[논문]Generative Adversarial Network를 이용한 손실된 깊이 영상 복원

나준엽; 심창훈; 박인규

doi:10.5909/jbe.2018.23.5.614

Generative Adversarial Network를 이용한 손실된 깊이 영상 복원
Depth Image Restoration Using Generative Adversarial Network 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.23 no.5, 2018년, pp.614 - 621

나준엽 (인하대학교 정보통신공학과) , 심창훈 (인하대학교 정보통신공학과) , 박인규 (인하대학교 정보통신공학과)

초록
AI-Helper

본 논문에서는 generative adversarial network (GAN)을 이용한 비감독 학습을 통해 깊이 카메라로 깊이 영상을 취득할 때 발생한 손실된 부분을 복원하는 기법을 제안한다. 제안하는 기법은 3D morphable model convolutional neural network (3DMM CNN)와 large-scale CelebFaces Attribute (CelebA) 데이터 셋 그리고 FaceWarehouse 데이터 셋을 이용하여 학습용 얼굴 깊이 영상을 생성하고 deep convolutional GAN (DCGAN)의 생성자(generator)와 Wasserstein distance를 손실함수로 적용한 구별자(discriminator)를 미니맥스 게임기법을 통해 학습시킨다. 이후 학습된 생성자와 손실 부분을 복원해주기 위한 새로운 손실함수를 이용하여 또 다른 학습을 통해 최종적으로 깊이 카메라로 취득된 얼굴 깊이 영상의 손실 부분을 복원한다.

Abstract ▼ AI-Helper

This paper proposes a method of restoring corrupted depth image captured by depth camera through unsupervised learning using generative adversarial network (GAN). The proposed method generates restored face depth images using 3D morphable model convolutional neural network (3DMM CNN) with large-scale CelebFaces Attribute (CelebA) and FaceWarehouse dataset for training deep convolutional generative adversarial network (DCGAN). The generator and discriminator equip with Wasserstein distance for loss function by utilizing minimax game. Then the DCGAN restore the loss of captured facial depth images by performing another learning procedure using trained generator and new loss function.

주제어

표/그림 (11)

그림 그림 1. 미니맥스 게임을 수행하는 데에 사용한 깊이 영상. (a) 3DMM CNN과 CelebA 데이터 셋을 이용하여 추출한 깊이 영상, (b) FaceWarehouse 데이터 셋의 깊이 영상 Fig. 1. Depth image used in minimax game. (a) Extracted depth image by using 3DMM CNN and CelebA dataset, (b) Depth image from FaceWarehouse dataset
그림 그림 2. 깊이 카메라로 취득한 얼굴 깊이 영상 Fig. 2. Facial depth image captured by depth camera
그림 그림 3. 미니맥스 게임기법을 이용한 학습 과정 Fig. 3. Training procedure using minimax game
그림 그림 4. 서로 다른 두 손실함수를 이용한 미니맥스 게임기법을 통해 생성된 얼굴 깊이 영상의 비교. (a) 기존 DCGAN, (b) Wasserstein distance를 적용한 DCGAN (학습률: 0.0002, 반복 횟수: 10,000) Fig. 4. Comparison of generated facial depth image after performing minimax game using two different loss functions. (a) Original DCGAN, (b) DCGAN with Wasserstein distance (Learning rate: 0.0002, iteration count: 10,000)
그림 그림 5. 학습된 생성자를 이용한 손실된 깊이 영상 복원 Fig. 5. Depth image restoration using trained generator
그림 그림 6. 다섯 가지 학습률을 이용하여 학습된 생성자로 만들어진 얼굴 깊이 영상. (a) 0.0001, (b) 0.00012, (c) 0.00015, (d) 0.00017, (e) 0.0002 Fig. 6. Generated facial depth image by trained generator using five different learning rates. (a) 0.0001, (b) 0.00012, (c) 0.00015, (d) 0.00017, (e) 0.0002
그림 그림 7. 취득한 얼굴 깊이 영상에서 합성 실험 영상을 얻기 위해 이진 마스킹을 수행할 눈, 코, 입 영역 Fig. 7. Eye, nose, mouth region of obtained facial depth image
표 표1. 미니맥스 게임 및 손실된 깊이 영상을 복원할 때 사용한 하이퍼 파라미터들 Table 1. Hyper parameters used in minimax game and restoration
그림 그림 8. 실제 깊이 영상에 각 부위 별 여러 비율의 이진 마스크를 적용하여 영상을 손상시킨 후 다시 복원한 결과. (a) 원본 깊이 영상, (b), (c), (d) 눈 부위에 각각 너비의 40%, 50%, 60%를 이진 마스크 삭제한 뒤 복원한 결과, (e), (f), (g) 코 부위에 각각 너비의 20%, 30%, 40%를 이진 마스크로 삭제한 뒤 복원한 결과, (h), (i), (j) 입 부위에 각각 너비의 20%, 30%, 40%를 이진 마스크로 삭제한 뒤 복원한 결과 (미니맥스 게임에 사용된 학습률: 0.00017, 복원 과정에 사용된 학습률: 0.00015) Fig. 8. Results of depth image restoration after corrupting the original depth image with binary masks with different area. (a) Original depth image, (b), (c), (d) Restoration result after corrupting 40%, 50%, and 60% of eyes part width, (e), (f), (g) Restoration result after corrupting 20%, 30%, and 40% on nose part width, (h), (i), (j) Restoration result after corrupting 20%, 30%, and 40% on mouth part width (Learning rate used in minimax game: 0.00017, learning rate used in restoration: 0.00015)
그림 그림 9. 영상에서 발생한 손실 부분을 복원한 결과. (a) RGB 영상, (b) 손실과 함께 취득된 얼굴 깊이 영상, (c) 손실된 부분을 복원한 결과 Fig. 9. Restoration result of real corrupted facial depth image. (a) RGB image, (b) Obtained corrupted facial depth image, (c) Restoration result on loss part
표 표 2. 각 부위 별 복원한 결과와 원본 깊이 영상과의 비교 결과 Table 2. Comparison of restoration results and original depth images for each part

AI 본문요약
AI-Helper

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

문제 정의

기존 알고리즘으로 손실된 깊이 정보를 복원해주는 방식과 달리 비감독 학습 방법 중 영상 처리에 특화된 DCGAN^[4] 구조를 사용한다. 그리고 DCGAN의 구별자를 좀 더 효과적으로 학습시키기 위해 기존에 사용되어 왔던 Jensen-Shannon divergence에 비해 무른(weak) 특성을 보이는 Wasserstein distance^[6]를 손실함수로 이용하여 문제를 해결하고자 한다. DCGAN은 미니맥스 게임기법을 통해 적대적인 학습을 하는 GAN^[7]에서의 생성자와 구별자의 신경망 구조에 영상 처리를 위해 convolutional neural network (CNN) 구조를 적용한 딥러닝 기법이다^[4].
본 논문에서는 깊이 카메라로 취득한 얼굴 깊이 영상에서 완전히 손실된 부분을 복원하기 위한 새로운 알고리즘을 제안한다. 기존 알고리즘으로 손실된 깊이 정보를 복원해주는 방식과 달리 비감독 학습 방법 중 영상 처리에 특화된 DCGAN^[4] 구조를 사용한다.

제안 방법

DCGAN은 미니맥스 게임기법을 통해 적대적인 학습을 하는 GAN^[7]에서의 생성자와 구별자의 신경망 구조에 영상 처리를 위해 convolutional neural network (CNN) 구조를 적용한 딥러닝 기법이다^[4]. DCGAN의 미니맥스 게임을 진행하기 위해 3DMM CNN^[8][9]을 이용하여 총 23,500개의 학습용 데이터 셋을 만들어주어 미니맥스 게임을 수행한다. 마지막으로 깊이 카메라로 직접 취득한 실제 얼굴 깊이 영상에 여러 비율의 이진 마스크를 각 부위별로 적용하여 손실된 부분을 만들어주며 학습용 데이터를 통해 훈련시킨 생성자를 이용하여 손실된 부분을 복원한 결과를 보인다.
그림 7은 깊이 카메라로 취득한 얼굴 깊이 영상을 손상시켜 합성 실험 영상을 얻기 위해 눈, 코, 입에 이진 마스크를 어떻게 적용했는 지를 나타낸다. 각 부위는 얼굴 영역의 맨 윗부분을 기준으로 눈은 30% ~ 45% (빨간 부분), 코는 35% ~ 55% (초록 부분), 입은 57% ~ 75% (파란 부분)으로 지정하였으며 각 부위에 대해 이진 마스크의 높이를 고정시키고 너비를 변화시켜가며 손실된 깊이 영상을 생성하였다.
우선 각 부위 별로 복원 정도를 측정하기 위해 가리어짐 없이 취득한 얼굴 깊이 영상에 직접 0과 1로 구성된 이진 마스크를 씌우는 방법으로 네모난 손실 부분을 각 부위 별로 생성하였다. 그 후 위 과정에서 학습된 생성자 G와 복원을 위한 손실함수 공식을 이용하여 새로운 학습을 통해 손실 부분을 복원하였다^[5].
그림 6. 다섯 가지 학습률을 이용하여 학습된 생성자로 만들어진 얼굴 깊이 영상. (a) 0.
. 또한 깊이와 RGB 영상에서의 텍스처를 이용한 패치 기반의 인페인팅(inpainting)을 통해 일반적인 깊이 영상에서의 손실을 복원하는 알고리즘을 제안하였다^[3]. 하지만 이는 주변 픽셀 또는 다른 영상의 정보를 이용하여 복원하는 것이므로 손실 부분이 클 때 매우 제한적이다.
이를 CelebA 데이터 셋에 적용하여 15,000개의 3D 얼굴 모델을 생성하였고 인종의 다양성을 위해 FaceWarehouse 데이터 셋^[9] 8,500개를 추가적으로 사용하였다. 마지막으로 총 23,500개의 3D 얼굴 모델들로부터 깊이 영상을 취득하여 본 논문에서 제시한 딥러닝 구조에 이용하기 위해 그림 1과 같이 관심 영역 만을 취한 뒤 깊이의 범위를 (-1, 1)의 범위로 정규화 하였다.
본 논문에서 사용한 3DMM CNN은 학습된 CNN 구조를 통해 단일 얼굴 영상에서 얼굴을 검출하여^[8] 취득한 매개 변수들과 총 여덟 개의 주성분 분석(principal component analysis, PCA) 매개 변수 변화를 통해 다양한 3차원 얼굴 형태를 생성하는 Basel face model (BFM)^[10]을 이용하여 검출한 얼굴의 3D 객체를 생성한다. 이를 CelebA 데이터 셋에 적용하여 15,000개의 3D 얼굴 모델을 생성하였고 인종의 다양성을 위해 FaceWarehouse 데이터 셋^[9] 8,500개를 추가적으로 사용하였다.
본 논문에서는 DCGAN의 구별자에 기존에 사용된 손실 함수인 Jensen-Shannon divergence 대신 좀 더 무른 성질을 가지고 있는 식 (1)의 Wasserstein distance^[6]를 적용하여 그림 4 (b)와 같이 미니맥스 게임의 결과를 더욱 개선하였다.
본 논문에서의 실험은 TensorFlow 프레임워크 상에서 NVIDIA GeForce GTX 1080 Ti GPU를 사용하여 총 5일간 수행하였으며 DCGAN의 미니맥스 게임 및 손실된 깊이영상을 복원할 때 사용한 하이퍼 파라미터(hyper parameter)들은 다음 표 1에 정리하였다.
그림 4. 서로 다른 두 손실함수를 이용한 미니맥스 게임기법을 통해 생성된 얼굴 깊이 영상의 비교. (a) 기존 DCGAN, (b) Wasserstein distance를 적용한 DCGAN (학습률: 0.
그림 6은 그림 4의 (b)에서 더 나아가 총 25,000번 배치를 가져와 미니맥스 게임을 하며 학습된 생성자가 만들어낸 얼굴 깊이 영상이다. 손실된 부분을 복원하는 데에 좀더 다양한 학습률로 학습된 생성자를 사용하기 위해 미니 맥스 게임을 총 다섯 가지의 학습률을 사용하여 진행하였으며 그 결과 학습용으로 사용하였던 데이터 이외의 얼굴 깊이 영상들을 생성하였다.
그림 9는 실제로 깊이 카메라를 사용하여 취득할 때 손실된 부분을 위에서 학습시킨 생성자를 이용하여 복원한 결과이다. 손실된 부분을 생성하기 위해 깊이 범위를 30cm에서 40cm 사이로 제한하여 얼굴을 손으로 가려 촬영하였고 이진 마스크는 취득한 깊이 영상에서 값이 0인 부분만을 지정하여 복원해주었다.
우선 각 부위 별로 복원 정도를 측정하기 위해 가리어짐 없이 취득한 얼굴 깊이 영상에 직접 0과 1로 구성된 이진 마스크를 씌우는 방법으로 네모난 손실 부분을 각 부위 별로 생성하였다. 그 후 위 과정에서 학습된 생성자 G와 복원을 위한 손실함수 공식을 이용하여 새로운 학습을 통해 손실 부분을 복원하였다^[5].
그림 8은 위 그림 7에서 설명한 눈, 코, 입 부분에 각각 이진 마스크를 여러 비율에 따라 적용시켜 합성 실험 영상을 생성하고 손상된 영역을 복원한 실험 결과이다. 이진 마스크의 비율은 깊이 영상의 중앙을 기준으로 눈은 깊이 영상의 너비의 40%, 50%, 60%, 코와 입은 20%, 30%, 40%로 변경하며 실험하였다. 복원 과정에서의 손실함수를 위한 학습률 또한 미니맥스 게임과 동일하게 총 다섯 가지를 사용하였으며 그 중 미니맥스 게임에서 사용한 학습률이 0.

대상 데이터

본 논문에서는 얼굴 깊이 영상 학습을 위해 생성자에는 -1부터 1 사이의 난수들을, 구별자에는 정규화 된 학습용 데이터 23,500개를 입력하여 서로 경쟁하며 상호 발전하는 미니 맥스 게임을 진행한다. 미니맥스 게임기법을 통해 생성자는 난수들을 이용하여 최대한 구별자에 입력된 데이터와 비슷한 결과 값을 만들도록, 구별자는 생성자가 만든 결과와 입력된 학습용 데이터를 서로 구별할 수 있도록 학습된다^[7].
실제 얼굴의 깊이 영상을 취득하기 위해 20cm에서 150 cm범위의 깊이 영상을 취득하는 데에 최적화 된 Intel® RealSense™ SR300 깊이 카메라를 사용하였다[11].
을 이용하여 검출한 얼굴의 3D 객체를 생성한다. 이를 CelebA 데이터 셋에 적용하여 15,000개의 3D 얼굴 모델을 생성하였고 인종의 다양성을 위해 FaceWarehouse 데이터 셋^[9] 8,500개를 추가적으로 사용하였다. 마지막으로 총 23,500개의 3D 얼굴 모델들로부터 깊이 영상을 취득하여 본 논문에서 제시한 딥러닝 구조에 이용하기 위해 그림 1과 같이 관심 영역 만을 취한 뒤 깊이의 범위를 (-1, 1)의 범위로 정규화 하였다.

데이터처리

제안하는 알고리즘의 성능을 정량적으로 분석하기 위하여, 그림 8에서 각 부위 별로 복원한 부분과 원본 깊이 영상에서 동일한 부분을 비교하여 PSNR 값을 계산한 결과를 표 2에 제시하였다. 실험 결과 PSNR과 이진 마스크의 비율은 큰 관련이 없었으며 코 부위에서의 PSNR이 다른 부위에 비해 좀 더 높게 측정되었다.

이론/모형

본 논문에서는 깊이 카메라로 취득한 얼굴 깊이 영상에서 완전히 손실된 부분을 복원하기 위한 새로운 알고리즘을 제안한다. 기존 알고리즘으로 손실된 깊이 정보를 복원해주는 방식과 달리 비감독 학습 방법 중 영상 처리에 특화된 DCGAN^[4] 구조를 사용한다. 그리고 DCGAN의 구별자를 좀 더 효과적으로 학습시키기 위해 기존에 사용되어 왔던 Jensen-Shannon divergence에 비해 무른(weak) 특성을 보이는 Wasserstein distance^[6]를 손실함수로 이용하여 문제를 해결하고자 한다.

성능/효과

DCGAN의 미니맥스 게임을 진행하기 위해 3DMM CNN^[8][9]을 이용하여 총 23,500개의 학습용 데이터 셋을 만들어주어 미니맥스 게임을 수행한다. 마지막으로 깊이 카메라로 직접 취득한 실제 얼굴 깊이 영상에 여러 비율의 이진 마스크를 각 부위별로 적용하여 손실된 부분을 만들어주며 학습용 데이터를 통해 훈련시킨 생성자를 이용하여 손실된 부분을 복원한 결과를 보인다.
이진 마스크의 비율은 깊이 영상의 중앙을 기준으로 눈은 깊이 영상의 너비의 40%, 50%, 60%, 코와 입은 20%, 30%, 40%로 변경하며 실험하였다. 복원 과정에서의 손실함수를 위한 학습률 또한 미니맥스 게임과 동일하게 총 다섯 가지를 사용하였으며 그 중 미니맥스 게임에서 사용한 학습률이 0.00017, 복원 과정에서 사용한 학습률이 0.00015일 때 결과가 육안으로 봤을 때 가장 우수한 결과를 생성하였다.
본 연구를 통해 얼굴 깊이 영상을 데이터를 이용하여 미니맥스 게임기법을 통해 생성자와 구별자를 학습시켜 얼굴 깊이 영상에서 완전히 손실된 부분이 발생하였을 때 이를 얼굴 형상에 맞게 복원하였으며 기존 DCGAN에서 사용된 구별자의 손실함수가 아닌 Wasserstein distance를 이용하여 좀 더 개선된 결과를 도출하였다.
제안하는 알고리즘의 성능을 정량적으로 분석하기 위하여, 그림 8에서 각 부위 별로 복원한 부분과 원본 깊이 영상에서 동일한 부분을 비교하여 PSNR 값을 계산한 결과를 표 2에 제시하였다. 실험 결과 PSNR과 이진 마스크의 비율은 큰 관련이 없었으며 코 부위에서의 PSNR이 다른 부위에 비해 좀 더 높게 측정되었다. 이는 눈과 입 부위에 비해 코 부위의 복원 정도가 더 뛰어남을 나타내며 코 부위에서 깊이 값의 변화가 더욱 크기 때문에 학습된 생성자가 복원하기 쉬웠을 것이라 추정하였다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Wasserstein distance를 손실함수로 이용했을 때 어떤 특징이 있는가?	기존 알고리즘으로 손실된 깊이 정보를 복원해주는 방식과 달리 비감독 학습 방법 중 영상 처리에 특화된 DCGAN[4] 구조를 사용한다. 그리고 DCGAN의 구별자를 좀 더 효과적으로 학습시키기 위해 기존에 사용되어 왔던 Jensen-Shannon divergence에 비해 무른(weak) 특성을 보이는 Wasserstein distance[6]를 손실함수로 이용하여 문제를 해결하고자 한다. DCGAN은 미니맥스 게임기법을 통해 적대적인 학습을 하는 GAN[7]에서의 생성자와 구별자의 신경망 구조에 영상 처리를 위해 convolutional neural network (CNN) 구조를 적용한 딥러닝 기법이다[4].
	DCGAN은 무엇인가?	그리고 DCGAN의 구별자를 좀 더 효과적으로 학습시키기 위해 기존에 사용되어 왔던 Jensen-Shannon divergence에 비해 무른(weak) 특성을 보이는 Wasserstein distance[6]를 손실함수로 이용하여 문제를 해결하고자 한다. DCGAN은 미니맥스 게임기법을 통해 적대적인 학습을 하는 GAN[7]에서의 생성자와 구별자의 신경망 구조에 영상 처리를 위해 convolutional neural network (CNN) 구조를 적용한 딥러닝 기법이다[4]. DCGAN의 미니맥스 게임을 진행하기 위해 3DMM CNN[8][9]을 이용하여 총 23,500개의 학습용 데이터 셋을 만들어주어 미니맥스 게임을 수행한다.
	DCGAN을 이용하여 RGB 얼굴 영상의 손실된 부분을 복원 시 어떤 문제점이 있는가?	앞서 설명한 기존 방식이 아닌 DCGAN[4]을 이용하여 RGB 얼굴 영상의 손실된 부분을 복원해주는 연구도 이루어졌다[5]. 하지만 DCGAN의 생성자와 구별자를 학습시키기 위해 미니맥스 게임을 수행할 때 구별자에 Jensen-Shannon divergence를 손실 함수로 사용하여 크게 좋은 성능을 보이지 못한다.

참고문헌 (11)

K. Xu, J. Zhou, and Z. Wang, "A method of hole-filling for the depth map generated by Kinect with moving objects detection," Proceeding of IEEE international Symposium on Broadband Multimedia Systems and Broadcasting, pp. 1-5, June 2012.
L. Feng, L.-M. Po, X. Xu, K.-H. Ng, C.-H. Cheung, and K.-w. Cheung, "An adaptive background biased depth map hole-filling method for Kinect," Proceeding of IEEE Industrial Electronics Society, pp. 2366-2371, November 2013.
S. Ikehata, J. Cho, and K. Aizawa, "Depth map inpainting and super-resolution based on internal statistics of geometry and appearance," Proceeding of IEEE International Conference on Image Processing, pp. 938-942, September 2013.
A. Radford, L. Metz, and S. Chintala, "Unsupervised representation learning with deep convolutional generative adversarial networks," Proceeding of International Conference on Learning Representations, May 2016.
R. A. Yeh, C. Chen, T. Yian Lim, A. G. Schwing, M. Hasegawa-Johnson, and M. N. Do, "Semantic image inpainting with deep generative models," Proceeding of IEEE Conference on Computer Vision and Pattern Recognition, July 2017.
M. Arjovsky, S.Chintala, and L. Bottou, "Wasserstein GAN," Proceeding of International Conference on Machine Learning, vol. 70, pp.214-223, August. 2017.
I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D.Warde-Farley, S. Ozair, A. Courville, and Y. Bengio, "Generative adversarial networks," Proceeding of Advances in Neural Information Processing Systems, December 2014.
A. T. Tran, T. Hassner, I. Masi, and G. Medioni, "Regressing robust and discriminative 3D morphable models with a very deep neural net-work," Proceeding of IEEE Conference on Computer Vision and Pattern Recognition, July 2017.
C. Cao, Y. Weng, S. Zhou, Y. Tong, and K.Zhou, "FaceWarehouse: a 3D facial expression database for visual computing," IEEE Transaction on Visualization and Computer Graphics, vol. 20, no. 3, pp. 413-425, March 2014.

상세보기
P. Paysan, R. Knothe, B. Amberg, S. Romdhani, and T. Vetter, "A 3D face model for pose and illumination invariant face recognition," Proceeding of IEEE International Conference on Advanced Video and Signal Based Surveillance, October 2009.
$Intel^{(R)}$ $RealSense^{TM}$ Camera SR300, https://software.intel.com/sites/default/files/managed/0c/ec/realsense-sr300-product-data-sheet-rev-1-0.pdf (accessed August 13, 2018).

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