[논문]국방용 합성이미지 데이터셋 생성을 위한 대립훈련신경망 기술 적용 연구

양훈민

doi:10.9766/kimst.2019.22.1.049

국방용 합성이미지 데이터셋 생성을 위한 대립훈련신경망 기술 적용 연구
Synthetic Image Dataset Generation for Defense using Generative Adversarial Networks 원문보기

韓國軍事科學技術學會誌 = Journal of the KIMST, v.22 no.1, 2019년, pp.49 - 59

양훈민 (국방과학연구소 국방고등기술원)

Abstract ▼ AI-Helper

Generative adversarial networks(GANs) have received great attention in the machine learning field for their capacity to model high-dimensional and complex data distribution implicitly and generate new data samples from the model distribution. This paper investigates the model training methodology, architecture, and various applications of generative adversarial networks. Experimental evaluation is also conducted for generating synthetic image dataset for defense using two types of GANs. The first one is for military image generation utilizing the deep convolutional generative adversarial networks(DCGAN). The other is for visible-to-infrared image translation utilizing the cycle-consistent generative adversarial networks(CycleGAN). Each model can yield a great diversity of high-fidelity synthetic images compared to training ones. This result opens up the possibility of using inexpensive synthetic images for training neural networks while avoiding the enormous expense of collecting large amounts of hand-annotated real dataset.

주제어

표/그림 (11)

그림 Fig. 1. Generative adversarial network
그림 Fig. 2. Architecture of GAN’s variants
그림 Fig. 3. Generator model of DCGAN^[10]
표 Table 1. Loss functions of GAN’s variants
그림 Fig. 4. Training images of DCGAN
그림 Fig. 5. Generated army tank images
그림 Fig. 6. Generated aircraft carrier images
그림 Fig. 7. Training images of CycleGAN
그림 Fig. 8. Training architecture of CycleGAN
그림 Fig. 9. Image-to-image translation results
그림 Fig. 10. Concept diagram for synthetic data generation and its applications

AI 본문요약
AI-Helper

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

문제 정의

CycleGAN의 학습 목표는 가시광 도메인 X 와 적외선 도메인 Y 사이의 교차 변환을 위한 맵핑 함수를 학습하는 것이다. 맵핑 함수는 실제 가시광 이미지에서 적외선 합성이미지를 생성하는 G: X → Y와 그 반대인 F: Y → X로 정의된다.
본 논문에서는, 대립훈련신경망 기술의 주요 아키텍처와 응용분야들에 대한 기술 분석을 수행하고 국방 빅데이터 분야에의 활용 방안에 관해 기술하고자 한다. 이를 위해, 대립훈련신경망을 이용하여 탱크, 항공 모함, 적외선영상과 같은 국방용 합성이미지 데이터를 생성하는 실험을 수행하고 결과를 분석하도록 한다.
본 장에서는 대립훈련신경망 기술과 주요 아키텍처들에 대한 기술 분석을 수행하였고, 이미지 생성 및 변환, 준지도학습, 시뮬레이션 등의 적용 가능한 응용 분야들에 대해서 검토하였다.

가설 설정

생성모델이란 비지도학습 기반으로 실제 데이터의 확률분포를 모델링하여 실제 데이터와 매우 유사한 합성 데이터를 생성하는 모델이며, 대립훈련신경망은 생성모델의 일종이다. 생성모델은 모델이 실제 데이터와 유사한 데이터를 생성해 낼 수 있다면, 그 모델은 데이터의 내부 특성을 잘 학습했을 것이라는 가정을 바탕으로 한다. 학습된 특성들을 잘 활용한다면, 유사한 데이터를 생성하거나, 새로운 데이터가 주어졌을 때 그것을 분류하고 평가하는 것이 용이하다.

제안 방법

가시광 및 적외선 학습이미지 데이터셋들과 CycleGAN 기반으로 이미지-이미지 변환 학습을 수행하였다. 미니배치 크기는 4를 사용하고, 에포크가 200이 될 때까지 미니배치 학습을 수행한 후에 학습된 생성기 모델을 이용하여 이미지 샘플들을 생성하였다(Fig.
대립훈련신경망을 학습하여 국방용 객체 합성이미지를 생성하는 실험을 수행하였다. 학습용 데이터와 모델 및 학습 세부사항에 대해서 기술하였고, 생성되는 샘플들을 분석하였다.
대립훈련신경망을 학습하여 국방용 적외선 합성이미지를 생성하는 실험을 수행하였다. 학습용 데이터와 모델 및 학습 세부사항에 대해서 기술하고, 생성되는 샘플들을 분석하였다.
DCGAN은 이미지 생성 임무에서 기존 GAN이 갖고 있던 학습의 불안정성과 모드 붕괴 현상을 완화하기 위해서 풀링(pooling)과 완전연결(fully-connected) 계층을 제거하고 이미지 특징 해석과 표현에 효과적인 컨볼루션 계층을 도입한 것을 주요 특징으로 한다. 또한 생성기와 판별기 심층신경망 모델에 배치 정규화 (batch normalization)를 도입하고 각 모델의 특성에 따라 ReLU, Leaky-ReLU, Tanh 등의 다양한 활성화 함수를 활용한다. 생성기 모델에서는 잠재 공간(latent space)의 100차원 입력잡음 벡터 z가 다양한 특징 맵을 갖는 컨볼루션 표현으로 투사되어 64×64 픽셀크기의 합성이미지 G(z)로 변환된다(Fig.
모든 학습 이미지들은 바이큐빅 보간법을 통해 256×256의 해상도로 재조정하는 이미지 전처리 작업이 수행되었다.
5). 미니배치 크기는 64를 사용하고, 에포크(epoch)는 200을 목표로 하여 학습을 수행하면서 중간 과정에서 생성되는 이미지 샘플들을 분석하였다. 학습 과정을 초기, 중기, 말기로 분류하고, 각 과정에서의 합성이미지 샘플들의 특성을 분석하였다.
본 연구에서는 대립훈련신경망에 대한 기술 분석을 수행하고, 대회용 벤치마크 데이터셋을 활용하여 탱크, 항공모함, 적외선영상과 같은 국방용 합성이미지 데이터를 생성하는 실험을 수행하였다. 학습된 모델을 통해 생성된 합성이미지들은 머신러닝을 이용하는 국방 연구개발 분야의 학습데이터로써 활용 가능할 것이다.
1). 생성기 모델은 잡음(noise)을 입력으로 받아서 가짜 샘플을 생성하고, 판별기 모델은 생성기 모델과 실제 학습 데이터셋으로부터 각각 샘플을 받아서 샘플이 실제인지 가짜인지를 판별한다. 판별기 모델은 입력되는 샘플이 실제인지 가짜인지의 확률을 계산하는 로지스틱(logistic)회귀를 수행하는 분류기로 구현된다.
실제 국방용 탱크 이미지 1,300장과 DCGAN을 사용하여 탱크 합성이미지 생성을 위한 대립훈련신경망 학습을 수행하였다(Fig. 5). 미니배치 크기는 64를 사용하고, 에포크(epoch)는 200을 목표로 하여 학습을 수행하면서 중간 과정에서 생성되는 이미지 샘플들을 분석하였다.
실제 항공모함 이미지 1,300장과 DCGAN을 사용하여 항공모함 합성이미지 생성을 위한 대립훈련신경망 학습을 수행하였다(Fig. 6). 미니배치 크기는 64를 사용하고, 에포크는 200을 목표로 하여 학습을 수행하면서 중간 과정에서 생성되는 이미지 샘플들을 분석하였다.
의미론적인 형태를 찾을 수 없었던 학습 초기과정에 비해서 항공모함의 전체적인 윤곽이 어느정도 잡히고 실제 학습이미지들과 비슷한 색상을 표현하기 시작한다. 심층신경망 모델들의 파라미터 값들이 판별기 모델이 산출하는 손실함수 값의 역전파 학습을 통해 생성기 모델이 더 실제 같은 이미지를 생성하도록 갱신되었다.
본 논문에서는, 대립훈련신경망 기술의 주요 아키텍처와 응용분야들에 대한 기술 분석을 수행하고 국방 빅데이터 분야에의 활용 방안에 관해 기술하고자 한다. 이를 위해, 대립훈련신경망을 이용하여 탱크, 항공 모함, 적외선영상과 같은 국방용 합성이미지 데이터를 생성하는 실험을 수행하고 결과를 분석하도록 한다.
미니배치 크기는 64를 사용하고, 에포크(epoch)는 200을 목표로 하여 학습을 수행하면서 중간 과정에서 생성되는 이미지 샘플들을 분석하였다. 학습 과정을 초기, 중기, 말기로 분류하고, 각 과정에서의 합성이미지 샘플들의 특성을 분석하였다.
대립훈련신경망을 학습하여 국방용 객체 합성이미지를 생성하는 실험을 수행하였다. 학습용 데이터와 모델 및 학습 세부사항에 대해서 기술하였고, 생성되는 샘플들을 분석하였다. 모든 연산은 Nvidia Titan Xp GPU 4개와 Intel Xeon(R) E5-1680 CPU가 장착된 단일 워크스테이션에서 수행하였다.
대립훈련신경망을 학습하여 국방용 객체 합성이미지를 생성하는 실험을 수행하였다. 학습용 데이터와 모델 및 학습 세부사항에 대해서 기술하였고, 생성되는 샘플들을 분석하였다. 모든 연산은 Nvidia Titan Xp GPU 4개와 Intel Xeon(R) E5-1680 CPU가 장착된 단일 워크스테이션에서 수행하였다.

대상 데이터

대립훈련신경망 학습데이터는 ILSVRC2012 데이터셋 중에서 비행선(airship) 카테고리의 이미지들을 사용하였다(Fig. 7). 이미지들을 가시광과 적외선의 이미지 특성에 따라 분류하여, 가시광 1,111장과 적외선 161장 각각을 학습데이터로 사용하였다.
대립훈련신경망 학습데이터는 스탠포드 대규모 시각 인식 대회용 데이터셋인 ILSVRC201212)을 사용하였다^[21]. 대회용 전체 데이터셋은 1,000여 가지의 카테고리들을 포함하고, 각 카테고리는 1,300장씩의 각기 다른 픽셀크기의 사진들로 구성된다.
. 대회용 전체 데이터셋은 1,000여 가지의 카테고리들을 포함하고, 각 카테고리는 1,300장씩의 각기 다른 픽셀크기의 사진들로 구성된다. 본 실험에서는 국방용 객체인 탱크(army tank)와 항공모함(aircraft carrier)을 학습데이터로 사용하였다(Fig.
6). 미니배치 크기는 64를 사용하고, 에포크는 200을 목표로 하여 학습을 수행하면서 중간 과정에서 생성되는 이미지 샘플들을 분석하였다. 학습 과정을 초기, 중기, 말기로 분류하고, 각 과정에서의 합성이미지 샘플들의 특성을 분석하였다.
대회용 전체 데이터셋은 1,000여 가지의 카테고리들을 포함하고, 각 카테고리는 1,300장씩의 각기 다른 픽셀크기의 사진들로 구성된다. 본 실험에서는 국방용 객체인 탱크(army tank)와 항공모함(aircraft carrier)을 학습데이터로 사용하였다(Fig. 4). 모든 학습 이미지들은 바이큐빅 보간법(bicubic interpolation)을 통해 64×64의 해상도로 재조정하는 이미지 전처리 작업이 수행되었다.
대립훈련 손실함수에서 일반적으로 사용되는 로그(log)값 대신에 학습이 더 안정적인 최소자승값을 사용하였다. 아담 최적화기를 사용하였으며 모멘텀 계수는 0.5, 미니배치 크기는 4, 학습률은 0.0002로 설정하였다. 초기에는 학습률을 고정하고, 에포크 50을 기점으로 학습률이 선형적으로 감소하도록 설정하였다.
7). 이미지들을 가시광과 적외선의 이미지 특성에 따라 분류하여, 가시광 1,111장과 적외선 161장 각각을 학습데이터로 사용하였다. 모든 학습 이미지들은 바이큐빅 보간법을 통해 256×256의 해상도로 재조정하는 이미지 전처리 작업이 수행되었다.

데이터처리

합성영상의 실효성 검증을 위해 Fig. 9에서 실제 적외선 이미지 y와 변환을 통해 생성된 합성 적외선 이미지 G(F(y))의 최대 신호 대 잡음비(Peak Signal-toNoise Ratio, PSNR)를 계산하였다. 최대 신호 대 잡음비는 다음과 같이 수식 (3)으로 정의된다.

이론/모형

CycleGAN의 생성기(G, F) 모델은 기존 연구들에서 이미지 스타일 변환과 초해상도에서 뛰어난 성능을 보인 심층신경망 모델 구조^[23]를 사용하였다. 신경망은 2개의 스트라이드(strided) 컨볼루션 계층과, 9개의 레지듀얼 블록(residual block), 그리고 2개의 부분-스트라이드(fractionally-strided) 컨볼루션 계층을 포함한다.
02를 갖는 정규분포로 초기화하였다. 기존의 GAN의 경우 학습을 위해 모멘텀 (momentum) 방법을 사용했지만, 본 연구에서는 아담 최적화기(Adam optimizer)와 모멘텀 계수 0.5, 학습률 0.0002를 사용하였다.
대립훈련신경망 학습모델은 DCGAN^[10]을 사용하였다. DCGAN은 이미지 생성 임무에서 기존 GAN이 갖고 있던 학습의 불안정성과 모드 붕괴 현상을 완화하기 위해서 풀링(pooling)과 완전연결(fully-connected) 계층을 제거하고 이미지 특징 해석과 표현에 효과적인 컨볼루션 계층을 도입한 것을 주요 특징으로 한다.
가시광과 적외선 학습이미지 데이터셋들은 서로 짝지어지지 않고 독립적이기 때문에, 레이블 정보가 사용되지 않는 비지도학습 기반으로 학습을 수행해야한다. 또한 비행선의 모양은 유지하면서 가시광 또는 적외선의 영상 특성만을 변화시키는 것이 학습 목표이므로, 서로 다른 이미지 도메인 간에 물체의 형태는 유지하면서 스타일의 변화만을 가져오는 CycleGAN^13)[22]을 적외선 영상 변환용 대립훈련신경망 학습모델로 사용하였다(Fig. 8).
DCGAN의 생성기 및 판별기 모델 학습을 위한 학습 세부사항은 다음과 같다. 모든 모델들은 미니배치 확률 경사 하강법(mini-batch stochastic gradient descent)으로 학습을 수행하였으며, 미니배치 크기는 64를 사용하였다. 심층신경망 모델들의 모든 웨이트(weight)들은 평균 0과 표준편차 0.
모든 학습 이미지들은 바이큐빅 보간법(bicubic interpolation)을 통해 64×64의 해상도로 재조정하는 이미지 전처리 작업이 수행되었다.
판별기(DX, DY) 모델은 기존의 대립훈련 기반 이미지 초해상도에서 뛰어난 성능을 보인 70×70 PatchGANs[24] 심층신경망을 사용하였다.

성능/효과

최근 대용량 학습데이터를 사용한 인공지능 학습 및 추론 기술이 비약적 발전을 거듭하고 있다. 사람의 능력을 뛰어 넘는 수준의 영상과 음성 인식 성능을 보이고 있으며 높은 정확도로 사람의 언어도 이해할 수 있게 되었다. 지도학습 기반 딥러닝 기술을 이용한 이미지 인식의 경우 수천에서 수백만 장에 이르는 대용량의 학습데이터가 필요하다.
최대 신호 대 잡음비는 신호가 가질 수 있는 최대 전력에 대한 잡음의 전력을 나타내는 것으로, 주로 영상 압축이나 변환 과정에서 생기는 화질의 손실 정보를 평가할 때 사용되는 평가지표이다. 실제 적외선 이미지와 합성 이미지의 최대 신호 대 잡음비는 평균 32 dB로 이미지 초해상도 복원기술의 최신 성능지표(31~34 dB)^[26] 수준과 비교했을 때 훌륭한 변환이 수행되었다고 판단된다.

후속연구

본 연구에서 DCGAN과 CycleGAN 기반으로 생성한 탱크, 항공모함, 비행선 적외선영상과 같은 국방용 합성이미지 데이터셋은 이미지 인식, 객체 검출, 객체 분할 등을 수행하기 위한 머신러닝 관련 분야에서 학습데이터로써 활용 가능할 것으로 판단된다. 대립훈련신경망을 통해 생성된 합성이미지 빅데이터는 지능 자율형 응용기술, 지능형 무기체계, 무인로봇 시뮬레이션 등 인공지능 기술이 적용되는 다양한 국방 연구개발 분야의 학습용 데이터로써 활용 가능할 것이다.
대립훈련신경망과 같은 비지도학습 기반 생성모델을 통해 대량의 합성데이터들을 생성하고, 기존의 소량의 데이터에 증강하여 학습데이터로 활용했을 때 높은 학습 성능을 얻을 수 있다고 알려져 있다^[1-8]. 본 연구에서 DCGAN과 CycleGAN 기반으로 생성한 탱크, 항공모함, 비행선 적외선영상과 같은 국방용 합성이미지 데이터셋은 이미지 인식, 객체 검출, 객체 분할 등을 수행하기 위한 머신러닝 관련 분야에서 학습데이터로써 활용 가능할 것으로 판단된다. 대립훈련신경망을 통해 생성된 합성이미지 빅데이터는 지능 자율형 응용기술, 지능형 무기체계, 무인로봇 시뮬레이션 등 인공지능 기술이 적용되는 다양한 국방 연구개발 분야의 학습용 데이터로써 활용 가능할 것이다.
학습된 모델을 통해 생성된 합성이미지들은 머신러닝을 이용하는 국방 연구개발 분야의 학습데이터로써 활용 가능할 것이다. 아울러 초대용량의 학습용 데이터를 효율적으로 처리하기 위한 빅데이터 분산 저장 및 처리기술을 적절히 활용하면, 대규모 머신러닝용 데이터 처리시스템 구축도 가능할 것으로 판단된다. 컴퓨터 비전 분야뿐만 아니라, 음성인식, 신호처리, 자연어처리, 강화학습, 제어 및 시뮬레이션 등 다양한 분야에 활용 가능한 대립훈련 기반 학습기술을 감시정찰, 탐지인식, 자율주행, 무인로봇 등의 관련 국방 연구개발 분야에 선제적으로 활용하는 것이 필요하다.
대립훈련을 통해 학습된 생성기 모델 G를 이용하면 임의의 가시광 이미지를 해당 적외선 합성이미지로 변환 가능하고, 또한 생성기 모델 F를 이용하면 임의의 적외선 이미지를 해당 가시광 합성이미지로 변환 가능하다. 적외선 합성영상 획득이 필요하거나, 가시광 영역의 영상으로 재변환이 필요한 경우에 학습된 모델들을 활용 가능할 것으로 판단된다.
아울러 초대용량의 학습용 데이터를 효율적으로 처리하기 위한 빅데이터 분산 저장 및 처리기술을 적절히 활용하면, 대규모 머신러닝용 데이터 처리시스템 구축도 가능할 것으로 판단된다. 컴퓨터 비전 분야뿐만 아니라, 음성인식, 신호처리, 자연어처리, 강화학습, 제어 및 시뮬레이션 등 다양한 분야에 활용 가능한 대립훈련 기반 학습기술을 감시정찰, 탐지인식, 자율주행, 무인로봇 등의 관련 국방 연구개발 분야에 선제적으로 활용하는 것이 필요하다.
본 연구에서는 대립훈련신경망에 대한 기술 분석을 수행하고, 대회용 벤치마크 데이터셋을 활용하여 탱크, 항공모함, 적외선영상과 같은 국방용 합성이미지 데이터를 생성하는 실험을 수행하였다. 학습된 모델을 통해 생성된 합성이미지들은 머신러닝을 이용하는 국방 연구개발 분야의 학습데이터로써 활용 가능할 것이다. 아울러 초대용량의 학습용 데이터를 효율적으로 처리하기 위한 빅데이터 분산 저장 및 처리기술을 적절히 활용하면, 대규모 머신러닝용 데이터 처리시스템 구축도 가능할 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	대립훈련신경망의 장점은 무엇인가?	학습된 특성들을 잘 활용한다면, 유사한 데이터를 생성하거나, 새로운 데이터가 주어졌을 때 그것을 분류하고 평가하는 것이 용이하다. 대립훈련신경망은 생성모델학습의 어려움을 두 신경망 모델의 경쟁구도로 전환하여 해결함과 동시에 탁월한 성능을 냄으로써 여러 분야들에서 응용되고 있다.
	데이터의 확보와 공유가 어려운 상황을 극복하기 위한 기술은 무엇인가?	하지만 보안상의 이유로 데이터의 확보와 공유가 더욱 더 어려운 실정이다. 이러한 데이터 부족문제 현상을 합성(synthetic) 데이터를 생성하여 학습데이터로 활용하고자 하는 다양한 연구결과들이 발표되고 있으며[1-8], 그와 관련하여 대립훈련 기반으로 새로운 데이터를 생성하는 대립훈련신경망 또는 생성적 적대 신경망(Generative Adversarial Networks, GANs)[9] 기술이 크게 발전하고 있다.
	대립훈련신경망이란 무엇인가?	생성모델이란 비지도학습 기반으로 실제 데이터의 확률분포를 모델링하여 실제 데이터와 매우 유사한 합성 데이터를 생성하는 모델이며, 대립훈련신경망은 생성모델의 일종이다. 생성모델은 모델이 실제 데이터와 유사한 데이터를 생성해 낼 수 있다면, 그 모델은 데이터의 내부 특성을 잘 학습했을 것이라는 가정을 바탕으로 한다.

참고문헌 (26)

J. Tremblay et al., "Training Deep Networks with Synthetic Data: Bridging the Reality Gap by Domain Randomization," Computer Vision and Pattern Recognition(CVPR), 2018.
Z. Zheng et al., "Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in Vitro," International Conference on Computer Vision(ICCV), 2017.
M. V. Giuffrida et al., "ARIGAN: Synthetic Arabidopsis Plants using Generative Adversarial Network," International Conference on Computer Vision(ICCV) CVPPP Workshop, 2017.
H. Yang et al., "Unsupervised Learning Based GANs Technology Review," KIMST Annual Conference Proceedings, 2017.
H. Yang et al., "GANs Based Machine Learning Training Image Generation," KIMST Annual Conference Proceedings, 2017.
H. Yang et al., "Visible-to-Infrared Image Translation using Adversarial Training," KIMST Annual Conference Proceedings, 2018.
H. Yang et al., "Cross-domain Image Translation for Large Shape Transformation using Generative Adversarial Networks," Korea Computer Congress (KCC), 2018.
H. Yang et al., "GANs Technology and Big Data Applications for Defense," Defense Science & Technology Plus, Vol. 239, 2018.
I. Goodfellow et al., "Generative Adversarial Network s," arXiv:1406.2661.
A. Radford et al., "Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks," arXiv:1511.06434.
M. Arjovsky et al., "Wasserstein GAN," arXiv:1701.07875.
X. Mao et al., "Least Squares Generative Adversarial Networks," arXiv:1611.04076.
J. Donahue et al., "Adversarial Feature Learning," arXiv:1605.09782.
X. Chen et al., "InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets," arXiv:1606.03657.
A. Spurr et al., "Guiding InfoGAN with Semi-Supervision," arXiv:17.07.04487.
A. Odena, "Semi-Supervised Learning with Generative Adversarial Networks," arXiv:1606.01583.
M. Mirza et al., "Conditional Generative Adversarial Nets," arXiv:1411.1784.
A. Odena et al., "Conditional Image Synthesis with Auxiliary Classifier GANs," arXiv:1610.09585.
J. Zhao et al., "Energy-Based Generative Adversarial Networks," arXiv:1609.03126.
D. Berthelot et al., "BEGAN: Boundary Equilibrium Generative Adversarial Networks," arXiv:1703.10717.
O. Russakovsky et al., "ImageNet Large Scale Visual Recognition Challenge," International Journal of Computer Vision(IJCV), 2015.
J. Zhu, T. Park, P. Isola, A. Efros, "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks," International Conference on Computer Vision(ICCV), 2017.
J. Johnson, et al., "Perceptual Losses for Real-Time Style Transfer and Super-Resolution," European Conference on Computer Vision(ECCV), 2016.
C. Ledig, et al., "Photo-realistic Single Image Super-Resolution using a Generative Adversarial Network," Computer Vision and Pattern Recognition(CVPR), 2017.
D. Chung et al., "Getting the Most Out of Multi-GPU on Inference Stage using Hadoop-Spark Cluster," GPU Technology Conference(GTC), 2018.
E. Agustsson et al., "NTIRE 2017 Challenge on Singe Image Super-Resolution: Dataset and Study," CVPR Workshop, 2017.

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