[논문]미디어 아카이브 구축을 위한 등장인물, 사물 메타데이터 생성 시스템 구현

조성만; 이승주; 이재현; 박구만

doi:10.5909/jbe.2019.24.6.1076

미디어 아카이브 구축을 위한 등장인물, 사물 메타데이터 생성 시스템 구현
Implementation of Character and Object Metadata Generation System for Media Archive Construction 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.24 no.6, 2019년, pp.1076 - 1084

조성만 (서울과학기술대학교 일반대학원 미디어IT공학과) , 이승주 (서울과학기술대학교 일반대학원 미디어IT공학과) , 이재현 (서울과학기술대학교 일반대학원 미디어IT공학과) , 박구만 (서울과학기술대학교 일반대학원 미디어IT공학과)

초록
AI-Helper

본 논문에서는 딥러닝을 적용하여 미디어 내의 등장인물 및 사물을 인식, 메타데이터를 추출하고 이를 통해 아카이브를 구축하는 시스템을 개발하였다. 방송 분야에서 비디오, 오디오, 이미지, 텍스트 등의 멀티미디어 자료들을 디지털 컨텐츠로 전환하기 시작한지는 오래 되었지만, 아직 구축해야 할 자료들은 방대하게 남아있다. 따라서 딥러닝 기반의 메타데이터 생성 시스템을 구현하여 미디어 아카이브 구축에 소모되는 시간과 비용을 절약 할 수 있도록 하였다. 전체 시스템은 학습용 데이터 생성 모듈, 사물 인식 모듈, 등장인물 인식 모듈, API 서버의 네 가지 요소로 구성되어 있다. 미디어 내에서 등장인물 및 사물을 인식하여 메타데이터로 추출할 수 있도록 딥러닝 기술로 사물 인식 모듈, 얼굴 인식 모듈을 구현하였다. 딥러닝 신경망을 학습시키기 위한 데이터를 구축하기 용이하도록 학습용 데이터 생성 모듈을 별도로 설계하였으며 얼굴 인식, 사물 인식의 기능은 API 서버 형태로 구성하였다. 1500명의 인물, 80종의 사물 데이터를 사용하여 신경망을 학습시켰으며 등장인물 테스트 데이터에서 98%, 사물 데이터에서 42%의 정확도를 확인하였다.

Abstract ▼ AI-Helper

In this paper, we introduced a system that extracts metadata by recognizing characters and objects in media using deep learning technology. In the field of broadcasting, multimedia contents such as video, audio, image, and text have been converted to digital contents for a long time, but the unconverted resources still remain vast. Building media archives requires a lot of manual work, which is time consuming and costly. Therefore, by implementing a deep learning-based metadata generation system, it is possible to save time and cost in constructing media archives. The whole system consists of four elements: training data generation module, object recognition module, character recognition module, and API server. The deep learning network module and the face recognition module are implemented to recognize characters and objects from the media and describe them as metadata. The training data generation module was designed separately to facilitate the construction of data for training neural network, and the functions of face recognition and object recognition were configured as an API server. We trained the two neural-networks using 1500 persons and 80 kinds of object data and confirmed that the accuracy is 98% in the character test data and 42% in the object data.

주제어

표/그림 (12)

그림 그림 1. 전체 시스템 구조도 Fig. 1. Overall System Architecture
그림 그림 2. 클러스터링을 사용한 데이터 수집 작업 Fig. 2. Data gathering process using clustering
그림 그림 3. 클러스터링 결과 예시 Fig. 3. Clustering results example
그림 그림 4. 단일 이미지 데이터 생성 과정 Fig. 4. Process of generating single image data for training
그림 그림 5. 신경망의 학습, 테스트 구조도 Fig. 5. Train, test architecture of neural network
그림 그림 6. 사물 이미지 인식 결과 Fig. 6. Object image recognition result
그림 그림 7. API 서버 반환 형태 Fig. 7. API server return format
표 표 1. 학습 데이터 클래스 분포에 따른 신경망의 정확도 Table 1. Inter-class balancing test accuracy
그림 그림 8. 학습데이터 분포도 Fig. 8. Training data distribution
그림 그림 9. 네트워크 및 영상의 종류에 따른 네트워크 속도 비교 Fig 9. Network speed comparison according to network and image type
표 표 2. 클라우드별 등장인물 인식 정확도 테스트 Table 2. Character recognition accuracy test
표 표 3. 클라우드별 사물 인식 정확도 테스트 Table 3. Object recognition accuracy test

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 미디어 아카이브를 구축하기 위하여 미디어 내에서 등장인물, 사물의 메타데이터를 추출하는 시스템에 대하여 소개하였다. 전체 시스템은 API 서버 형태로 구현하여 접근성을 용이하게 하였다.
이에 본 논문에서는 미디어 아카이브를 만들기 위한딥러닝 기반의 메타데이터 생성 시스템을 구현하였다. 전체 시스템은 학습용 데이터 생성 모듈, 사물 인식 모듈, 얼굴 인식 모듈, API 서버의 네 가지 요소로 구성되어 있다.

제안 방법

API 서버의 속도 비교를 위하여 SD, HD, FHD, UHD의 4종류의 영상과 내부망, 외부망, 핫스팟 3종류의 네트워크를 비교하며 실험을 진행하였다. 그림 9는 네트워크의 종류 및 영상의 종류에 따른 네트워크의 속도 실험 결과이다.
feature embedding network는 Inception-Resnet-V2를 사용하였다. Adam optimizer를 사용하였고, weight-decay는 5e-4,learning rate는 0.001로 학습을 진행하였다. 그림 5는 학습시와 테스트 시의 시스템의 흐름을 나타낸다.
COCO 데이터셋^[9] 80종과 VOC 데이터셋^[10] 20종을 활용하여 80종의 사물에 대하여 학습을 시켰다. COCO dataset을 기준으로 같은 레이블에 넣을 수 있는 이미지를 VOC에서 찾아 이미지를 추가로 더해주는 방법을 사용했다. 등장인물 데이터 수집의 경우와 마찬가지로 사용자가 직접 사물의 이미지와 종류를 학습시킬 수 있지만, 이미 알고 있는 사물의 경우 자동으로 사물의 이름과 위치를 표시해주는 기능을 추가하였다.
학습용 사물 데이터의 경우에는 별도의 데이터 수집과정은 거치지 않았다. COCO 데이터셋^[9] 80종과 VOC 데이터셋^[10] 20종을 활용하여 80종의 사물에 대하여 학습을 시켰다. COCO dataset을 기준으로 같은 레이블에 넣을 수 있는 이미지를 VOC에서 찾아 이미지를 추가로 더해주는 방법을 사용했다.
그림 6은 SSD를 사용하여 사물을 인식한 결과 이미지를 나타낸다. SSD 학습에는 learning rate를 0.001, weight decay:5e-4로 설정하여 학습을 진행하였다.
COCO dataset을 기준으로 같은 레이블에 넣을 수 있는 이미지를 VOC에서 찾아 이미지를 추가로 더해주는 방법을 사용했다. 등장인물 데이터 수집의 경우와 마찬가지로 사용자가 직접 사물의 이미지와 종류를 학습시킬 수 있지만, 이미 알고 있는 사물의 경우 자동으로 사물의 이름과 위치를 표시해주는 기능을 추가하였다.
딥러닝 기반의 사물 인식 모듈도 얼굴 인식 모듈과 마찬가지로 정확도가 보장되어야 한다. 따라서 사물 인식을 위한 딥러닝 신경망으로 성능이 검증된 SSD를 사용하였다. 사물 인식 신경망은 COCO 데이터셋 +VOC 데이터셋에서 80종의 클래스를 추출하여 학습하는데 사용하였다.
미디어 내 등장인물의 학습용 데이터를 생성하기 위하여, 미디어 내에서 MTCNN을 활용하여 사람의 얼굴을 검출하는 알고리즘을 사용하였다. 또한 사물 데이터를 생성하기 위하여, 미디어 내에서 SSD를 사용하여 사물을 검출하는 알고리즘을 사용하였다.
학습용 등장인물 데이터를 수집하기 위하여, 영상에서 30프레임 단위의 이미지를 추출하고 이미지에서 MTCNN으로얼굴을 검출하는 방법을 사용하였다. 미디어 내에서 인접한프레임 사이에서의 등장인물 정보는 유사한 정보이기 때문에 30프레임을 주기로 샘플링 하는 방법을 사용하였다.
얼굴인식분야의 경우에 테스트 클래스가 closed-set이 아닌 open-set 문제로 여겨지기 때문에, Soft-max로 학습시킨 신경망을 사용하여 특징을 추출하고 이를 SVM, NN 등으로 분류하는 방법을 사용한다. 본 논문에서는 위의 방법을 차용하였고, Facenet과 SVM을 사용하였다.
사물 인식 모듈과 등장인물 인식 모듈 모두에서 사람이라는 객체에 대하여 검출을 하기 때문에 두 모듈에서 사람 객체에 대하여 서로 다른 결과 값을 반환했을 때에는 등장인물 인식 모듈의 결과값을 기준으로 판단하였다. 그림 6은 서버에서 반환하는 json파일 형태의 예시이다.
학습 과정에서는 학습용 데이터 생성 모듈을 사용하여 구성한 데이터를 사용하여 Facenet을 학습시켰다. 실제 테스트에서는 Facenet에서의 feature embedding network 부분만 사용하여 feature embedding network를 통과한 feature를 SVM으로 분류하는 형태의 구조로 구성하였다. feature embedding network는 Inception-Resnet-V2를 사용하였다.
실험은 크게 학습 데이터의 분포에 따른 신경망의 정확도 비교, 학습 데이터 검증 실험, API 서버의 네트워크별 추론 속도 비교, 클라우드 서비스와의 성능 비교의 4가지를 실시하였다.
완성된 등장인물 인식 신경망 및 사물 인식 신경망의 성능을 비교하기 위하여 클라우드 API와 성능 비교 실험을 실시하였다. 표 2, 3은 클라우드 API와의 비교 실험 결과를 나타낸다.
위의 방법으로 얼굴을 검출하여 이미지로 저장시킨 후에, 이를 Inception-Resnet v2^[7]를 사용하여 특징을 추출하였다. 이 후에 추출된 특징점을 Chinese whisper^[8]으로 클러스터링 하였다.
를 사용하여 특징을 추출하였다. 이 후에 추출된 특징점을 Chinese whisper^[8]으로 클러스터링 하였다. 그림 2는 클러스터링을 활용한 데이터 생성 작업의 구조를 나타낸다.
이에 본 논문에서는 미디어 아카이브를 만들기 위한딥러닝 기반의 메타데이터 생성 시스템을 구현하였다. 전체 시스템은 학습용 데이터 생성 모듈, 사물 인식 모듈, 얼굴 인식 모듈, API 서버의 네 가지 요소로 구성되어 있다. 얼굴 인식 모듈에서는 Facenet^[3]을 사용하였고, 사물 인식 모듈에서는 SSD^[4]를 사용하였다.
학습 과정에서는 학습용 데이터 생성 모듈을 사용하여 구성한 데이터를 사용하여 Facenet을 학습시켰다. 실제 테스트에서는 Facenet에서의 feature embedding network 부분만 사용하여 feature embedding network를 통과한 feature를 SVM으로 분류하는 형태의 구조로 구성하였다.
학습 데이터의 클래스 간의 균형도가 신경망의 정확도에 미치는 영향을 파악하기 위하여, 학습 데이터의 분포를 다양하게 변형해가며 테스트를 시도하였다. 표 1은 학습 데이터 클래스 분포에 따른 신경망의 정확도를 나타낸다.
학습용 등장인물 데이터를 생성할 때, 영상 기반의 클러스터링 작업이 아닌 단일 이미지를 입력으로 하는 경우를 위하여 단일 이미지를 입력으로 받아 학습 데이터를 생성해주는 모드도 추가하였다. 단일 이미지 모드는 사용자가 수작업으로 데이터 정보를 입력해주는 것을 기반으로 하지만, 이미 등장인물 인식 네트워크가 알고 있는 인물의 경우 자동으로 인물의 이름과 위치를 표시해주는 기능을 추가하여 사용자가 쉽게 학습 데이터를 생성할 수 있도록 하였다.
학습용 등장인물 데이터를 수집하기 위하여, 영상에서 30프레임 단위의 이미지를 추출하고 이미지에서 MTCNN으로얼굴을 검출하는 방법을 사용하였다. 미디어 내에서 인접한프레임 사이에서의 등장인물 정보는 유사한 정보이기 때문에 30프레임을 주기로 샘플링 하는 방법을 사용하였다.

대상 데이터

따라서 사물 인식을 위한 딥러닝 신경망으로 성능이 검증된 SSD를 사용하였다. 사물 인식 신경망은 COCO 데이터셋 +VOC 데이터셋에서 80종의 클래스를 추출하여 학습하는데 사용하였다. 그림 6은 SSD를 사용하여 사물을 인식한 결과 이미지를 나타낸다.

이론/모형

그림 8은 FE를 통과한 데이터의 분포를 나타낸다. FE를 통과한 이후의 Feature에 PCA^[17]를 적용하여 차원을 줄이고, t-SNE^[18]를 사용하여 시각화 하였다. 왼쪽의 그림은 50개 클래스에 대하여 100개씩 샘플링을 하였을 때, 오른쪽 그림은 50개 클래스에 대하여 450개씩 샘플링을 하였을 때를 의미한다.
실제 테스트에서는 Facenet에서의 feature embedding network 부분만 사용하여 feature embedding network를 통과한 feature를 SVM으로 분류하는 형태의 구조로 구성하였다. feature embedding network는 Inception-Resnet-V2를 사용하였다. Adam optimizer를 사용하였고, weight-decay는 5e-4,learning rate는 0.
양질의 학습데이터를 수집하고 가공하기 위하여 학습용 데이터 생성모듈을 별도로 구현하였으며, MTCNN^[4], k-means clustering^[5], SSD^[6]을 활용하였다. 미디어 내 등장인물의 학습용 데이터를 생성하기 위하여, 미디어 내에서 MTCNN을 활용하여 사람의 얼굴을 검출하는 알고리즘을 사용하였다. 또한 사물 데이터를 생성하기 위하여, 미디어 내에서 SSD를 사용하여 사물을 검출하는 알고리즘을 사용하였다.
그리고 성능 좋은 신경망을 만들기위해서는 양질의 학습 데이터가 필요하다^[3]. 양질의 학습데이터를 수집하고 가공하기 위하여 학습용 데이터 생성모듈을 별도로 구현하였으며, MTCNN^[4], k-means clustering^[5], SSD^[6]을 활용하였다. 미디어 내 등장인물의 학습용 데이터를 생성하기 위하여, 미디어 내에서 MTCNN을 활용하여 사람의 얼굴을 검출하는 알고리즘을 사용하였다.
전체 시스템은 학습용 데이터 생성 모듈, 사물 인식 모듈, 얼굴 인식 모듈, API 서버의 네 가지 요소로 구성되어 있다. 얼굴 인식 모듈에서는 Facenet^[3]을 사용하였고, 사물 인식 모듈에서는 SSD^[4]를 사용하였다. CNN을활용한 기존 얼굴인식 연구로는 Facenet, Center-loss^[5], Sphereface^[6] 등이 있다.

성능/효과

표 1은 학습 데이터 클래스 분포에 따른 신경망의 정확도를 나타낸다. FE(Feature Extraction network)를 클래스별로 450장씩 배치하고 분류기를 450장씩 학습했을 때의 정확도가 제일 좋은성능을 보였다.
그림 9는 네트워크의 종류 및 영상의 종류에 따른 네트워크의 속도 실험 결과이다. 내부망을 사용하는 경우 FHD 영상 기준으로 한 장의 이미지 전송에 0.3초 정도 소요되는 것을 확인하였다. 서버에서의 얼굴인식, 사물인식 등의 이미지 처리 속도는 FHD일 경우에 1장당 1초 이내인 것을 확인하였다.
전체 시스템은 API 서버 형태로 구현하여 접근성을 용이하게 하였다. 딥러닝 기반의 방법론을 사용하여 높은 정확도를 보이는 메타데이터 추출 시스템을 구현하였으며, 클라우드와의 성능 비교 테스트를 통해 수집된 데이터 내에서는 등장인물의 경우 더 좋은 정확도를 보이는 것을 확인했다. 사물인식 모듈에서 시스템의 속도를 위하여 MobileNet 기반의 SSD를 사용하였기 때문에 정확도가 AWS보다 낮았다.
3초 정도 소요되는 것을 확인하였다. 서버에서의 얼굴인식, 사물인식 등의 이미지 처리 속도는 FHD일 경우에 1장당 1초 이내인 것을 확인하였다.
등장인물 정확도 실험에서 AWS나 NAVER의 경우 1500 클래스의 테스트 데이터에서 학습되지 않은 클래스가 많기 때문에 정확도가 낮게 측정되었다. 전체 시스템의 속도를 위하여 MobileNet^[19] 기반의 SSD를 사용하다보니, 기존 클라우드 시스템인 AWS, Google vision API보다는 정확도가 좋지 않은 것을 확인할 수 있었다.

후속연구

사물인식 모듈에서 시스템의 속도를 위하여 MobileNet 기반의 SSD를 사용하였기 때문에 정확도가 AWS보다 낮았다. 추후 네트워크를 변경하여 정확도를 향상하는 실험을 진행할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	딥러닝 기반의 서비스를 위해서는 무엇이 필요한가?	최근 빅데이터와 딥러닝의 발달로 인하여 방송, 통신, 보안 등의 다양한 영역에서 딥러닝 기반의 솔루션을 구축하기 위한 다양한 연구를 진행하고 있다[1]. 딥러닝 기반의 서비스를 위해서는 빅데이터의 구축이 필요하다. 방송 분야에서도 마찬가지로 디지털 컨텐츠를 활용하여미디어 아카이브를 구성하고 이를 사용한 딥러닝 기반의 서비스를 연구하고 있다.
	딥러닝 기반의 메타데이터 생성 시스템은 무엇으로 구성되어 있는가?	이에 본 논문에서는 미디어 아카이브를 만들기 위한딥러닝 기반의 메타데이터 생성 시스템을 구현하였다. 전체 시스템은 학습용 데이터 생성 모듈, 사물 인식 모듈, 얼굴 인식 모듈, API 서버의 네 가지 요소로 구성되어 있다. 얼굴 인식 모듈에서는 Facenet[3]을 사용하였고, 사물 인식 모듈에서는 SSD[4]를 사용하였다.
	성능 좋은 신경망을 만들기 위해서는 무엇이 필요한가?	딥러닝 기반의 서비스를 위해서는 성능 좋은 딥러닝 신경망이 필요하다. 그리고 성능 좋은 신경망을 만들기위해서는 양질의 학습 데이터가 필요하다[3]. 양질의 학습데이터를 수집하고 가공하기 위하여 학습용 데이터 생성모듈을 별도로 구현하였으며, MTCNN[4], k-means clustering[5], SSD[6]을 활용하였다.

참고문헌 (19)

I.Choi, H.Song, S.Lee, J.Yoo, "Facial Expression Classification Using Deep Convolutional Neural Network", Journal of Broadcast Engineering, Vol.22, No.2, March 2017.
H.Jun, G.Hyun, K.Lim, W.Lee, H.Kim, "Big Data Preprocessing for Predicting Box Office Success", KISE Transactions on Computing Practices, Vol.20, No.12, pp.615-622, December 2014.

원문보기 상세보기
F Schroff, D Kalenichenko, J Philbin, "FaceNet: A Unified Embedding for Face Recognition and Clustering", The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 815-823, 2015.
W.Liu, D.Anguelov, D.Erhan, C.Szegedy, S.Reed, "SSD: Single shot multibox detector", arxiv:1512.02325, 2015.
Y.Wen, K.Zhang, Z.Li, Y.Qiao, "A discriminative feature learning approach for deep face recognition", In European Conference on Computer Vision (ECCV), pages 499-515, 2016.
W.Liu, Y.Wen, Z.Yu, M.Li, B.Raj, L.Song, "SphereFace: Deep Hypersphere Embedding for Face Recognition", The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017
J.Redmon and A.Farhadi, "You only look once: Unified, real-time object detection", In CVPR, 2016.
R.Girshick, J.Donahue, T.darrell, J.malik, "Rich feature hierarchies for accurate object detection and semantic segmentation", In CVPR, 2014.
Y.Kim, J.Woo, J.Lee, J.Shin, "High-quality data collection for machine learning using block chain", Journal of the Korea Institute of Information and Communication Engineering, Vol.23, No.1, pp.13-19, Jan 2019.
K.Zhang, Z.Zhang, Z.Li, Y.Qiao, "Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks", IEEE SIGANL PROCESSING LETTERS, Vol.23, No.10, October 2016
W.Kiri, C.Claire, R.Seth, S.Stefan, "Constrained K-means Clustering with Backgroud Knowledge", Proceedings of the Eighteenth International Conference on Machine Learning, pp.574-584, 2001
Szegedy C, Ioffe S, Vanhoucke V, "Alemi, A.A.: Inception-v4, inception-resnet and the impact of residual connections on learning". In: AAAI. vol. 4, pp. 12, 2017.
Chris Biemann, "Chinese Whispers - an Efficient Graph Clustering Algorithm and its Application to Natural Language Processing Problems", TextGraphs-1 Proceedings of the First Workshop on Graph Based Methods for Natural Language Processing, pp.73-80, 2006.
Tsung-Yi Lin, Michael Maire, Serge Belongie, Lubomir Bourdev, Ross Girshick, James Hays, Pietro Perona, Deva Ramanan, C. Lawrence Zitnick, Piotr Dollar, "Microsoft COCO: Common Objects in Context", arxiv : 1405.0312, 2015.
Everingham, M., Van Gool, L., Williams, C. K. I., Winn, J. and Zisserman, A., "The PASCAL Visual Object Classes (VOC) Challenge", International Journal of Computer Vision, 88(2), 303-338, 2010

상세보기
C. J. C. Burges, "A tutorial on Support vector machines for pattern recognition", Data mining and knowledge discovery 2, pp. 121-167, 1998.

상세보기
B. Moore, "Principal component analysis in linear systems: Controllability, observability, and model reduction", IEEE Transactions on Automatic Control, pp. 17-32, Feb 1981.
L Maaten, G Hinton, "Visualizing data using t-SNE", Journal of Machine Learning Research 9, pp. 2579-2605, Nov 2008.
Andrew G.Howard, M.Zhu, Bo Chen, D.Kalenichnko, W.Wang, T.Weyand, M.Andreetto, H.Adam, "Mobilenets: Efficient convolutional neural networks for mobile vision applications", CoRR, abs/1704.04861, 2017.

저자의 다른 논문 :

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