Recognition, pp. 3476-3483, 2013.
B. Ahn, J. Park, and I.S. Kweon, "Real-time head orientation from a monocular camera using deep neural network," in Asian Conference on Computer Vision, pp. 82-96, 2014.
R. Girshick, J. Donahue, T. Darrell, and J. Malik, "Rich feature hierarchies for accurate object detection and semantic segmentation," in IEEE Conference on Computer Vision and Pattern Recognition, pp. 580-587, 2014.
M. Koestinger, P. Wohlhart, P.M. Roth, and H. Bischof, "Annotated facial landmarks in the wild: A large-scale, real-world database for facial landmark localization," in IEEE International Workshop on Benchmarking Facial Image Analysis Technologies, 2011.
H. Li, Z. Lin, X. Shen, J. Brandt, and G. Hua, "A convolutional neural network cascade for face detection," in IEEE Conference on Computer Vision and Pattern Recognition, pp. 5325-5334, 2015.

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