[논문]합성곱신경망 기반의 StyleGAN 이미지 탐지모델

김지연; 홍승아; 김하민

doi:10.9717/kmms.2019.22.12.1447

합성곱신경망 기반의 StyleGAN 이미지 탐지모델
A StyleGAN Image Detection Model Based on Convolutional Neural Network 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.22 no.12, 2019년, pp.1447 - 1456

김지연 (Center for Software Educational Innovation, Seoul Women's University) , 홍승아 (Dept. of Information Security, Seoul Women's University) , 김하민 (Dept. of Information Security, Seoul Women's University)

Abstract ▼ AI-Helper

As artificial intelligence technology is actively used in image processing, it is possible to generate high-quality fake images based on deep learning. Fake images generated using GAN(Generative Adversarial Network), one of unsupervised learning algorithms, have reached levels that are hard to discriminate from the naked eye. Detecting these fake images is required as they can be abused for crimes such as illegal content production, identity fraud and defamation. In this paper, we develop a deep-learning model based on CNN(Convolutional Neural Network) for the detection of StyleGAN fake images. StyleGAN is one of GAN algorithms and has an excellent performance in generating face images. We experiment with 48 number of experimental scenarios developed by combining parameters of the proposed model. We train and test each scenario with 300,000 number of real and fake face images in order to present a model parameter that improves performance in the detection of fake faces.

주제어

표/그림 (4)

그림 Fig. 1. Design of CNN-based StyleGAN image detection model considering 5 types of model parameters.
표 Table 1. 48 number of scenarios with the combination of model parameters
표 Table 2. Experimental results by scenarios
그림 Fig. 2. Analysis of false negatives and false positives by model parameters.

AI 본문요약
AI-Helper

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

문제 정의

48개의 시나리오는 제안된 모델의 파라미터 조합으로 개발되었기 때문에 시나리오별 실험 결과를 비교하면 모델 파라미터와 성능의 상관관계를 분석할수 있다. 따라서 FN과 FP 분석을 통해 어떤 모델 파라미터들이 모델의 성능에 많은 영향을 미치는지 분석해보고자 한다. Fig.
StyleGAN은 얼굴 이미지를 생성하는 데에 최적화된 모델로서 고품질의 가짜 이미지 생성이 가능하기 때문에 범죄에 악용될 소지 또한 높다. 따라서 본 논문에서는 NVIDIA에서 개발한 StyleGAN 이미지를 탐지하기 위한 모델을 대표적인 이미지 데이터 딥러닝 모델인 합성곱신경망 (Convolutional Neural Network, CNN) 기반으로 제안한다. 제안된 모델은 여러 모델 파라미터를 가지도록 설계되며, 파라미터의 조합으로 48개의 실험 시나리오를 생성하여 진짜 얼굴 데이터 15만 개와 Style GAN으로 생성된 얼굴 데이터 15만 개를 활용하여 학습 및 평가한다.
그러나 컨볼루션 계층 수 및 커널 사이즈는 모델의 성능에 큰 영향을 미치지 못하고, 드롭아웃을 통해 학습된 뉴런의 일부를 제거하면 가짜 얼굴 이미지 탐지 시 성능을 향상 시킬 수 있음을 확인하였다. 본 논문에서는 실험결과에 대한 고찰로서 진짜 얼굴이미지의 해상도에 따라 실험결과가 어떻게 달라지는지 추가로 분석해 보았다. 본문에서 94x94인 CelebA 진짜 이미지 15만 장과 StyleGAN 가짜 이미지 15만 장을 사용했다면, 추가실험에서는 해상도가 1024×1024인 CelebA-HQ 이미지 3만장과 StyleGAN 이미지 3만장을 활용하여 48개의 동일한 시나리오로 모델을 학습하였다.
커널 개수가 너무 많으면 시공간 자원에서 모두 낭비를 초래하고, 너무 적으면 특징 학습량이 부족해진다. 본 논문에서는 커널 개수에 차이를 두어 커널 수에 따른 모델의 성능을 비교할 수 있게 한다.
본 논문은 StyleGAN에 의해 생성된 가짜 얼굴 이미지를 탐지하기 위한 CNN 기반의 딥러닝 모델을 제안하였다. 제안된 모델은 학습할 이미지를 RGB에서 그레이스케일로 변환하는 데이터 전처리 과정, 컨볼루션 계층 모델링에 필요한 컨볼루션 계층 수, 커널 크기, 커널 개수, 그리고 드롭아웃을 모델 파라미터로 가지도록 설계하였다.
본 논문의 모델을 제안하기에 앞서 인공지능 기반의 가짜 이미지를 탐지하는 관련 연구들의 동향을 살펴보고자 한다. 가짜 이미지 탐지 연구들은 GAN 으로 생성한 이미지를 딥러닝이나 머신러닝 기반으로 탐지하는 연구, 그리고 위조 이미지를 탐지하기 위해 GAN을 활용하는 연구 등이 존재한다.
컨볼루션 계층(Convolution Layer)이 추가될수록 신경망은 학습을 통해 더욱 복잡한 형상을 인식하고, 이미지를 대표할 수 있는 공통적인 특징을 얻을 수있게 된다. 본 연구에서는 컨볼루션 계층 수를 다르게 하여 정확도를 비교할 수 있도록 모델을 설계한다. 계층 수와 정확도가 비례하는 것은 아니기 때문에 계층 수를 다르게 하여 모델을 학습하면서 높은 성능을 보이는 계층 수를 찾는 것이 필요하다.
얼굴 이미지를 다루는 많은 연구들이 진짜 얼굴 이미지로서 CelebA 데이터셋을 사용하고, 가짜 이미지는 DCGAN, WGAN 등 기존에 발표된 다양한 모델들을 활용하여 생성하고 있지만, 최근에 발표된 StyleGAN을 활용한 연구들은 미비한 실정이다. 이에 본 연구에서는 StyleGAN으로 생성된 가짜 이미 지를 탐지하기 위한 모델을 CNN 기반으로 제안하고자 한다.

제안 방법

제안된 모델은 학습할 이미지를 RGB에서 그레이스케일로 변환하는 데이터 전처리 과정, 컨볼루션 계층 모델링에 필요한 컨볼루션 계층 수, 커널 크기, 커널 개수, 그리고 드롭아웃을 모델 파라미터로 가지도록 설계하였다. 또한, 모델 파라미터들의 여러 조합을 고려하여 총 48개의 모델 시나리오를 개발하고, 진짜 얼굴 이미지 15만장 및 StyleGAN으로 생성된 가짜 얼굴 이미지 15만장에 대해 학습 및평가를 수행하여 각 시나리오별 탐지 성능을 측정하였다. 48개 시나리오의 f1-score는 모두 0.
계층 수와 정확도가 비례하는 것은 아니기 때문에 계층 수를 다르게 하여 모델을 학습하면서 높은 성능을 보이는 계층 수를 찾는 것이 필요하다. 또한, 본 연구에서는 각 계층마다 맥스풀링(max pooling) 계층을 배치하여 데이터의 크기를 줄이고, 마지막에는 완전연결 계층(Fully-connected layer)을 통과시켜 최종 이미지를 분류한다.
제안된 모델은 여러 모델 파라미터를 가지도록 설계되며, 파라미터의 조합으로 48개의 실험 시나리오를 생성하여 진짜 얼굴 데이터 15만 개와 Style GAN으로 생성된 얼굴 데이터 15만 개를 활용하여 학습 및 평가한다. 또한, 잘못 탐지된 결과에 대한 상세분석을 실시함으로써 제안된 모델의 진짜 및 가짜 이미지 탐지 율에 영향을 미치는 모델 파라미터를 제시한다.
드롭아웃 비율이 1에 가까울수록 버리는 뉴런이 적어지게 되고, 그만큼 학습 데이터에 대한 의존도가 높아져서 실제 평가(test) 데이터를 판단할 때 정확성이 떨어질 수 있다. 본 논문에서는 학습된 뉴런을 컨볼루션 계층 및 완전연결 계층에서 그대로 사용하는 경우, 컨볼루션 계층에서는 그대로 사용하고 완전 연결 계층에서는 일부만 사용하는 경우, 그리고 컨볼루션 계층과 완전연결 계층에서 모두 일부만 사용하는 경우를 고려하여 모델을 설계한다.
가짜 얼굴 이미지를 탐지하기 위해서는 진짜 및 가짜 얼굴 이미지의 특징을 추출하는 것이 필요하다. 본 논문은 대표적인 이미지 딥러닝 모델인 CNN을사용하여 Fig. 1과 같은 가짜 얼굴 이미지 탐지 모델을 설계하였다. 제안된 모델은 정확도에 영향을 미칠 수 있는 다음과 같은 5개 개념들을 고려하여 설계되며, 이들의 모델 파라미터로서 변경 가능한 값으로 설정가능하다.
본 장에서는 3장에서 설명한 모델 파라미터에 변화를 주어 다양한 실험을 수행하고, 실험 결과 분석을 통해 모델 파라미터와 성능의 관계를 분석하고자 한다. 실험을 위한 학습 및 평가 데이터셋으로서 진짜 및 가짜 얼굴 이미지 데이터셋 총 30만 장 중, 70% 는 학습 데이터셋(training set)으로 사용하고, 30% 는 평가 데이터셋(testing set)으로 사용한다.
일반적으로 3×3 크기의 커널을 주로 사용하지만 본 논문에서는 커널 크기에 따른 모델의 성능을 비교하기 위해 커널 크기를 변경할 수 있도록 한다.
제안된 모델은 정확도에 영향을 미칠 수 있는 다음과 같은 5개 개념들을 고려하여 설계되며, 이들의 모델 파라미터로서 변경 가능한 값으로 설정가능하다.
본 논문은 StyleGAN에 의해 생성된 가짜 얼굴 이미지를 탐지하기 위한 CNN 기반의 딥러닝 모델을 제안하였다. 제안된 모델은 학습할 이미지를 RGB에서 그레이스케일로 변환하는 데이터 전처리 과정, 컨볼루션 계층 모델링에 필요한 컨볼루션 계층 수, 커널 크기, 커널 개수, 그리고 드롭아웃을 모델 파라미터로 가지도록 설계하였다. 또한, 모델 파라미터들의 여러 조합을 고려하여 총 48개의 모델 시나리오를 개발하고, 진짜 얼굴 이미지 15만장 및 StyleGAN으로 생성된 가짜 얼굴 이미지 15만장에 대해 학습 및평가를 수행하여 각 시나리오별 탐지 성능을 측정하였다.
제안된 모델의 성능을 평가하기 위한 지표로서 TP(true positives), FN(false negatives), FP(false positives), TN(true negatives) 및 f1-score를 측정 하였다.

대상 데이터

본 논문에서는 진짜 얼굴 이미지 데이터셋으로서 96×96(dpi) 해상도를 가진 CelebA[6] 데이터 총 202,599장 중 15만 장을 사용하였고, 가짜 얼굴 이미지 데이터셋으로는 NVIDIA 에서 공개한 styleGAN 이미지 15만 장을 사용하였다. 가짜 이미지의 경우, 모델의 성능을 높이기 위해 PSI(phase shift interferometry) 값이 각각 0.5, 0.7, 1.0인 이미지 5만 장씩을 조합하여 15만 장의 데이터 셋을 구성하였다.
본 논문에서는 진짜 얼굴 이미지 데이터셋으로서 96×96(dpi) 해상도를 가진 CelebA[6] 데이터 총 202,599장 중 15만 장을 사용하였고, 가짜 얼굴 이미지 데이터셋으로는 NVIDIA 에서 공개한 styleGAN 이미지 15만 장을 사용하였다.
컴퓨터는 이미지를 인식할 때 비슷한 밝기를 가진 픽셀을 덩어리로 인식하므로, 이미지의 밝기, 명암 등에 따라 인식률에 차이가 발생한다. 본 연구에서는 이미지를 RGB 로 사용하는 경우와 그레이스케일로 전처리하여 사용하는 경우를 나누어 학습 데이터를 구성하였다. 그레이스케일은 다중 채널인 컬러 이미지를 단일 채널인 흑백 이미지로 변환하여 데이터의 폭을 줄이는 역할을 한다.
본문에서 94x94인 CelebA 진짜 이미지 15만 장과 StyleGAN 가짜 이미지 15만 장을 사용했다면, 추가실험에서는 해상도가 1024×1024인 CelebA-HQ 이미지 3만장과 StyleGAN 이미지 3만장을 활용하여 48개의 동일한 시나리오로 모델을 학습하였다.
실험은 CPU i7-9700 3.6GHz, GPU RTX 2070, 윈도우 10 운영체제에서 수행되었고, 모델은 텐서플로우 및 케라스를 활용하여 구현하였다. 모델의 활성함 수는 ‘relu’가 사용되었고, 각 시나리오별로 약 40분의 학습시간이 소요되었다.
본 장에서는 3장에서 설명한 모델 파라미터에 변화를 주어 다양한 실험을 수행하고, 실험 결과 분석을 통해 모델 파라미터와 성능의 관계를 분석하고자 한다. 실험을 위한 학습 및 평가 데이터셋으로서 진짜 및 가짜 얼굴 이미지 데이터셋 총 30만 장 중, 70% 는 학습 데이터셋(training set)으로 사용하고, 30% 는 평가 데이터셋(testing set)으로 사용한다. Table 1은 제안된 모델의 파라미터 값을 고려하여 수행한 총 48개의 실험 시나리오 목록을 보여준다.
따라서 본 논문에서는 NVIDIA에서 개발한 StyleGAN 이미지를 탐지하기 위한 모델을 대표적인 이미지 데이터 딥러닝 모델인 합성곱신경망 (Convolutional Neural Network, CNN) 기반으로 제안한다. 제안된 모델은 여러 모델 파라미터를 가지도록 설계되며, 파라미터의 조합으로 48개의 실험 시나리오를 생성하여 진짜 얼굴 데이터 15만 개와 Style GAN으로 생성된 얼굴 데이터 15만 개를 활용하여 학습 및 평가한다. 또한, 잘못 탐지된 결과에 대한 상세분석을 실시함으로써 제안된 모델의 진짜 및 가짜 이미지 탐지 율에 영향을 미치는 모델 파라미터를 제시한다.

성능/효과

또한, 모델 파라미터들의 여러 조합을 고려하여 총 48개의 모델 시나리오를 개발하고, 진짜 얼굴 이미지 15만장 및 StyleGAN으로 생성된 가짜 얼굴 이미지 15만장에 대해 학습 및평가를 수행하여 각 시나리오별 탐지 성능을 측정하였다. 48개 시나리오의 f1-score는 모두 0.98이상으로서 제안된 모델이 StyleGAN 얼굴 이미지 대부분을 정확하게 탐지하고 있음을 확인하였다. 또한, 이미지를 잘못 예측한 FN 및 FP를 기준으로 상․하위 25%에 속하는 시나리오들을 선별하여 모델 파라미터를 분석한 결과, 이미지를 그레이스케일로 전처리 하지 않았을 때, 즉, RGB 이미지를 사용하였을 때 진짜 및 가짜 얼굴 이미지 탐지율이 모두 향상되었음을 확인하였다.
48개의 시나리오는 제안된 모델의 파라미터 조합으로 개발되었기 때문에 시나리오별 실험 결과를 비교하면 모델 파라미터와 성능의 상관관계를 분석할수 있다. 따라서 FN과 FP 분석을 통해 어떤 모델 파라미터들이 모델의 성능에 많은 영향을 미치는지 분석해보고자 한다.
즉, 해상도가 낮았을 때에는 커널의 개수가 많을수록 진짜 이미지 탐지 성능이 더 높아졌지만, 가짜 이미지 탐지 시에는 커널의 개수가 성능에 미치는 영향을 발견하지 못했다. 그러나 진짜 이미지의 해상도가 높은 추가실험에서는 진짜 이미지 뿐만 아니라, 가짜 이미지 탐지 시에도 커널의 개수가 많을수록 성능이 향상되는 것을 확인할 수 있었다. 따라서 향후 연구에서는 학습 이미지 데이터셋의 속성에 따른 모델 파라미터와 성능의 관계를 심층 분석할 예정이며, StyleGAN 이미지 뿐 아니라, 다른 종류의 GAN으로 생성한 가짜 이미지 탐지에도 높은 정확성을 갖도록 제시된 모델을 확장할 예정이다.
또한, 커널 개수가 많을수록 진짜 얼굴 이미지 탐지에 좋은 성능을 보이는 것을 확인할수 있었다. 그러나 컨볼루션 계층 수 및 커널 사이즈는 모델의 성능에 큰 영향을 미치지 못하고, 드롭아웃을 통해 학습된 뉴런의 일부를 제거하면 가짜 얼굴 이미지 탐지 시 성능을 향상 시킬 수 있음을 확인하였다. 본 논문에서는 실험결과에 대한 고찰로서 진짜 얼굴이미지의 해상도에 따라 실험결과가 어떻게 달라지는지 추가로 분석해 보았다.
98이상으로서 제안된 모델이 StyleGAN 얼굴 이미지 대부분을 정확하게 탐지하고 있음을 확인하였다. 또한, 이미지를 잘못 예측한 FN 및 FP를 기준으로 상․하위 25%에 속하는 시나리오들을 선별하여 모델 파라미터를 분석한 결과, 이미지를 그레이스케일로 전처리 하지 않았을 때, 즉, RGB 이미지를 사용하였을 때 진짜 및 가짜 얼굴 이미지 탐지율이 모두 향상되었음을 확인하였다. 또한, 커널 개수가 많을수록 진짜 얼굴 이미지 탐지에 좋은 성능을 보이는 것을 확인할수 있었다.
또한, 이미지를 잘못 예측한 FN 및 FP를 기준으로 상․하위 25%에 속하는 시나리오들을 선별하여 모델 파라미터를 분석한 결과, 이미지를 그레이스케일로 전처리 하지 않았을 때, 즉, RGB 이미지를 사용하였을 때 진짜 및 가짜 얼굴 이미지 탐지율이 모두 향상되었음을 확인하였다. 또한, 커널 개수가 많을수록 진짜 얼굴 이미지 탐지에 좋은 성능을 보이는 것을 확인할수 있었다. 그러나 컨볼루션 계층 수 및 커널 사이즈는 모델의 성능에 큰 영향을 미치지 못하고, 드롭아웃을 통해 학습된 뉴런의 일부를 제거하면 가짜 얼굴 이미지 탐지 시 성능을 향상 시킬 수 있음을 확인하였다.
그러나 FP 상위 12개의 경우, 드롭아웃 비율이 1(컨볼루션계층 1)-1(컨볼루션계층 2)-1(완전연결계층)인 시나리오의 분포가 가장 많은 것을 볼 수 있는데 이는 학습된 뉴런을 일부 제거하지 않고 모두 그대로 학습에 계속 반영하여 과적합이 발생하였음을 알 수있다. 반대로 FP의 하위 12개 시나리오에서는 드롭 아웃 비율이 0.7(컨볼루션계층 1)-0.5(완전연결계층) 로 설정된 시나리오들이 가장 많이 분포하는 것으로 보아 드롭아웃을 통해 과적합을 방지함으로써 가짜 이미지 탐지율을 높일 수 있음을 확인하였다.
본문에서 94x94인 CelebA 진짜 이미지 15만 장과 StyleGAN 가짜 이미지 15만 장을 사용했다면, 추가실험에서는 해상도가 1024×1024인 CelebA-HQ 이미지 3만장과 StyleGAN 이미지 3만장을 활용하여 48개의 동일한 시나리오로 모델을 학습하였다. 본문에서 제시한 실험과 비교해본 결과, 모델 파라미터 중, 이미지 전처리, 커널 사이즈, 컨볼루션 계층 수, 드롭아웃율에 있어서는 해상도가 낮았을 때와 모두 같은 결과를 얻은 것을 확인할 수 있었다. 단, 커널 개수와 관련해서는 기존에 발견하지 못했던 추가적인 특성을 확인할 수 있었다.

후속연구

그러나 진짜 이미지의 해상도가 높은 추가실험에서는 진짜 이미지 뿐만 아니라, 가짜 이미지 탐지 시에도 커널의 개수가 많을수록 성능이 향상되는 것을 확인할 수 있었다. 따라서 향후 연구에서는 학습 이미지 데이터셋의 속성에 따른 모델 파라미터와 성능의 관계를 심층 분석할 예정이며, StyleGAN 이미지 뿐 아니라, 다른 종류의 GAN으로 생성한 가짜 이미지 탐지에도 높은 정확성을 갖도록 제시된 모델을 확장할 예정이다. 본 논문에서 개발한 모델은 딥러닝 기술을 이용한 딥페이크 이미지 탐지 기술로 활용되어 불법 콘텐츠 제작, 이미지 위조를 통한 명예훼손 등 범죄 예방에도 기여할 수 있을 것으로 기대한다.
따라서 향후 연구에서는 학습 이미지 데이터셋의 속성에 따른 모델 파라미터와 성능의 관계를 심층 분석할 예정이며, StyleGAN 이미지 뿐 아니라, 다른 종류의 GAN으로 생성한 가짜 이미지 탐지에도 높은 정확성을 갖도록 제시된 모델을 확장할 예정이다. 본 논문에서 개발한 모델은 딥러닝 기술을 이용한 딥페이크 이미지 탐지 기술로 활용되어 불법 콘텐츠 제작, 이미지 위조를 통한 명예훼손 등 범죄 예방에도 기여할 수 있을 것으로 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	GAN이 발표 된 이후 제안된 모델들로는 어떤 것들이 있는가?	StyleGAN[4]은 2018년 12월 NVIDIA 연구원이 개발하여 2019년 2월에 공개된 새로운 GAN 모델이다. GAN이 발표된 이후, DCGAN, BEGAN, PGGAN (Progressive Growing of GAN)[5] 등 기존의 GAN 모델을 보완하는 모델들이 다수 제안되었다. 그러나 이러한 모델이 사람 얼굴 이미지 생성에 활용될 경우, 부자연스러운 이미지가 생성되거나 이미지의 성별, 연령 등 세부적인 사항을 조절하기가 매우 어렵다는 한계가 있었다.
	GAN은 어떻게 활용되고 있는가?	이미 영상·이미지·텍스트 생성 등 다양한 분야에 GAN이 활발히 사용되고 있으며, 2019년 2월에는 NVIDIA에서도 GAN 기반으로 유명 연예인의 얼굴 이미지를 학습한 후, 가짜 얼굴 이미지를 생성하는 기술을 발표하였다[2]. GAN은 사람 얼굴뿐만 아니라, 동물, 풍경 등 어떤 객체라도 인공지능이 현실과 거의 유사하게 이미지를 만들어 낼 수 있게 하는 진화된 이미지 처리기술로 활용되고 있다. 그러나 딥러닝에 의해 가짜 미디어 생성이 쉬워질수록, 이러한 기술이 정치적 또는 상업적으로 악용될 수 있는 소지 또한 많아졌다.
	StyleGAN은 기존 GNA 모델을 보완하여 제시된 모델들의 어떠한 단점을 보완하여 제작된 것인가?	GAN이 발표된 이후, DCGAN, BEGAN, PGGAN (Progressive Growing of GAN)[5] 등 기존의 GAN 모델을 보완하는 모델들이 다수 제안되었다. 그러나 이러한 모델이 사람 얼굴 이미지 생성에 활용될 경우, 부자연스러운 이미지가 생성되거나 이미지의 성별, 연령 등 세부적인 사항을 조절하기가 매우 어렵다는 한계가 있었다. NVIDIA에서는 이러한 단점들을 보완하여 사람 얼굴 이미지 생성에서 높은 품질을 보이는 StyleGAN을 공개하였다.

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