[논문]CycleGAN을 이용한 야간 상황 물체 검출 알고리즘

조상흠; 이용; 나재민; 김영빈; 박민우; 이상환; 황원준

doi:10.9717/kmms.2019.22.1.044

CycleGAN을 이용한 야간 상황 물체 검출 알고리즘
CycleGAN-based Object Detection under Night Environments 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.22 no.1, 2019년, pp.44 - 54

조상흠 (Dept. of Software and Computer Engineering, Ajou University) , 이용 (Korea Institute of Science and Technology Information) , 나재민 (Dept. of Software and Computer Engineering, Ajou University) , 김영빈 (Dept. of Software and Computer Engineering, Ajou University) , 박민우 (Korea Institute of Science and Technology Information) , 이상환 (Korea Institute of Science and Technology Information) , 황원준 (Dept. of Software and Computer Engineering, Ajou University)

Abstract ▼ AI-Helper

Recently, image-based object detection has made great progress with the introduction of Convolutional Neural Network (CNN). Many trials such as Region-based CNN, Fast R-CNN, and Faster R-CNN, have been proposed for achieving better performance in object detection. YOLO has showed the best performance under consideration of both accuracy and computational complexity. However, these data-driven detection methods including YOLO have the fundamental problem is that they can not guarantee the good performance without a large number of training database. In this paper, we propose a data sampling method using CycleGAN to solve this problem, which can convert styles while retaining the characteristics of a given input image. We will generate the insufficient data samples for training more robust object detection without efforts of collecting more database. We make extensive experimental results using the day-time and night-time road images and we validate the proposed method can improve the object detection accuracy of the night-time without training night-time object databases, because we converts the day-time training images into the synthesized night-time images and we train the detection model with the real day-time images and the synthesized night-time images.

주제어

표/그림 (11)

그림 Fig. 3. The example images of BDD dataset [9]. The top row represents the images of Day time, the middle represents the Day time images applied bounding box information from annotation of BDD dataset [9], and the bottom row represents the images of Night time. In the middle row, blue bounding box indicates the location of Car objects, and green bounding box indicates the location of Person.
그림 Fig. 1. The flow of CycleGAN [1] training procedure for proposed method.
그림 Fig. 2. The flow of YOLO [6] training using Generator of CycleGAN [1].
표 Table 1. The distribution of BDD dataset [9] according to weather conditions
그림 Fig. 4. The result of image translation using CycleGAN [1]. The upper row shows the original Day time image, and the lower row shows the image converted from Day to Night.
표 Table 2. The distribution of objects included in selected training set for experiments
표 Table 3. The distribution of objects included in selected test set for experiments
그림 Fig. 5. The histograms of pixel values after conversion using CycleGAN [1]. The leftmost column is the original converted image, and the right shows the corresponding B, G, R pixel histograms of the converted image. The above two images have a problem during the conversion, and the below two images are cases that are converted well.
표 Table 4. The overall performances of the proposed method
표 Table 5. The detailed performances according to different classes at the proposed method
그림 Fig. 6. The example results of the proposed method. Left images are results of YOLO algorithm trained using only Day class data, and right images are results of YOLO algorithm trained using Day class and synthesized Night class data. By the proposed method, YOLO can detect undetected objects such as a bus or cars under the night time.

AI 본문요약
AI-Helper

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

문제 정의

그 중 Coupled GAN (CoGAN) [13]은 weight를 공유하는 2개의 생성자를 사용함으로써 짝을 이루지 않는 시작 도메인과 목표 도메인의 공통된 분포를 학습하고자 시도하였으며, Unsupervised Image-to-Image Translation Networks (UNIT) [14]에서는 Variational Auto Encoder (VAEs)를 CoGAN [13]과 조합하여 시작도메인과 목표 도메인에서의 각 데이터가 같은 noise분포의 데이터로 변환되도록 하는 제약조건을 CoGAN [13]에 추가하였다. CycleGAN [1]과 Learningto Discover Cross-Domain Relations with Generative Adversarial Networks (DiscoGAN) [15]의 경우 cycle consistency의 개념을 적용하여 입력 이미지와 변환된 이미지 사이의 공통되는 주요 특징을 보존하고자 했다.
그중 하나가 Image-to-Image translation [1, 2, 4, 13, 14, 15]를 이용한 학습 데이터 생성이다. 본 논문에서는 Image-to-Image translation [1, 2, 4, 13, 14, 15] 네트워크를 이용하여 데이터 샘플을 확보하고 객체 검출 네트워크를 통해 이 방식의 효용성을 입증하고자 한다.
본 논문에서는 네트워크의 학습에 있어서 데이터샘플이 적은 클래스 혹은 dataset의 데이터 부족으로 인한 문제를 해결하기 위해 CycleGAN을 기반으로 하는 데이터 샘플링 기법을 제안하였다. 이 샘플링으로 생성한 데이터의 유효성을 입증하기 위해 기존의 dataset에서 학습시킨 YOLO와 생성한 data를 포함한 dataset으로 학습시킨 YOLO를 비교하는 실험을 진행하였다.
Image-to-Image translation [1, 2, 4, 13, 14, 15]는 주어진 이미지를 다른 이미지로 변환하는 분야를 가리킨다. 이 분야는 시작 도메인의 이미지에서 해당 이미지의 주요 특징은 유지한 상태로 목표 도메인의 이미지로 변환하는 것을 목표로 한다. 예를 들어 반고흐의 작품을 모네의 화풍으로 변환시키거나 [1], 주어진 인물 사진의 화난 표정을 웃는 표정으로 바꾸어 다시 생성하는 작업 [2] 등이 있다.
두 도메인 사이의 데이터가 짝을 이루지 않는, 즉 불균형한 도메인 사이에서도 제대로 학습이 가능한 CycleGAN [1]의 특성을 이용한다. 이 제안 방법의 목적은 CycleGAN [1]을 이용하여 특정 도메인의 데이터를 생성, 이를 이후 classification 혹은 detection네트워크에 사용하는 것을 목적으로 한다. 식 (3),(4), (5)에서 도메인 X를 데이터가 상대적으로 많은 dataset 혹은 변환하기를 원하는 시작 도메인에 대응시킨다.
Berkeley Deep Drive (BDD) dataset [9]의 낮 시간대 이미지와 밤 시간대 이미지를 사용하여 CycleGAN [1]을 학습시킨 후 이렇게 학습된 CycleGAN [1]을 이용하여 라벨이 있는 낮 시간대의 이미지를 밤 시간대의 이미지로 변환한다. 이렇게 생성된 밤 시간대의 이미지를 학습 dataset에 추가해 YOLO [6]를 다시 학습시켜 야간 영상에서 검출 성능이 떨어지는 문제를 해결하고자 한다. 실험을 통해 Image-to-Image Translation [1, 2, 4, 13, 14, 15]를 이용하여 생성된 이미지를 네트워크의 학습 데이터로써 사용할 수 있음을 입증한다.

제안 방법

4.2에서 제안한 방법대로, YOLO [6]를 학습하기전 CycleGAN [1]을 사용하여 Day 클래스의 데이터를 Night 클래스의 데이터로 변환하는 작업을 수행하였다. 그 결과에 대한 예시는 Fig.
BDD dataset [9]의 Day domain과 Night domain의 이미지를 활용하여 CycleGAN [1]을 학습시켰다. 이후 CycleGAN [1]을 사용하여 생성한 데이터의 학습 데이터로서의 유효성을 입증하기 위해 총 3가지 프로토콜로 YOLO [6]의 학습을 진행하였다.
네트워크 학습에 있어서 데이터의 부족 문제를 해결하기 위해, 본 논문에서는 2개의 생성자 (Generator)와 구별자 (Discriminator)를 기반으로 하는 CycleConsistent Adversarial Networks (CycleGAN) [1]을 사용하여 데이터를 샘플링하는 기법을 제안한다. Berkeley Deep Drive (BDD) dataset [9]의 낮 시간대 이미지와 밤 시간대 이미지를 사용하여 CycleGAN [1]을 학습시킨 후 이렇게 학습된 CycleGAN [1]을 이용하여 라벨이 있는 낮 시간대의 이미지를 밤 시간대의 이미지로 변환한다. 이렇게 생성된 밤 시간대의 이미지를 학습 dataset에 추가해 YOLO [6]를 다시 학습시켜 야간 영상에서 검출 성능이 떨어지는 문제를 해결하고자 한다.
CycleGAN [1]을 이용한 이미지 변환 후, 이를 YOLO [6]의 training set에 포함시켜 학습을 진행하였다. 그리고 Day 클래스와 Night 클래스의 데이터를 넣어 각각의 테스트를 진행하였다.
학습을 위한 프로토콜은 다음과 같다. ① Day 클래스의 이미지만 추출하여 학습, ② Day 클래스와 Night 클래스의 이미지를 균등하게 추출하여 학습, ③ Day 클래스를 추출하고 이와 별개로 다른 Day 클래스의 이미지를 Night 클래스로 변환하여 학습에 사용하는 방식으로 실험하였다. YOLO [6]의 학습을 위해 무작위로 추출한 10,000장의 이미지 (Day 클래스 5,000장, Night 클래스 5,000장)에서 각 이미지가 포함하고 있는 물체들을 추출하여 학습에 사용하였으며 그 분포는 Table 2와 같다.
CycleGAN [1]을 이용한 이미지 변환 후, 이를 YOLO [6]의 training set에 포함시켜 학습을 진행하였다. 그리고 Day 클래스와 Night 클래스의 데이터를 넣어 각각의 테스트를 진행하였다. 테스트의 성능지표는 IoU (Intesection of Union)에 해당하는 영역을 기준으로 한 mAP (mean Average Precision)를 이용하였으며, 실험 결과에 대한 요약은 Table 4에 있다.
네트워크 학습에 있어서 데이터의 부족 문제를 해결하기 위해, 본 논문에서는 2개의 생성자 (Generator)와 구별자 (Discriminator)를 기반으로 하는 CycleConsistent Adversarial Networks (CycleGAN) [1]을 사용하여 데이터를 샘플링하는 기법을 제안한다. Berkeley Deep Drive (BDD) dataset [9]의 낮 시간대 이미지와 밤 시간대 이미지를 사용하여 CycleGAN [1]을 학습시킨 후 이렇게 학습된 CycleGAN [1]을 이용하여 라벨이 있는 낮 시간대의 이미지를 밤 시간대의 이미지로 변환한다.
이 Adversarial loss 이외에도 Cycle Consistency Loss라는 개념을 도입하여 2개의 도메인의 데이터가 불균형한 경우에도 학습할 수 있도록 만들었다. 단순히 한 방향으로의 mapping만이 아니라 변환되었다가 다시 복원되는 mapping까지 고려하여, 원래의 도메인으로 돌아왔을 때 제대로 복원되었는지 확인하는 것이다.
본 논문에서는 네트워크의 학습에 있어서 데이터샘플이 적은 클래스 혹은 dataset의 데이터 부족으로 인한 문제를 해결하기 위해 CycleGAN을 기반으로 하는 데이터 샘플링 기법을 제안하였다. 이 샘플링으로 생성한 데이터의 유효성을 입증하기 위해 기존의 dataset에서 학습시킨 YOLO와 생성한 data를 포함한 dataset으로 학습시킨 YOLO를 비교하는 실험을 진행하였다. 그 결과 크지는 않지만 어느 정도 유효한 성능 향상을 확인할 수 있었으며, 이로써 CycleGAN으로 생성한 데이터들도 학습에 활용할 수 있음이 입증되었다.
Pix2Pix[4]에서는 loss function으로 기존의 GAN loss인 adversarial loss 이외에도 이미지 사이의 L1 loss를 조합해서 사용하였다. 이를 통해 생성된 이미지가 보다 실제 이미지와 가깝게 생성될 수 있도록 유도하였다. 그러나 이 경우 시작 도메인에 해당하는 각 이미지가 라벨의 역할을 했기 때문에 목표 도메인과 시작 도메인은 서로 짝에 해당하는 이미지를 가지고 있어야 한다는 한계가 있었다.
YOLO [6]의 학습을 위해 무작위로 추출한 10,000장의 이미지 (Day 클래스 5,000장, Night 클래스 5,000장)에서 각 이미지가 포함하고 있는 물체들을 추출하여 학습에 사용하였으며 그 분포는 Table 2와 같다. 이후 학습된 YOLO [6]를 이용하여 Day domain과 Night domain에서의 테스트를 진행하였다. test set은 BDD dataset [9]에서 무작위로3,000장을 추출했으며, 추출된 이미지 내에 존재하는 물체들을 이용하여 YOLO [6]의 테스트를 진행하였다.
Conditional GAN (cGAN) [12]에서는 vanilla GAN에 조건부 확률의 개념을 도입하여 원하는 데이터를 생성할 수 있도록 네트워크를 개량한다. 입력으로 사용하는 random noise z에 부가 조건 y를 추가하여 학습시킴으로써 y를 통해 생성되는 결과물을 조정할 수 있도록 하였다. 입력이 변화되면서 생성자와 구별자 사이의 목적 함수 V에도 변화가 생기게 되는데 변화된 식은 식 (2)와 같이 나온다.

대상 데이터

① Day 클래스의 이미지만 추출하여 학습, ② Day 클래스와 Night 클래스의 이미지를 균등하게 추출하여 학습, ③ Day 클래스를 추출하고 이와 별개로 다른 Day 클래스의 이미지를 Night 클래스로 변환하여 학습에 사용하는 방식으로 실험하였다. YOLO [6]의 학습을 위해 무작위로 추출한 10,000장의 이미지 (Day 클래스 5,000장, Night 클래스 5,000장)에서 각 이미지가 포함하고 있는 물체들을 추출하여 학습에 사용하였으며 그 분포는 Table 2와 같다. 이후 학습된 YOLO [6]를 이용하여 Day domain과 Night domain에서의 테스트를 진행하였다.
이후 학습된 YOLO [6]를 이용하여 Day domain과 Night domain에서의 테스트를 진행하였다. test set은 BDD dataset [9]에서 무작위로3,000장을 추출했으며, 추출된 이미지 내에 존재하는 물체들을 이용하여 YOLO [6]의 테스트를 진행하였다. 테스트에 사용된 물체들의 분포는 Table 3과 같다.
Day, Night Dawn/Dusk의 경우 각 클래스에 해당하는 이미지는 해당 클래스의 시간대에 수집한 이미지이며, 시간대를 확인할 수 없는 이미지는(예 : 터널이나 건물 내부에서 수집한 경우) Undefined로 분류하였다. 본 논문에서는 BDDdataset [9]의 시간 도메인 중 Day와 Night을 선택하여 사용하였다. BDD dataset [9]의 예시는 Fig.

데이터처리

테스트에 사용된 물체들의 분포는 Table 3과 같다. 그리고 테스트 결과로 각 클래스 별 mean Average Precision (mAP)를 계산하여 프로토콜별로 그 성능을 비교하였다.

이론/모형

두 도메인 사이의 데이터가 짝을 이루지 않는, 즉 불균형한 도메인 사이에서도 제대로 학습이 가능한 CycleGAN [1]의 특성을 이용한다. 이 제안 방법의 목적은 CycleGAN [1]을 이용하여 특정 도메인의 데이터를 생성, 이를 이후 classification 혹은 detection네트워크에 사용하는 것을 목적으로 한다.
1과 같다. 이 논문에서 사용한 CycleGAN [1]은 Resnet [18] 9-block 기반의 생성자와 구별자을 한 쌍으로 하여 총 2쌍의 네트워크로 구성되었고, Activation Function은 ReLU, Optimizer는 Adam [19]을 사용하였다. 이후 학습시킨 CycleGAN[1]에서 GD->N을 떼어내어 Y 도메인의 데이터를 생성한다.
이미지 변환을 통한 데이터 생성을 위한 베이스라인 모델로서, 이 논문에서는 CycleGAN [1]을 채택하였다. CycleGAN [1]의 학습 목적은 2개의 도메인 사이를 오갈 수 있는 2개의 생성자와 2개의 구별자를 학습시키는 것이다.
BDD dataset [9]의 Day domain과 Night domain의 이미지를 활용하여 CycleGAN [1]을 학습시켰다. 이후 CycleGAN [1]을 사용하여 생성한 데이터의 학습 데이터로서의 유효성을 입증하기 위해 총 3가지 프로토콜로 YOLO [6]의 학습을 진행하였다. 학습을 위한 프로토콜은 다음과 같다.
테스트의 성능지표는 IoU (Intesection of Union)에 해당하는 영역을 기준으로 한 mAP (mean Average Precision)를 이용하였으며, 실험 결과에 대한 요약은 Table 4에 있다.

성능/효과

40% 로 나왔다. CycleGAN [1]으로 변환시킨 Night 이미지를 섞었을 경우 변환시키지 않은 기존의 Night 이미지를 섞었을 때보다는 성능이 떨어지지만, 단순히 Day만 사용했을 때의 성능보다는 어느 정도 개선이 있음을 확인하였다. 성능 차이에 대한 예시 이미지는 Fig.
이 샘플링으로 생성한 데이터의 유효성을 입증하기 위해 기존의 dataset에서 학습시킨 YOLO와 생성한 data를 포함한 dataset으로 학습시킨 YOLO를 비교하는 실험을 진행하였다. 그 결과 크지는 않지만 어느 정도 유효한 성능 향상을 확인할 수 있었으며, 이로써 CycleGAN으로 생성한 데이터들도 학습에 활용할 수 있음이 입증되었다. 이를 활용하여 향후 데이터 샘플이 부족한 dataset의 문제를 해결할 수 있을 것이다.
Table 5에 따르면 Night 도메인에서의 테스트에서 Car나 Person의 검출 성능 자체는 개선이 별로 보이지 않는다. 그러나 Car나 Person에 비해 비교적 데이터가 적은 편인 Truck이나 Bus에서 꽤 높은 성능개선율을 보였다. 이는 Car, Person 클래스의 개별적인 물체 크기와 Bus, Truck 클래스의 물체의 개별적인 물체 크기의 차이에서 비롯된 것으로 보인다.

후속연구

이러한 원인으로 인해 Car 클래스와 Person 클래스의 검출 성능 개선율이 Bus,Truck 클래스의 검출 성능 개선율에 비해 떨어지는 현상이 야기된 것으로 보인다. 물론 Table 2, Table3에서 볼 수 있듯이 Car, Person 클래스와 Bus,Truck 클래스 사이의 샘플 개수의 차이도 크기 때문에 차후 이어지는 실험에서는 Truck과 Bus 클래스를 포함한 샘플들을 추가시키거나, 이 논문에서 실험에 사용한 샘플들의 data augmentation 등의 전처리작업을 통해 클래스 사이의 샘플 균등성을 확보해야할 것이다.
그 결과 크지는 않지만 어느 정도 유효한 성능 향상을 확인할 수 있었으며, 이로써 CycleGAN으로 생성한 데이터들도 학습에 활용할 수 있음이 입증되었다. 이를 활용하여 향후 데이터 샘플이 부족한 dataset의 문제를 해결할 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Single Shot multi-box Detector (SSD)는 무엇인가?	(You Only Look Once) [6]가 있다. SSD는 입력 이미 지에서 추출해 내는 특징 맵 (feature map)을 여러 개의 크기로 만들어서 큰 특징 맵에서는 작은 물체의 검출을, 작은 특징 맵에서는 큰 물체의 검출을 하게 만든 방식의 네트워크이고, YOLO는 전체 특징 맵을
	컴퓨터 비전 분야에서 CNN을 사용한 방식이 주류가 될 수 있었던 요인은 무엇인가?	데, 1) Deep Convolutional Neural Networks (Deep CNNs) 와 2) 충분한 양의 라벨링된 데이터이다. 위
	Image-to-Image translation의 주된 목표는?	리킨다. 이 분야는 시작 도메인의 이미지에서 해당 이미지의 주요 특징은 유지한 상태로 목표 도메인의 이미지로 변환하는 것을 목표로 한다. 예를 들어 반

참고문헌 (21)

J.Y. Zhu, T. Park, P. Isola, and A.A. Efros, "Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks," Proceeding of International Conference on Computer Vision, pp. 2242-2251, 2017.
Y. Choi, M. Choi, M. Kim, JW. Ha, S. Kim, J. Choo, et al., "StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation," Proceeding of International Conference on Computer Vision and Pattern Recognition, pp. 8789-8797, 2018.
I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, et al., "Generative Adversarial Nets," Proceeding of Conference on Neural Information Processing Systems, pp. 1-9, 2014.
P. Isola, J.Y. Zhu, T. Zhou, and A.A. Efros, "Image-to-Image Translation with Conditional Adversarial Networks," Proceeding of International Conference on Computer Vision and Pattern Recognition, pp. 5967-5976, 2017.
W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, CY. Fu, et al., "SSD: Single Shot Multibox Detector," Proceeding of European Conference on Computer Vision, pp. 21-37, 2016.
J. Redmon and A. Farhadi, "YOLO9000: Better, Faster, Stronger," Proceeding of International Conference on Computer Vision and Pattern Recognition, pp. 6517-6525, 2017.
M. Everingham, L. Van Gool, C.K.I. Williams, J. Winn, and A. Zisserman, “The PASCAL Visual Object Classes (VOC) Challenge,” International J ournal of Computer Vision, Vol. 88, No. 2, pp. 303-338, 2010.

상세보기
T.Y. Lin, M. Maire, S. Belongie, J. Hays, P. Perona, D. Ramanan, et al., "Microsoft COCO: Common Objects in Context," Proceeding of European Conference on Computer Vision, pp. 740-755, 2014.
F. Yu, W. Xian, Y. Chen, F. Liu, M. Liao, V. Madhavan, et al., "BDD100K: A Diverse Driving Video Database with Scalable Annotation Tooling," arXiv Preprint arXiv:1805.04687, 2018.
E. Denton, S. Chintala, A. Szlam, and R. Fergus, "Deep Generative Image Models Using a Laplacian Pyramid of Adversarial Networks," Proceeding of Conference on Neural Information Processing Systems, pp. 1486-1494, 2015.
A. Radford, L. Metz, and S. Chintala, "Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks," Proceeding of International Conference on Learning Representations, pp. 1-16, 2016.
M. Mirza and S. Osindero, "Conditional Generative Adversarial Nets," arXiv Preprint arXiv:1411.1784, 2014.
M.Y. Liu and O. Tuzel, "Coupled Generative Adversarial Networks," Proceeding of Conference on Neural Information Processing Systems, pp. 469-477, 2016.
M.Y. Liu, T. Breuel, and J. Kautz, "Unsupervised Image-to-Image Translation Networks," Proceeding of Conference on Neural Information Processing Systems, pp. 700-708, 2017.
T. Kim, M. Cha, H. Kim, J.K. Lee, and J. Kim, "Learning to Discover Cross-Domain Relations with Generative Adversarial Networks," Proceeding of International Conference on Machine Learning, pp. 1857-1865, 2017.
J. Johnson, A. Alahi, and L. Fei-Fei, "Perceptual Losses for Real-Time Style Transfer and Super-Resolution," Proceeding of European Conference on Computer Vision, pp. 694-711, 2016.
L.A. Gatys, A.S. Ecker, and M. Bethge, "Image Style Transfer Using Convolutional Neural Networks," Proceeding of International Conference on Computer Vision and Pattern Recognition, pp. 2414-2423, 2016.
K. He, X. Zhang, S. Ren, and J. Sun, "Deep Residual Learning for Image Recognition," Proceeding of International Conference on Computer Vision and Pattern Recognition, pp. 770-778, 2016.
D.P. Kingma and J.L. Ba, "ADAM: A Method for Stochastic Optimization," Proceeding of International Conference on Learning Representations, pp. 1-15, 2015.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You only Look Once: Unified, Real-Time Object Detection," Proceeding of International Conference on Computer Vision and Pattern Recognition, pp. 779-788, 2016.
H.S. Ha and B.Y. Hwang, “Enhancement Method of CCTV Video Quality Based on SRGAN,” Journal of Korea Multimedia Society, Vol. 21, No. 9, pp. 1027-1034, 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