[논문]딥러닝 기반의 무기 소지자 탐지

김건욱; 이민훈; 허유진; 황기수; 오승준

doi:10.5909/jbe.2018.23.6.780

[국내논문] 딥러닝 기반의 무기 소지자 탐지
Armed person detection using Deep Learning 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.23 no.6, 2018년, pp.780 - 789

김건욱 (광운대학교 전자공학과) , 이민훈 (광운대학교 전자공학과) , 허유진 (광운대학교 전자공학과) , 황기수 (광운대학교 전자공학과) , 오승준 (광운대학교 전자공학과)

초록
AI-Helper

전 세계적으로 총기 사고는 인적이 드문 장소뿐만 아니라 사람들이 많이 모여 있는 공공장소에서도 빈번하게 일어난다. 특히, 권총과 같은 소형 총기 사고의 빈도수가 매우 높다. 그러므로 사람에 비해 상대적으로 매우 작은 크기의 객체인 권총을 가진 사람을 탐지하는 것은 사고의 피해를 최소화하는데 핵심적이다. '권총 든 사람'을 탐지하는 연구가 수행되고 있지만, 사람보다 권총은 상대적으로 크기가 작기 때문에 단일 객체만을 탐지하는 기존 객체 탐지 방법으로 '권총 든 사람'을 탐지하면 오류 발생 빈도수가 매우 높다. 이러한 문제점을 해결하기 위하여 권총으로 무장한 사람을 탐지하는 방법으로 APDA(Armed Person Detection Algorithm)를 제안한다. APDA는 입력 영상에서 합성곱신경망(Convolutional Neural Network, CNN) 기반의 인체 특징점 탐지 모델과 객체 탐지 모델을 병행하여 획득한 양 손목과 권총의 위치를 후처리 작업에서 이용하여 '권총 든 사람'을 탐지한다. APDA는 기존 방식보다 객관적 평가에서 재현율이 46.3% 향상되었고, 정밀도는 14.04% 향상되었다.

Abstract ▼ AI-Helper

Nowadays, gun crimes occur very frequently not only in public places but in alleyways around the world. In particular, it is essential to detect a person armed by a pistol to prevent those crimes since small guns, such as pistols, are often used for those crimes. Because conventional works for armed person detection have treated an armed person as a single object in an input image, their accuracy is very low. The reason for the low accuracy comes from the fact that the gunman is treated as a single object although the pistol is a relatively much smaller object than the person. To solve this problem, we propose a novel algorithm called APDA(Armed Person Detection Algorithm). APDA detects the armed person using in a post-processing the positions of both wrists and the pistol achieved by the CNN-based human body feature detection model and the pistol detection model, respectively. We show that APDA can provide both 46.3% better recall and 14.04% better precision than SSD-MobileNet.

주제어

표/그림 (11)

그림 그림 1. ‘권총 든 사람’ 탐지를 위한 기존 객체 탐지 방법의 오 탐지 결과 예 Fig. 1. Examples of false detection in conventional object detection methods for detection of the armed person
그림 그림 3. APDA의 순서도 Fig. 3. A Flowchart of APDA
그림 그림 2. CMU-pose의 인체 특징점 지도 Fig. 2. A Keypoint map of CMU-pose
그림 그림 4. APDA의 두 가지 탐지 모듈 구조 (a) CMU pose, (b) SSD Fig. 4. Two major blocks for object detection in APDA: (a) CMU pose, and (b) SSD
그림 그림 5. APDA 처리 예 Fig. 5. An APDA processing example
그림 그림 6. 훈련에 사용한 두 종류 데이터 예 (a) ‘권총’ 데이터 (b) ‘손에 쥔 권총’ 데이터 Fig. 6. Examples of two kinds of pistol training data in APDA (a) ‘pistol’, and (b) ‘pistol held by hands’
표 표 1. ‘권총’과 ‘손에 쥔 권총’의 평균 정밀도 Table 1. Average Precision for both ‘pistol’ and ‘pistol held by hands’ data
그림 그림 7. APDA를 이용한 실험결과의 예 Fig. 7. An example of experimental result with APDA
그림 그림 8. APDA로 오 탐지된 예 Fig. 8. An example of false detection in APDA
표 표 2. ‘손에 쥔 권총’ 학습 시 단계 별 평균 정밀도 Table 2. Average Precision per step in learning for 'pistol held by hands'
표 표 3. SSD-MobileNet과 APDA에 대한 정밀도와 재현율 Table 3. Precision and recall values for SSD-MobileNet and APDA

AI 본문요약
AI-Helper

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

문제 정의

하지만 한 객체와 상대적으로 매우 작은 객체로 결합한 복합적인 요소의 객체를 탐지하게 되는 경우에는 객체 탐지 성능이 눈에 띄게 저하된다. 본 논문에서는 이러한 문제점을 해결하기 위하여 권총으로 무장한 사람을 탐지하는 방법으로 APDA를 제안하고 실험을 통하여 그 성능을 검증하였다. APDA는 CMU-pose 방법으로 양 손목의 위치를 찾는 모듈과 SSD-MobileNet으로 권총의 경계 상자의 위치를 찾아내는 모듈이 병렬적으로 배치되고, 이 두 모듈에서 제공되는 정보를 이용하는 후처리 모듈로 구성되었다.

제안 방법

‘권총 든 사람’을 탐지할 때 일반적으로 권총의 손잡이가 사람의 손에 가려져 있으므로, ‘권총’ 데이터셋을 그림 6과 같이 ‘권총’과 ‘손에 쥔 권총’ 두 형태로 나누어 각각 SSDMobileNet을 통해 학습시키고 그 성능을 비교하였다.
두 번째 단계에서는 제안된 각 경계 상자에 위치하는 사람의 키포인트를 추정한다. 각 인체 특징점에 대해 FCN인 ResNet을 사용하여 밀도가 높은 히트 맵(Heat map) 오프셋(Offset)을 예측한다. 이후 두 가지 출력을 결합하여 높은 키포인트 예측을 얻는다.
권총과 양 손목 사이의 거리가 최소가 되는 사람을 ‘권총 든 사람’으로 탐지하였다.
이는 Bottom-up 방식을 사용하기 때문에 서로 다른 사람의 특정한 인체 특징점이 근접할 때 발생하는 오류로부터 복원되는 성능이 뛰어나다. 그리고 동일 입력 영상에 대해 SSD-MobileNet을 이용하여 권총을 탐지한다. SSD-MobileNet은 그림 4(b)와 같이 깊이가 다른 복수의 특징 지도를 사용하기 때문에 작은 인체 주변의 객체 탐지에 적합하고, 분리 가능한 합성곱신경망을 사용하기에 적은 매개변수를 효율적으로 학습한다.
우선 칼에 대한 탐지는 MPEC-7 특징 추출 방법을 사용하여 특징 지도를 구성하였고, 이를 사용하여 머신러닝의 한 종류인 SVM을 통해 칼에 대한 탐지를 진행하였다. 다음으로 총에 대한 탐지는 모폴로지(Mophology)를 이용한 배경 탐색과 캐니 에지(Canny Edge) 탐색^[16], PCA, 3개의 층으로 구성된 Neural Network, MPEC-7 Visual Descriptor^[17] 등을 이용한 칼의 형태 탐색을 통해 진행되었다. [18]은 Faster R-CNN의 가장 최신 모델인 VGG-16을 사용하여 손에 쥔 총에 대한 탐지를 진행하였다.
상기한 문제를 해결하기 위하여 본 논문에서는 CNN을 기반으로 인체의 특징점과 그 주변의 권총을 각각 탐지하고, 탐지된 인체 양 손목과 권총 사이의 거리 정보를 활용하여 ‘권총 든 사람’을 탐색하는 알고리즘으로 APDA(Armed Person Detection Algorithm)를 제안한다.
실험은 두 가지로 진행되는데, 이는 ‘권총’ 데이터셋 형태를 결정하기 위한 첫 번째 실험과 APDA의 성능 평가를 위한 두 번째 실험으로 구성된다.
[15]는 CCTV 영상을 활용하여, 칼과 총 각각의 특성에 맞는 탐지 방법을 제안하였다. 우선 칼에 대한 탐지는 MPEC-7 특징 추출 방법을 사용하여 특징 지도를 구성하였고, 이를 사용하여 머신러닝의 한 종류인 SVM을 통해 칼에 대한 탐지를 진행하였다. 다음으로 총에 대한 탐지는 모폴로지(Mophology)를 이용한 배경 탐색과 캐니 에지(Canny Edge) 탐색^[16], PCA, 3개의 층으로 구성된 Neural Network, MPEC-7 Visual Descriptor^[17] 등을 이용한 칼의 형태 탐색을 통해 진행되었다.
이후 APDA의 성능 평가를 위하여 ‘권총 든 사람’ 데이터 1000개를 학습한 SSD-MobileNet에 대한 실험과 APDA에 대한 실험을 진행하여 성능을 비교하였다. 이때 객관적인 성능 평가를 위해 두 실험 모두 직접 구축한 500개의 입력 영상에 대해 동일한 실험을 진행하였다. 그림 7은APDA에 대한 결과의 한 예이다.
표 1은 ‘권총’ 데이터 500개와 ‘손에 쥔 권총’ 데이터 500개를 가지고 단계별로 학습한 후 각 데이터셋 형태에 따라 단계별로 정밀도를 평가한 것을 나타낸다. 이때, 직접 구축한 455개의 입력 영상을 통해 이에 대한 탐지 정밀도를 평가하였다. 실험 결과 ‘4500’단계 이후로 오버피팅(Overfitting)이 발생하여 탐지 정밀도가 감소하였다.
SSD는 순방향 신경망(Feed Forward Neural Network, FFNet) 기반의 단일 심층 신경망을 사용하며, 후보 상자를 탐지하기 위해서 픽셀이나 특징을 다시 추출하지 않는 최초의 깊은 신경망 기반의 객체탐지 네트워크다. 이전의 작업에서 수행되던 영역 후보 생성과 클래스 분류를 하는 2단계 작업을 한 번에 처리하였고, 깊이가 다른 복수의 특징 지도를 사용하여 얕은 쪽은 작은 객체를 탐지하고, 깊은 쪽은 큰 객체를 탐지할 수 있도록 깊이에 따라 상자의 크기가 바뀐 후 탐지한다. PASCALVOC2007(PASCAL Visual Object Classes Challenge 2007)에서 73.
이후 APDA의 성능 평가를 위하여 ‘권총 든 사람’ 데이터 1000개를 학습한 SSD-MobileNet에 대한 실험과 APDA에 대한 실험을 진행하여 성능을 비교하였다.
이후 학습 단계에서 정밀도가 떨어지는 오버피팅이 발생하였기 때문에, ‘6000’ 단계의 학습결과를 사용하여 APDA의 SSD-MobileNet 모듈을 확정하였다.

대상 데이터

본 논문에서 사용하는 학습 데이터셋은 ImageNet, IMFDB 및 직접 촬영한 영상을 사용하였으며 각각의 데이터셋들을 ‘TFrecord’ 형식으로 변환하여 학습에 사용하였다.
위 실험 결과를 바탕으로 ‘손에 쥔 권총’ 형태의 데이터 1000개를 이용하여 APDA의 SSD-MobileNet 모듈에 학습을 진행하였다.

데이터처리

위 실험 결과를 바탕으로 ‘손에 쥔 권총’ 형태의 데이터 1000개를 이용하여 APDA의 SSD-MobileNet 모듈에 학습을 진행하였다. 그리고 표 2와 같이 동일한 450개의 실험 영상에 대해 각 단계 학습 결과의 평균 정밀도를 평가하였다. 이때 ‘6000’단계일 때의 평균 정밀도가 93.
[18]은 Faster R-CNN의 가장 최신 모델인 VGG-16을 사용하여 손에 쥔 총에 대한 탐지를 진행하였다. 학습 및 평가는 IMFDB^[19]를 사용하여 이루어졌으며 탐지의 실험 결과는 SVM, K-Nearest Neighbor(KNN)^[20] 모델과의 비교를 통해 성능을 입증하였다.

이론/모형

권총과 양 손목 사이의 거리가 최소가 되는 사람을 ‘권총 든 사람’으로 탐지하였다. 객관적 성능을 평가하기 위한 지표로 정밀도, 재현율을 사용하였다. APDA의 재현율은 기존 방법 대비 46.
따라서 이 문제를 해결하기 위하여 YOLO(You Only Look Once)[8] 방법으로 ‘사람’과 ‘권총’을 따로 학습시켜 각각을 경계 상자(Bounding Box)로 표현하여 상자 간의 거리로 ‘권총 든 사람’을 탐지하는 방법을 적용하였다.

성능/효과

3% 이다. APDA는 SSD-MobileNet보다 46.3% 향상된 재현율을 보이고, 14.04% 향상된 정밀도를 보였다. 하지만 낮은 정밀도를 보였는데, 그 이유는 APDA의 경우 작은 객체인 ‘권총’의 특징 지도가 아주 작기 때문에 탐지가 정확하게 이루어지지 않았기 때문이다.
객관적 성능을 평가하기 위한 지표로 정밀도, 재현율을 사용하였다. APDA의 재현율은 기존 방법 대비 46.3% 향상된 89.3%를 보였고, 정밀도는 기존방법 대비 14.04% 향상된 32.28%를 보이며 기존 방법보다 강인하게 객체를 탐지하였다.
이전의 작업에서 수행되던 영역 후보 생성과 클래스 분류를 하는 2단계 작업을 한 번에 처리하였고, 깊이가 다른 복수의 특징 지도를 사용하여 얕은 쪽은 작은 객체를 탐지하고, 깊은 쪽은 큰 객체를 탐지할 수 있도록 깊이에 따라 상자의 크기가 바뀐 후 탐지한다. PASCALVOC2007(PASCAL Visual Object Classes Challenge 2007)에서 73.2% mAP와 초당 7프레임의 성능을 가진 FasterRCNN^[11]과 63.4% mAP와 초당 45프레임의 성능을 가진 YOLO에 비해 SSD는 300 x 300 입력의 경우 초당 59프레임과 74.3% mAP를 얻었고, 512 x 512 입력의 76.9% mAP를 달성하여 탐지 정확도 및 속도가 향상됐다. ResNet은 기존 CNN의 합성곱 층이 깊어질수록 성능이 저하되는 문제를 해결하기 위한 네트워크다.
SSD-MobileNet에 대한 정밀도와 재현율은 각각 18.24%, 43.02% 이고, APDA에 대한 정밀도와 재현율은 각각 32.28%, 89.3% 이다. APDA는 SSD-MobileNet보다 46.
그 결과 왼쪽 사람의 손이 오른쪽 사람의 손보다 권총과의 거리가 짧으므로, 왼쪽 인물이 ‘권총 든 사람’으로 탐지되었다.
즉, 참조되지 않은 함수를 학습하는 대신 층의 입력을 참조하여 잔차(Residual) 함수를 학습하는 것으로 층을 명시적으로 재구성한다. 그 결과 잔차 네트워크가 최적화하기 쉽고 상당히 깊어진 층에서 정확성을 얻을 수 있음을 보였다.
실험 결과 ‘4500’단계 이후로 오버피팅(Overfitting)이 발생하여 탐지 정밀도가 감소하였다.
그리고 각각 예측된 정보를 결합하여 각 관절을 연관 지어 그림 2와 같이 최종 출력을 뽑아낸다. 이 알고리즘의 정확도는 COCO 테스트 셋에서 60.5% mAP를 달성했으며, 이전의 작업보다 향상된 정확성을 보인다. 그리고 초당 200프레임의 성능을 가져 실시간 자세 추정에 적합하다.
이후 두 가지 출력을 결합하여 높은 키포인트 예측을 얻는다. 이 알고리즘의 정확도는 COCO(Common Objects in Context) 테스트 셋에서 59.8% mAP를 달성하였다. 한편, CMU-Pose는 상향식(Bottom-Up) 접근 방식으로 2-branch로 구성된 다중단계 CNN을 사용한다.
한편, ‘손에 쥔 권총’ 데이터셋으로 학습시킬 경우 ‘권총’ 데이터셋으로 학습했을 경우에 비해 정밀도가 평균적으로 5.73% 높았다.

후속연구

그림 8에서 ‘권총’과 인체 특징점은 정확하게 탐지되었지만 ‘권총’과 ‘사람’간의 깊이 정보를 반영하지 못하여 오탐지하였다. 향후 이차원 영상에서 깊이 정보를 추출할 수 있는 방법^[22]을 이용하여 깊이 정보를 고려하면 오 탐지율을 줄일 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	APDA이 '권총 든 사람'을 탐지하는 과정은?	이러한 문제점을 해결하기 위하여 권총으로 무장한 사람을 탐지하는 방법으로 APDA(Armed Person Detection Algorithm)를 제안한다. APDA는 입력 영상에서 합성곱신경망(Convolutional Neural Network, CNN) 기반의 인체 특징점 탐지 모델과 객체 탐지 모델을 병행하여 획득한 양 손목과 권총의 위치를 후처리 작업에서 이용하여 '권총 든 사람'을 탐지한다. APDA는 기존 방식보다 객관적 평가에서 재현율이 46.
	객체 탐지 방법에는 어떤 것이 있는가?	컴퓨터 비전 분야에서 관심 영역 및 객체를 탐지하는 연구는 오래전부터 지속적으로 수행되어왔다. 객체 탐지를 수행하는데 HOG(Histogram of Oriented Gradients), Harrlike feature 알고리즘, 딥 러닝(Deep learning) 등 다양한 방법들이 존재한다[1]-[3]. 이들 중에서 CNN 기반의 딥 러닝 방식은 특히 객체 탐지 분야에서 성능을 크게 향상시켰다.
	기존 객체 탐지방법의 한계점은?	기존 객체 탐지방법은 탐지하려는 객체를 단일 객체로 탐지하기 때문에 각각의 객체에 대해서는 좋은 성능을 보인다. 하지만 한 객체와 상대적으로 매우 작은 객체로 결합한 복합적인 요소의 객체를 탐지하게 되는 경우에는 객체 탐지 성능이 눈에 띄게 저하된다. 본 논문에서는 이러한 문제점을 해결하기 위하여 권총으로 무장한 사람을 탐지하는 방법으로 APDA를 제안하고 실험을 통하여 그 성능을 검증하였다.

참고문헌 (22)

Kwangsoo Kim, Ungtae Kim and Sooyeong Kwak, "Real-time Violence Video Detection based on Movement Change Characteristics" JBE, Vol.22, No. 2, pp. 234-239, March 2017, http://dx.doi.org/ 10.5909/JBE.2017.22.2.234 (accessed Aug. 1, 2018).

원문보기 상세보기
Sanggi Kim and Dongseog Han, "Real Time Traffic Light Detection Algorithm Based on Color Map and Multilayer HOG-SVM" JBE, Vol. 22, No. 1, pp. 62-69, Jenuary 2017, http://dx.doi.org/10.5909/JBE.2017.22.1.62 (accessed Aug. 3, 2018).

원문보기 상세보기
Seulbeen Kim and Wonjun Kim, "User Identification Method using Palm Creases and Veins based on Deep Learning" JBE, Vol. 23, No. 3, pp. 395-402, May 2018, http://dx.doi.org/10.5909/JBE.2018.23.3.395 (accessed Aug. 3, 2018).

원문보기 상세보기
K. He, X. Zhang, S. Ren and J. Sun, "Deep Residual Learning for Image Recognition" In Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR), pp. 770-778, 2016, https://doi.org/10.1109/cvpr.2016.90 (accessed Aug. 10, 2018).
J. Hu, L. Shen and G. Sun, "Squeeze-and-Excitation Network" arXiv: 1709.01507, 2017, https://arxiv.org/pdf/1709.01507 (accessed Aug. 10, 2018).
W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, Cheng-Yang Fu and Alexander C. Berg, "SSD: Single Shot MultiBox Detector" In Proceeding of the European Conference on Computer Vision(ECCV), pp.21-37, 2016, https://doi.org/10.1007/978-3-319-46448-0_2 (accessed Sep 8, 2018).
A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, M. Andreetto and H. Adam, "MobileNets: Efficient Convolutional Neural Network for Mobile Vision Applications" arXiv: 1704.04861, 2017, https://arxiv.org/abs/1704.04861 (accessed Sep 20, 2018).
J. Redmon, S. Divvala, R. Girshick and A. Farhadi, "You Only Look Once: Unified, Real-Time Object Detection" In Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 779-788, 2016, https://doi.org/10.1109/cvpr.2016.91(accessed Sep 8, 2018).
Z. Cao, T. Simon, Shih-E. Wei and Y. Sheikh, "Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields" In Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp.1302-1310, 2017, https://doi.org/10.1109/cvpr.2017.143 (accessed Sep 8, 2018).
Y. Lecun, B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard and L. D. Jackel, "Backpropagation Applied to Handwritten Zip Code Recognition" Neural Computation, vol. 1, no. 4, pp 541-551, Winter 1989, 10.1162/neco.1989.1.4.541 (accessed Aug. 5, 2018).

상세보기
S. Ren, K. He, R. Girshick, and J. Sun, "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks" IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, no. 6, June 2017, https://doi.org/10.1109/tpami.2016.2577031 (accessed Aug. 10, 2018).

상세보기
A. Glowacz, M. Kmiec and A. Dziech, "Towards Robust Visual Knife Detection in Images: Active Appearance Models Initialised with Shape-specific Interest Points" In Multimedia Communications, Services and Security : 5th International Conference. vol. 287, pp. 148-158, 2012, https://doi.org/10.1007/978-3-642-30721-8_15 (accessed Aug 9, 2018).
L. Malagon-Borja, and O. Fuentes, "Object detection using image reconstruction with PCA" Image and Vision Computing, vol. 27, no. 1-2, pp. 2-9, 2009, https://doi.org/10.1016/j.imavis.2007.03.004 (accessed Aug 11, 2018).

상세보기
Derpanis KG, "The Harris corner detector" http://www.cse.yorku.ca/-kosta/CompVis_Notes/harris_detector.pdf(accessed Aug. 10, 2018)
M. Grega, A. Matiolanski, P. Guzik and M. Leszczuk, "Automated Detection of Firearms and Knives in a CCTV Image" Sensors, vol. 16, no. 1. Jan 2016, https://doi.org/10.3390/s16010047 (accessed Aug 2, 2018).

상세보기
J. Canny, "A Computational Approach to Edge Detection" In IEEE Trans. Pattern Anal, Machine Intell., vol. PAMI-8, issue 6, pp. 679- 698, Nov 1986, https://doi.org/10.1016/b978-0-08-051581-6.50024-6 (accessed Aug 1, 2018).
B.S. Manjunath, Philippe Salembier and Thomas Sikora, Introduction to MPEG-7, Multimedia Content Description Interface. Wiley, USA, 2002, https://doi.org/10.1007/springerreference_72884 (accessed Aug 15, 2018).
Gyanendra K. Verma and Anamika Dhillon, "A HandHeld Gun Detection using Faster R-CNN Deep Learning" In Proceeding of the 7th International Conference on Computer and Communication Technology, pp. 84-88, November 2017, https://doi.org/10.1145/ 3154979.3154988 (accessed Aug 8, 2018).
IMFDB: Internet Movie Firearms Database, http://www.imfdb.org/wiki/Main_Page (accessed Aug.15, 2018).
J.M. Keller, M.R. Gray and J.A. junior, "A Fuzzy K-Nearest Neighbor Algorithm" In IEEE Transactions on Systems, Man, and Cybernetics, Vol. SMC-15, issue 4, pp. 580-585, 1985, https://doi.org/10.1109/tsmc.1985.6313426 (accessed Aug 9, 2018).

상세보기
G. Papandreou, T. Zhu, N. Kanazawa, A. Toshev, J. Tompson, C. Bregler and K. Murphy, "Towards Accurate Multi-person Pose Estimation in the Wild" In Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR), 2017, https://doi.org/10.1109/cvpr.2017.395 (accessed Sep 5, 2018).
A. Saxena, S. H. Chung and A. Y. Ng, "3-D Depth Reconstruction from a Single Still Image" International Journal of Computer Vision, Vol. 76 Issue 1, pp. 53-69, January 2008, https://doi.org/10.1007/s11263-007-0071-y (accessed Sep 1, 2018).

상세보기

저자의 다른 논문 :

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