[논문]왜곡 영상을 위한 효과적인 최소-최대 유사도(Min-Max Similarity) 기반의 영상 정합 알고리즘

허영진; 정다미; 김병규

doi:10.9717/kmms.2019.22.12.1404

[국내논문] 왜곡 영상을 위한 효과적인 최소-최대 유사도(Min-Max Similarity) 기반의 영상 정합 알고리즘
An Efficient Image Matching Scheme Based on Min-Max Similarity for Distorted Images 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.22 no.12, 2019년, pp.1404 - 1414

허영진 (Dept. of IT Engineering, Sookmyung Women's University) , 정다미 (Dept. of IT Engineering, Sookmyung Women's University) , 김병규 (Dept. of IT Engineering, Sookmyung Women's University)

Abstract ▼ AI-Helper

Educational books commonly use some copyrighted images with various kinds of deformation for helping students understanding. When using several copyrighted images made by merging or editing distortion in legal, we need to pay a charge to original copyright holders for each image. In this paper, we propose an efficient matching algorithm by separating each copyrighted image with the merged and edited type including rotation, illumination change, and change of size. We use the Oriented FAST and Rotated BRIEF (ORB) method as a basic feature matching scheme. To improve the matching accuracy, we design a new MIN-MAX similarity in matching stage. With the distorted dataset, the proposed method shows up-to 97% of precision in experiments. Also, we demonstrate that the proposed similarity measure also outperforms compared to other measure which is commonly used.

주제어

표/그림 (14)

그림 Fig. 1. Flowchart for overall image matching method.
그림 Fig. 2. Recovery process for a rotated image.
그림 Fig. 3. Example of the merged dataset.
그림 Fig. 4. Examples of the edited dataset: (a) Edited Dataset A, (b) Edited Dataset B, and (c) Edited Dataset C.
그림 Fig. 5. Results of Top-5 ranked output: (a) Edited Image and (b) Merged Image.
그림 Fig. 6. Image examples with distortion of rotation, illumination change, and size change.
그림 Fig. 7. Results of the object detection using Mask R-CNN.
그림 Fig. 8. Examples of some over-segmentation results.
표 Table 1. Matching Performance Comparison of Cosine Similarity with Min-Max Similarity
표 Table 2. The accuracy performance of the proposed method
표 Table 3. The performance comparison with an exiting method
그림 Fig. 9. Results of image matching: (a) Merged Image and (b) Edited Image.
그림 Fig. 10. Results of the proposed Min-Max Similarity and Cosine Similarity.
그림 Fig. 11. Image retrieval results by the proposed matching algorithm.

AI 본문요약
AI-Helper

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

문제 정의

객체 추출 모듈은 입력된 영상을 구성하고 있는 객체를 분리하는 것을 목적으로 한다. 병합 왜곡 데이터 셋, 편집 왜곡 데이터 셋에 맞게 전이 학습된Mask R-CNN 객체 추출 모듈은 Fig.
본 논문에서는 교과서에서 적용되는 사례처럼 다양한 왜곡으로 인해 변형된 영상 저작물의 객체를 원본에 가깝게 분리하고, 분리된 각 객체로부터 저작권 정보를 검색할 수 있는 영상 매칭 기술과 매칭에 사용되는 새로운 유사도 측정 기법을 제안한다. 본 논문에서 제안하는 왜곡 영상에 대한 영상 매칭 기술을 활용하여 교육적인 목적으로 사용하는 영상 등 저작물의 이용 및 정산 과정 자동화 기술을 발전시키고, 궁극적으로 합법적인 저작권 이용 활성화 및 저작권 침해를 사전에 예방하는 데 기여할 수 있다.
본 논문에서는 교과서에서 적용되는 사례처럼 다양한 왜곡으로 인해 변형된 영상 저작물의 객체를 원본에 가깝게 분리하고, 분리된 각 객체로부터 저작권 정보를 검색할 수 있는 영상 매칭 기술과 매칭에 사용되는 새로운 유사도 측정 기법을 제안한다. 본 논문에서 제안하는 왜곡 영상에 대한 영상 매칭 기술을 활용하여 교육적인 목적으로 사용하는 영상 등 저작물의 이용 및 정산 과정 자동화 기술을 발전시키고, 궁극적으로 합법적인 저작권 이용 활성화 및 저작권 침해를 사전에 예방하는 데 기여할 수 있다.
본 논문에서는 교육 저작물 등에서 사용되는 왜곡영상에 대해 원본 영상과 매칭하기 위하여 MaskR-CNN을 이용한 객체 추출 모듈로 객체를 추출하고, ORB 알고리즘을 통해 특징 점을 추출했으며 특징 점 기반의 영상 매칭을 위해 Min-Max 유사도측정 기법을 제안하였다. 특히 제안한 Min-Max 유사도가 기존 Cosine 유사도 측정 방법에 비해 안정적이고 특징에 대한 변별력 있음을 실험 결과를 통해 입증하였다.
본 논문에서는 빠른 처리 시간을 위해 ORB 알고리즘을 적용하여 특징점을 추출하고 이후 매칭 과정에 사용한다. 본 연구에서는 ORB 알고리즘을 기반으로 좀 더 정확한 매칭 성능을 도출하고자 하였으며 매칭 기법을 새로운 방법으로 설계하였다.
최근 관련 연구 [18], [19]에서 Cosine Similarity를 이용한 매칭 방법이 연구되었으나, 본 논문에서는 원본 이미지와의 유사도 기반 향상된 변별력을 얻기 위하여 Cosine Similarity가 아닌 Min-Max Similarity를 제안하였다. 특징 점 사이의 사이각을 의미하는 벡터 A와 B의 유사도를 측정하는 방법으로 기존 Cosine 유사도와 본 논문에서 제안하는 Min-Max 유사도를 비교하였다.

제안 방법

제안하는Min-Max 유사도 매칭 기법은 Cosine Angle Distance(CAD) [15], [18], [19]와 같은 기존의 유사도매칭 기법과 비교했을 때 더욱 간단한 계산으로 변별력 있는 결과를 얻을 수 있다는 장점이 있다. Min-Max 유사도 매칭 기법을 통해 측정한 유사도를 기준으로 데이터베이스 상의 영상 중에서 입력 객체 영상에 대해 가장 높은 유사도를 보이는 것들을 최종 매칭 결과로 출력한다.
성능은 뛰어나지만 특허권 문제로 상용 서비스에 사용하기어려운 SIFT 알고리즘과 SURF 알고리즘을 대신하기 위해 OpenCV Labs에서 Oriented FAST and Rotated BRIEF(ORB) 알고리즘을 제안하였다[11].ORB 알고리즘은 특징점 검출 알고리즘인 Features from Accelerated Segment Test(FAST) [9]와 특징기술자 추출 알고리즘 Binary Robust Independent Elementary Features(BREIF) [10]을 결합하여 각도변화에 대응할 수 있도록 하였다. 본 논문에서는 빠른 처리 시간을 위해 ORB 알고리즘을 적용하여 특징점을 추출하고 이후 매칭 과정에 사용한다.
객체 추출 모듈을 통해 왜곡된 데이터셋으로부터객체를 추출한다. 객체 단위로 추출을 완료한 뒤, 추출된 각 객체를 입력으로 하여 영상 매칭 모듈을 통해 원본 영상과의 유사도를 비교하여 최종 검색 결과를 도출한다.
다음과 같이 ORB 알고리즘을 통해 검출한 입력객체 영상과 데이터베이스 상의 원본 영상 각각의 특징 점에서 특징 점들의 사이각을 벡터 A, B를 정의하고 이 벡터들의 유사도를 측정한다. 매칭된 점들이 실제로 의미 있게 연결되어 있는 지 유사도를 평가하기 위한 기준으로 본 논문에서 제안하는 Min-Max 유사도 매칭 기법은 수식 (4)과 같다.
본 논문에서 제안하는 영상 매칭 기법은 병합이나 편집과 같은 왜곡이 가해진 영상으로부터 객체를 분리하여 각 객체의 원본 영상과의 유사도 검출 단계를 거친다. 따라서 제안하는 방법은 크게 객체 추출 모듈과 영상 매칭 모듈로 분리될 수 있다.
본 논문에서 제안하는 영상 매칭 기법은 병합이나 편집과 같은 왜곡이 가해진 영상으로부터 객체를 분리하여 각 객체의 원본 영상과의 유사도 검출 단계를 거친다. 따라서 제안하는 방법은 크게 객체 추출 모듈과 영상 매칭 모듈로 분리될 수 있다.
본 논문에서 제안하는 유사도 측정 방법은 입력된영상으로부터 찾을 수 있는 모든 특징 점을 검색한 뒤 비교할 영상에서 추출된 특징 점들 간의 사이각을 계산한다. 수식 (2)은 입력 영상과 비교할 원본 영상의 특징 점집합을 나타낸다.
본 논문에서 제안한 특징점 추출 및 매칭 기법이 교육 저작물에서 흔히 볼 수 있는 밝기, 회전, 크기및 이를 혼합한 왜곡에 강인하다는 것 증명하기 위해 6가지 왜곡(Brighter, Darker, Bigger, Smaller, Biggerbrighter,Smaller-darker)을 적용한 변형 데이터 셋을 사용하여 실험하였다. Brighter 데이터 셋은 HSV컬러공간으로 변환 뒤 V채널의 값을 40 증가시킨 데이터 셋이고, Darker 데이터 셋은 감마값을 0.
ORB 알고리즘은 특징점 검출 알고리즘인 Features from Accelerated Segment Test(FAST) [9]와 특징기술자 추출 알고리즘 Binary Robust Independent Elementary Features(BREIF) [10]을 결합하여 각도변화에 대응할 수 있도록 하였다. 본 논문에서는 빠른 처리 시간을 위해 ORB 알고리즘을 적용하여 특징점을 추출하고 이후 매칭 과정에 사용한다. 본 연구에서는 ORB 알고리즘을 기반으로 좀 더 정확한 매칭 성능을 도출하고자 하였으며 매칭 기법을 새로운 방법으로 설계하였다.
Mask R-CNN은Faster RCNN [13]을 발전시킨 딥러닝 모델로써 각픽셀이 객체에 해당하는 지 아닌지 판별하는 마스크를 추가하여 픽셀 단위의 조밀한 예측이 가능하며Faster RCNN의 관심 영역 픽셀 조정 문제를 개선하여 객체 인식 성능 또한 향상시킨 모델이다. 본 논문에서는 약 5,000장의 데이터 셋으로 이루어져 Objectdetection, Segmentation, Keypoint detection과 같은 다양한 머신 러닝 분야에서 사용되는 MS-COCO[14] 데이터 셋으로 사전 훈련된 가중치를 이용하여 전이 학습을 통해 왜곡된 저작물에서 객체를 추출하는 데 적합한 모델로 Mask R-CNN을 학습시켰다.
먼저 팽창 연산을 통해 군집화 된 이미지를 원래 이미지와의 차연산을 통해 윤곽을 드러낸다. 비트를 반전시켜 윤곽에 외접하면서 면적이가장 작은 직사각형의 좌 상단 꼭지점 좌표를 계산한다. 이 좌표로부터 구해진 각도만큼 회전을 시키고 테두리 영역을 삭제하면 회전되기 이전보다 크기가 작은 이미지를 얻을 수 있다.
그러나 SIFT 계열의 알고리즘들은 계산이 복잡하여 수행 시간이 오래 걸린다는 단점이 있는데 이를 계산속도 측면에서 개선한 Speed Up Robust Feature(SURF) [7], Scale Invariant Corner Keypoints(SICK) [8] 같은 알고리즘들이 제안되었다. 성능은 뛰어나지만 특허권 문제로 상용 서비스에 사용하기어려운 SIFT 알고리즘과 SURF 알고리즘을 대신하기 위해 OpenCV Labs에서 Oriented FAST and Rotated BRIEF(ORB) 알고리즘을 제안하였다[11].ORB 알고리즘은 특징점 검출 알고리즘인 Features from Accelerated Segment Test(FAST) [9]와 특징기술자 추출 알고리즘 Binary Robust Independent Elementary Features(BREIF) [10]을 결합하여 각도변화에 대응할 수 있도록 하였다.
9는 영상 매칭 결과를 전체적으로 보여준 그림이다. 첫 번째로 Mask R-CNN으로 객체를 분리시키고 각각 분리된 객체로부터 원본 영상과의 유사도를 비교하여 가장 높은 유사도를 가진 다섯 개의 영상을 출력하였다. 병합 데이터 (a)에서 같은 영상의 유사도 값은 각각 0.
추출된 객체 영상을 입력으로 하여 영상 매칭 모듈을 수행하고 3.32절에서 제안한 유사도 매칭 기법으로 유사도를 측정하여 영상 매칭 정확도를 분석하였다. 영상 매칭 결과는 유사도가 가장 높은 5개의 영상을 출력해 주었으며, 임계치 0.
최근 관련 연구 [18], [19]에서 Cosine Similarity를 이용한 매칭 방법이 연구되었으나, 본 논문에서는 원본 이미지와의 유사도 기반 향상된 변별력을 얻기 위하여 Cosine Similarity가 아닌 Min-Max Similarity를 제안하였다. 특징 점 사이의 사이각을 의미하는 벡터 A와 B의 유사도를 측정하는 방법으로 기존 Cosine 유사도와 본 논문에서 제안하는 Min-Max 유사도를 비교하였다. 두 방법 모두 영상 매칭의 정확도 측면에서는 우수한 유사도 측정 기준이 되었으나, Cosine 유사도는 참-긍정(True Positive:TP)인 경우와 거짓-부정(False Negative: FN)인 경우의 유사도 차이가 크지 않아 임계치를 설정하기 어렵고 변별력이 높지 않음을 확인할 수 있었다.
회전 및 밝기 변화, 크기 변화 등 왜곡이 편집 왜곡등과 함께 존재하더라도 앞에서 언급한 제안된 기법으로 보정 후 Mask-RCNN을 적용하여 제안된 Min-Max 유사도 매칭 기법으로 최종 검색을 통해 결과를 도출하도록 하였다. 편집, 병합된 영상에 Mask-RCNN을 적용하여 객체 단위로 분리 한 다음, ORB알고리즘으로 원본 영상과 특징 점들의 사이각을 비교하는 제안된 유사도 측정값을 활용한 결과는 Fig.

대상 데이터

본 논문에서 제안한 특징점 추출 및 매칭 기법이 교육 저작물에서 흔히 볼 수 있는 밝기, 회전, 크기및 이를 혼합한 왜곡에 강인하다는 것 증명하기 위해 6가지 왜곡(Brighter, Darker, Bigger, Smaller, Biggerbrighter,Smaller-darker)을 적용한 변형 데이터 셋을 사용하여 실험하였다. Brighter 데이터 셋은 HSV컬러공간으로 변환 뒤 V채널의 값을 40 증가시킨 데이터 셋이고, Darker 데이터 셋은 감마값을 0.85로한 감마보정을 적용한 데이터 셋이다. Bigger,Smaller 데이터 셋 각각은 이미지 사이즈를 10% 증가, 감소시킨 데이터 셋이며 마지막으로 밝기와 크기왜곡을 혼합한 데이터 셋에 시계방향, 반시계방향으로 회전 왜곡을 더한 데이터 셋이 Bigger-brighter,Smaller-darker 데이터 셋이다.
7과 같이 입력영상을 구성하고 있는 객체를 분리한다. 실험은 모두269개의 병합 영상, 108개의 편집 영상으로 실행 하였고 Mask-RCNN 수행을 통해 분할한 객체 수를 기반으로 병합영상은 563개, 편집영상은 172개의 영상으로 분할되어 졌다.
Fig 4의 (a), (b), (c)는 원본 영상으로부터 추출된 임의의 객체들이 모여 별도로 형성된편집 왜곡 데이터 셋으로 특성에 따라 세부적으로분류하였다. 편집 데이터 A는 원본 영상과 배경이 제거된 편집 영상의 합성으로 이루어진 데이터 셋이며, 편집 데이터 B는 배경이 제거된 편집 영상간의 합성으로 이루어진 데이터 셋이고, 마지막으로 편집데이터 C는 배경이 제거된 단일 편집 영상이다.

이론/모형

Table 3에서 기존 ORB 알고리즘[18]과 제안한 방법의 성능을 비교하고 있다. 성능 비교를 위해 Precision을 정확도 지표로 사용하였다. 기존 ORB 알고리즘과 결과를 비교해 보면 제안된 방법이 회전 왜곡이 더해졌을 때 최대 10.
회전 왜곡이 보상된 후 해당 입력된 영상을 구성하고 있는 객체를 분리하기 위해 객체 추출 모듈로Mask R-CNN[12]을 사용한다. Mask R-CNN은Faster RCNN [13]을 발전시킨 딥러닝 모델로써 각픽셀이 객체에 해당하는 지 아닌지 판별하는 마스크를 추가하여 픽셀 단위의 조밀한 예측이 가능하며Faster RCNN의 관심 영역 픽셀 조정 문제를 개선하여 객체 인식 성능 또한 향상시킨 모델이다.

성능/효과

11은 본 연구에서 제안한 기법에 의해 실제입력에 대한 검색된 결과 영상을 보여 주고 있다. 결과에서 볼 수 있듯이 96% 이상의 정확도로 원본 영상을 매칭하여 검출하였으며 회전, 크기 변화 등의 왜곡에 대해서도 매우 유사한 영상을 검색해서 찾아낼 수 있음을 관찰 할 수 있다. 이러한 성능 개선은 객체 기반의 정보가 추가됨으로써 단순히 특징 점에의한 검색만으로는 어려운 부분을 어느 정도 보완할 수 있음을 보여준다고 할 수 있다.
성능 비교를 위해 Precision을 정확도 지표로 사용하였다. 기존 ORB 알고리즘과 결과를 비교해 보면 제안된 방법이 회전 왜곡이 더해졌을 때 최대 10.7%까지 정확도가 증가한 것을 확인할 수 있다.
특징 점 사이의 사이각을 의미하는 벡터 A와 B의 유사도를 측정하는 방법으로 기존 Cosine 유사도와 본 논문에서 제안하는 Min-Max 유사도를 비교하였다. 두 방법 모두 영상 매칭의 정확도 측면에서는 우수한 유사도 측정 기준이 되었으나, Cosine 유사도는 참-긍정(True Positive:TP)인 경우와 거짓-부정(False Negative: FN)인 경우의 유사도 차이가 크지 않아 임계치를 설정하기 어렵고 변별력이 높지 않음을 확인할 수 있었다.
특히 제안한 Min-Max 유사도가 기존 Cosine 유사도 측정 방법에 비해 안정적이고 특징에 대한 변별력 있음을 실험 결과를 통해 입증하였다. 영상 검색의 정확도 측면에서는 병합/편집의 경우 약 97%의 성능을 보였으며, 회전/크기변화/밝기 변화 왜곡의 경우 약 96.8%의 정확도를확인하였다.
따라서 Cosine 유사도는 참-긍정(True Positive) 데이터뿐만 아니라 거짓-부정(False Negative)인 경우에도 높은 유사도값을 갖는다. 이 실험을 통해 정답과 정답이 아닌 것들의 유사도 차이를 크게 하는 Min-Max 유사도 측정 방법이 더욱 변별력이 있다는 것을 확인할 수 있다.
위와 같은 식을 따라 입력 객체 영상 A와 데이터베이스 상의 영상 B의 상위 특징 점이 완전히 일치한다면 유사도 값은 1을 기대할 수 있다. 제안하는Min-Max 유사도 매칭 기법은 Cosine Angle Distance(CAD) [15], [18], [19]와 같은 기존의 유사도매칭 기법과 비교했을 때 더욱 간단한 계산으로 변별력 있는 결과를 얻을 수 있다는 장점이 있다. Min-Max 유사도 매칭 기법을 통해 측정한 유사도를 기준으로 데이터베이스 상의 영상 중에서 입력 객체 영상에 대해 가장 높은 유사도를 보이는 것들을 최종 매칭 결과로 출력한다.
45를 넘지 않는다. 즉 제안된 Min-Max 유사도 기반의 매칭 방법은 매우 변별력이 있음을 알 수 있다.
본 논문에서는 교육 저작물 등에서 사용되는 왜곡영상에 대해 원본 영상과 매칭하기 위하여 MaskR-CNN을 이용한 객체 추출 모듈로 객체를 추출하고, ORB 알고리즘을 통해 특징 점을 추출했으며 특징 점 기반의 영상 매칭을 위해 Min-Max 유사도측정 기법을 제안하였다. 특히 제안한 Min-Max 유사도가 기존 Cosine 유사도 측정 방법에 비해 안정적이고 특징에 대한 변별력 있음을 실험 결과를 통해 입증하였다. 영상 검색의 정확도 측면에서는 병합/편집의 경우 약 97%의 성능을 보였으며, 회전/크기변화/밝기 변화 왜곡의 경우 약 96.
이는 편집 데이터 셋에서 객체 추출을 한결과, 편집된 객체의 크기가 지나치게 작거나 편집된 영상 내에서 배경과의 구분이 잘 안가는 경우가 발생하여 매칭 정확도를 저하시키는 요인으로 작용하였다. 편집 왜곡 데이터 셋에서 이와 같은 현상이 더자주 발생하여 매칭 결과의 정확도가 병합 왜곡 데이터 셋보다 낮은 것으로 나타났다.
실험결과는 Table 2와 같다. 편집 왜곡 영상 데이터 셋보다 병합 왜곡 영상 데이터 셋의 정확도가 더 높게 나타났다. 이는 편집 데이터 셋에서 객체 추출을 한결과, 편집된 객체의 크기가 지나치게 작거나 편집된 영상 내에서 배경과의 구분이 잘 안가는 경우가 발생하여 매칭 정확도를 저하시키는 요인으로 작용하였다.
7813로 나타났다. 해당결과를 통해서 볼 수 있듯이 제안된 Min-Max 유사도는 Top 1과 Top 2의 차이가 0.5, Cosine 유사도를 적용 시는 0.2이므로 제안된 Min-Max 유사도가 더 변별력이 있음을 알 수 있다.

후속연구

향후에는 딥러닝을 이용하여 내용 기반 영상 검색기술(Content-Based Image Retrieval)[16]을 추가하여 구조화된 객체 정보를 통하여 입력 영상과 일치하는 영상이 없더라도 구조화된 내용(객체) 기반으로 유사한 영상들을 검색 결과로 도출할 수 있는 시스템을 구축하는 것이 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	저작물의 정의는 무엇인가?	저작물이란 인간의 사상 또는 감정을 표현한 창작물로 어문, 음악, 연극을 비롯해 미술, 건축, 사진과 영상 등이 포함된다. 교과서를 비롯한 교육용 전자 출판물에서는 효과적인 정보 전달을 위해 다양한 저작물이 사용되는데 저작권 관련 법률에 따르면 고등학교 등 교육 목적 상 필요한 교과용 도서에는 저작권자의 허락 없이도 공표된 저작물을 게재할 수 있다[1].
	저작권 이용 활성화 및 저작권 침해를 사전에 예방하기 위해 제안한 기법은 무엇인가?	본 논문에서는 교과서에서 적용되는 사례처럼 다양한 왜곡으로 인해 변형된 영상 저작물의 객체를 원본에 가깝게 분리하고, 분리된 각 객체로부터 저작권 정보를 검색할 수 있는 영상 매칭 기술과 매칭에 사용되는 새로운 유사도 측정 기법을 제안한다. 본 논문에서 제안하는 왜곡 영상에 대한 영상 매칭 기술을 활용하여 교육적인 목적으로 사용하는 영상 등 저작물의 이용 및 정산 과정 자동화 기술을 발전시키고, 궁극적으로 합법적인 저작권 이용 활성화 및 저작권 침해를 사전에 예방하는 데 기여할 수 있다.
	저작권자의 허락 없이도 공표된 저작물을 게재하는 것이 가능한 책의 종류는 무엇인가?	저작물이란 인간의 사상 또는 감정을 표현한 창작물로 어문, 음악, 연극을 비롯해 미술, 건축, 사진과 영상 등이 포함된다. 교과서를 비롯한 교육용 전자 출판물에서는 효과적인 정보 전달을 위해 다양한 저작물이 사용되는데 저작권 관련 법률에 따르면 고등학교 등 교육 목적 상 필요한 교과용 도서에는 저작권자의 허락 없이도 공표된 저작물을 게재할 수 있다[1]. 그러나 공표된 저작물만 사용할 수 있다는 조건에 따라 허락 없이 공표된 저작물을 사용하더라도 보상금을 지급해야 하는 규정이 존재하므로 원저작자의 요구가 있는 경우 보상금 지급이 이루어져야한다.

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