[논문]딥 러닝 기반의 SIFT 이미지 특징 추출

이재은; 문원준; 서영호; 김동욱

doi:10.5909/jbe.2019.24.2.234

딥 러닝 기반의 SIFT 이미지 특징 추출
SIFT Image Feature Extraction based on Deep Learning 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.24 no.2, 2019년, pp.234 - 242

이재은 (광운대학교 전자재료공학과) , 문원준 (광운대학교 전자재료공학과) , 서영호 (광운대학교 전자재료공학과) , 김동욱 (광운대학교 전자재료공학과)

초록
AI-Helper

본 논문에서는 일정 크기로 자른 영상의 가운데 픽셀이 SIFT 특징점인지를 판별함으로써 SIFT 특징점을 추출하는 딥 뉴럴 네트워크(Deep Neural Network)를 제안한다. 이 네트워크의 데이터 세트는 DIV2K 데이터 세트를 $33{\times}33$ 크기로 잘라서 구성하고, 흑백 영상으로 판별하는 SIFT와는 달리 RGB 영상을 사용한다. 그라운드 트루스(ground truth)는 옥타브(scale, octave)를 0, 시그마(sigma)는 1.6, 간격(intervals)은 3으로 설정하여 추출한 RobHess SIFT 특징들로 구성한다. VGG-16을 기반으로 컨볼루션 층을 13개에서 23개와 33개로 점점 깊은 네트워크를 구성하고, 영상의 스케일을 증가시키는 방법을 바꿔가며 실험을 수행한다. 출력 층의 활성화 함수로 시그모이드(sigmoid) 함수를 사용한 결과와 소프트맥스(softmax) 함수를 사용한 결과를 비교하여 분석한다. 실험결과 제안한 네트워크가 99% 이상의 추출 정확도를 가질 뿐 아니라 왜곡된 영상에 대해서도 높은 추출 반복성을 가진다는 것을 보인다.

Abstract ▼ AI-Helper

In this paper, we propose a deep neural network which extracts SIFT feature points by determining whether the center pixel of a cropped image is a SIFT feature point. The data set of this network consists of a DIV2K dataset cut into $33{\times}33$ size and uses RGB image unlike SIFT which uses black and white image. The ground truth consists of the RobHess SIFT features extracted by setting the octave (scale) to 0, the sigma to 1.6, and the intervals to 3. Based on the VGG-16, we construct an increasingly deep network of 13 to 23 and 33 convolution layers, and experiment with changing the method of increasing the image scale. The result of using the sigmoid function as the activation function of the output layer is compared with the result using the softmax function. Experimental results show that the proposed network not only has more than 99% extraction accuracy but also has high extraction repeatability for distorted images.

주제어

표/그림 (8)

그림 그림 1. SIFT DoG 피라미드 생성 과정 Fig. 1. The process to form a SIFT DoG pyramid
그림 그림 2. SIFT 극점 추출 과정 Fig. 2. SIFT extrema extraction process
그림 그림 3. 옥타브를 0으로 설정하여 추출한 SIFT 특징들 Fig. 3. SIFT features extracted with octave set to 0
표 표 1. 제안한 DNN 구성 Table 1. Configurations of the proposed DNNs
그림 그림 4. 밝기 정도를 변화시킨 영상의 예; (a) +25, (b) +50, (c) +75, (d) +100 Fig. 4. Image examples with varying brightness level; (a) +25, (b) +50, (c) +75, (d) +100
그림 그림 5. 흐림 정도를 변화시킨 영상의 예; (a) 원본, (b) 반경 0.5, (c) 반경 1.0, (d) 반경 1.5, (e) 반경 2.0, (f) 반경 2.5 Fig. 5. Example Images with varying blur level; (a) original, (b) radius 0.5, (c) radius 1.0, (d) radius 1.5, (e) radius 2.0, (f) radius 2.5
표 표 2. 제안한 DNN의 실험결과 Table 2. Experimental results for the proposed DNN
그림 그림 6. 왜곡된 영상의 특징점 반복성 측정결과; (a) 밝기 변화, (b) 흐림 정도 변화 Fig. 6. Results of the feature point repeatability measure for the distorted images; (a) change in brightness, (b) change in blur

AI 본문요약
AI-Helper

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

문제 정의

GPU(Graphic Processing Unit)와 같은 하드웨어 발전으로 방대한 양의 연산을 짧은 시간에 수행할 수 있게 되었고, 빅 데이터(big data)로 분석 가능한 데이터의 양이 많아져 딥 러닝 연구는 활발히 진행되고 있다. 본 논문에서는 딥 러닝을 기반으로 SIFT 특징점을 추출하는 방법과 그 발전 가능성을 제안한다. 딥 러닝 모델은 VGG-16을 기반으로 네트워크 구조와 깊이를 변화시켜 그 결과를 비교, 분석하며 제안하는 네트워크가 높은 추출 정확도를 갖는다는 것을 실험을 통해 보인다.
본 논문에서는 딥 러닝을 사용한 SIFT 특징점 추출 DNN을 제안하였다. DNN은 VGG DNN(VGG-16)을 기반으로 네트워크의 깊이(컨볼루션 계층 수)를 증가하고, 풀링 방법과 활성화 함수를 달리하여 총 5개의 DNN을 구성하였다.
뿐만 아니라 DNN은 영상처리 분야에서 뛰어난 성능을 보이고 있기 때문에 네트워크가 갖고 있는 가중치들을 충분히 활용한다면 추출 반복성에 있어서도 충분한 성능을 보일 것으로 기대할 수 있다. 이에 본 논문에서는 영상처리에 높은 성능을 보이는 컨볼루션-기반의 DNN의 성능을 개선하는 방안을 제안하여 높은 SIFT 특징점 추출률과 추출 반복성을 갖고 있음을 보이고자 한다.

제안 방법

2014년 이미지넷 챌린지(ImageNet challenge)에서 우수한 성능을 보여준 VGG-16을 기반으로 DNN를 구성하였다^[12]. 5×5 필터로 컨볼루션 연산을 한 번 진행하는 것과 3×3 필터로 컨볼루션 연산을 두 번 진행하는 것을 비교하였을 때, 두 연산의 성능은 비슷하지만 후자의 연산량이 적다.
본 논문에서는 딥 러닝을 사용한 SIFT 특징점 추출 DNN을 제안하였다. DNN은 VGG DNN(VGG-16)을 기반으로 네트워크의 깊이(컨볼루션 계층 수)를 증가하고, 풀링 방법과 활성화 함수를 달리하여 총 5개의 DNN을 구성하였다. 실험결과 제안한 모든 DNN이 99%가 넘는 추출 정확도를 보였으며, 밝기와 흐림 정도를 변화하여 만든 왜곡영상에서 원 영상의 특징점을 추출하는 반복성이 기존 SIFT 알고리즘보다 높음을 보였다.
D는 C에서 최대 풀링을 제거한 대신 6, 12, 19, 26, 33번째 컨볼루션층의 필터 간격을 2×2로 두어 최대 풀링의 역할인 영상의 스케일링을 수행하도록 하였다.
본 논문에서 제안하는 특징점 추출 DNN(feature extraction DNN)은 입력 영상의 가운데 픽셀이 SIFT 특징점인지 아닌지를 판단한다. SIFT 특징점을 추출해 데이터 세트를 구성하는 방법을 먼저 설명하고, 그 다음에 DNN의 구조를 소개한다.
검증(test) 데이터도 훈련 데이터와 마찬가지로 특징점인 영상과 특징점이 아닌 영상에 대한 비율을 1:10로 하고 좌·우, 상·하 반전시켜 학습의 진행 정도를 확인하였다.
이 과정은 그림 1에 나타내었다. 그 다음, 각 스케일의 DoG 영상 그룹에서 각 화소가 극대값 또는 극소값인지를 판별한다. 즉, 특정 DoG 영상 내의 한 DoG 화소에 대해, 주위의 8 화소, 한 단계 높고 낮은 스케일의 9 화소씩, 총 26 화소들과 비교하여 가장 크거나 가장 작은 값을 가지면 그 화소는 특징점 후보가 된다.
검증(test) 데이터도 훈련 데이터와 마찬가지로 특징점인 영상과 특징점이 아닌 영상에 대한 비율을 1:10로 하고 좌·우, 상·하 반전시켜 학습의 진행 정도를 확인하였다. 그리고 영상의 밝기, 흐림 정도를 조절하여 원본 영상을 변형시켜 평가를 진행하였다.
이 뿐만 아니라, 영상의 스티칭(stitching) 측면에서 스티칭 효율에 미치는 SIFT 특징점 추출 파라미터들을 분석하여 스티칭 효율저하를 최소로 하고 특징점 추출 연산시간을 줄일 수 있는 파라미터 값들을 제시한 연구도 발표되었다^[8]. 또한 Rublee는 특징점 검출하고자 하는 알고리즘인 FAST와 특징점 표현자(feature de- scriptor) 생성 알고리즘인 BRIEF를 일부 수정하여 만든 ORB(Oriented FAST and Rotated BRIEF) 알고리즘을 제안하였다^[9]. 특징점 추출 알고리즘이 오랜 기간 동안 연구되었음에도 불구하고 SIFT의 성능보다 확연하게 우세한 알고리즘이 아직 발표되지 않았다.
변화에 강인한 특징점을 추출하기 위해 영상을 좌·우, 상·하 반전시켜 학습을 진행하였다.
본 논문에서 제안하는 특징점 추출 DNN(feature extraction DNN)은 입력 영상의 가운데 픽셀이 SIFT 특징점인지 아닌지를 판단한다. SIFT 특징점을 추출해 데이터 세트를 구성하는 방법을 먼저 설명하고, 그 다음에 DNN의 구조를 소개한다.
제안한 DNN의 또 다른 성능을 평가하기 위해 반복성 측정을 진행하였다. 반복성(r_1,2) 측정은 식 (3)에서와 같이 원본 영상 I₁과 왜곡된 영상 I₂에서 추출된 특징점들 사이에 동일한 점의 개수 C(I₁,I₂)와 각 영상에서 추출된 특징점 개수 N₁, N₂의 최솟값(min(N₁, N₂))의 비를 나타낸 수치이며, 이것은 왜곡에 대해 DNN이 얼마나 강인한지를 나타내는 척도이다.
E는 A~D와 다르게 출력에 소프트맥스(softmax) 함수를 사용한 것이다. 즉, 출력에 시그모이드 함수를 사용하여 특징점일 확률을 계산한 A~D와 달리 E는 출력의 크기를 2로 두고 원-핫-인코딩(one-hot-encoding) 방식으로 01이면 특징점, 10이면 특징점이 아닌 것으로 판단하도록 하였다.
흑백 영상으로 특징들을 추출하는 SIFT 알고리즘과 달리 본 논문에서는 RGB 영상을 사용하였고, 간격을 한 픽셀로 두어 33×33씩 잘라내어 사용하였다.

대상 데이터

풍경과 건물이 비교적 많고 영상 크기가 너무 크지 않은 DIV2K 데이터 세트에서 저해상도 데이터를 사용하였다[10].
따라서 영상의 가장자리 16개의 픽셀들은 DNN에서 특징점 여부를 판별할 수가 없다. 훈련 데이터는 특징점인 영상을 215k개, 특징점이 아닌 영상을 2,152k개로 1:10의 비율을 두어 총 데이터 수는 2M개를 사용하였다. 변화에 강인한 특징점을 추출하기 위해 영상을 좌·우, 상·하 반전시켜 학습을 진행하였다.

데이터처리

실험을 진행할 때 더 높은 신뢰도를 위해 검증 데이터의 정확도가 높은 결과를 보여준 가중치로 진행하였다.
이와 같이 왜곡된 영상들에 대한 특징점 추출 실험을 진행하였으며, 결과를 원 SIFT(알고리즘적 추출) 실험결과와 그림 6에서 비교하였다. 그림 6(a)는 밝기 변화에 따른 반복성으로, 모든 변형영상에서 제안한 DNN이 원 알고리즘보다 높은 추출 반복성을 보였다.

이론/모형

. 훈련 데이터 세트 800장을 RobHess SIFT 알고리즘으로 특징점을 추출하여 label을 구성하였다^[11]. SIFT 옥타브는 0, σ는 1.

성능/효과

이와 같이 왜곡된 영상들에 대한 특징점 추출 실험을 진행하였으며, 결과를 원 SIFT(알고리즘적 추출) 실험결과와 그림 6에서 비교하였다. 그림 6(a)는 밝기 변화에 따른 반복성으로, 모든 변형영상에서 제안한 DNN이 원 알고리즘보다 높은 추출 반복성을 보였다. 밝기 1, 2단계에서는 원 SIFT 알고리즘과 제안한 DNN의 반복성 차이가 크지 않지만, 밝기 변화가 심해질수록 차이가 커지는 것을 볼 수 있다.
C, D, E의 훈련 데이터 정확도는 훈련을 진행할수록 점점 증가하여 거의 100%에 도달하였지만, 테스트 데이터의 정확도는 일정 수준에서 더 이상 증가하지 않았다. A, B, C의 결과를 보면, 컨볼루션 층을 증가시킬수록 네트워크의 성능은 점점 좋아지는 것을 볼 수 있다. 특히, 테스트 데이터 정확도가 크게 증가한 것을 볼 수 있다.
109%이었다. C, D, E의 훈련 데이터 정확도는 훈련을 진행할수록 점점 증가하여 거의 100%에 도달하였지만, 테스트 데이터의 정확도는 일정 수준에서 더 이상 증가하지 않았다. A, B, C의 결과를 보면, 컨볼루션 층을 증가시킬수록 네트워크의 성능은 점점 좋아지는 것을 볼 수 있다.
표 2는 표 1의 DNN 구조에 따른 결과를 보이고 있다. DNN의 평균 훈련 데이터 정확도는 99.4%이었고, 가장 좋은 테스트 데이터 정확도는 99.109%이었다. C, D, E의 훈련 데이터 정확도는 훈련을 진행할수록 점점 증가하여 거의 100%에 도달하였지만, 테스트 데이터의 정확도는 일정 수준에서 더 이상 증가하지 않았다.
특히, 테스트 데이터 정확도가 크게 증가한 것을 볼 수 있다. 그러나 시그모이드 대신 소프트맥스의 활성화 함수를 사용한 E의 검증 데이터 정확도는 오히려 감소하였다.
본 논문에서는 딥 러닝을 기반으로 SIFT 특징점을 추출하는 방법과 그 발전 가능성을 제안한다. 딥 러닝 모델은 VGG-16을 기반으로 네트워크 구조와 깊이를 변화시켜 그 결과를 비교, 분석하며 제안하는 네트워크가 높은 추출 정확도를 갖는다는 것을 실험을 통해 보인다. 또한 제안하는 네트워크의 특징점 추출 반복성(repeatability)을 보이기 위해 영상의 밝기와 흐림 정도를 변화하여 생성한 변형 영상에 대해 특징점을 추출하여 원 특징점과 비교함으로써 제안하는 네트워크가 높은 추출 반복성을 갖고 있음을 보인다.
따라서 네트워크 깊이를 깊게, 그리고 2×2 간격으로 스케일링을 수행하고, 시그모이드 함수를 활성화 함수로 사용하는 것이 가장 좋은 성능을 보였다.
딥 러닝 모델은 VGG-16을 기반으로 네트워크 구조와 깊이를 변화시켜 그 결과를 비교, 분석하며 제안하는 네트워크가 높은 추출 정확도를 갖는다는 것을 실험을 통해 보인다. 또한 제안하는 네트워크의 특징점 추출 반복성(repeatability)을 보이기 위해 영상의 밝기와 흐림 정도를 변화하여 생성한 변형 영상에 대해 특징점을 추출하여 원 특징점과 비교함으로써 제안하는 네트워크가 높은 추출 반복성을 갖고 있음을 보인다.
DNN은 VGG DNN(VGG-16)을 기반으로 네트워크의 깊이(컨볼루션 계층 수)를 증가하고, 풀링 방법과 활성화 함수를 달리하여 총 5개의 DNN을 구성하였다. 실험결과 제안한 모든 DNN이 99%가 넘는 추출 정확도를 보였으며, 밝기와 흐림 정도를 변화하여 만든 왜곡영상에서 원 영상의 특징점을 추출하는 반복성이 기존 SIFT 알고리즘보다 높음을 보였다. 따라서 제안한 DNN은 SIFT 특징점 추출에 있어 추출률 자체의 성능저하가 거의 없는 높은 추출 반복성으로 악의적/비악의적 영상왜곡이 발생한 경우 원 알고리즘보다 더 효과적으로 사용할 수 있을 것으로 사료된다.
실험결과에 의하면 고려한 5개의 DNN은 네트워크의 깊이가 깊을수록 추출률 성능이 향상되는 것으로 나타났으나 추출 반복성에 있어서는 큰 차이를 보이지 않았다. 풀링 방법으로는 최대풀링보다 간격을 2×2로 한 경우가 추출률과 추출 반복성 모두에서 약간 높은 성능을 보였다.
표 2의 추출 실험 결과와 그림 6의 추출 반복성 실험 결과에서 보듯이, 제안한 DNN은 원 알고리즘에서 추출한 특징점의 99% 이상을 추출할 수 있고, 추출 반복성 실험에서도 기존의 SIFT 알고리즘보다 밝기와 흐림 정도 변화 모두에 훨씬 더 강인하다는 것을 확인하였다.
풀링 방법으로는 최대풀링보다 간격을 2×2로 한 경우가 추출률과 추출 반복성 모두에서 약간 높은 성능을 보였다. 활성화 함수로 시그모이드 함수를 사용한 경우가 소프트맥스를 사용한 경우보다 추출률과 추출 반복성 모두에서 더 좋은 성능을 보였다. 따라서 네트워크 깊이를 깊게, 그리고 2×2 간격으로 스케일링을 수행하고, 시그모이드 함수를 활성화 함수로 사용하는 것이 가장 좋은 성능을 보였다.

후속연구

실험결과 제안한 모든 DNN이 99%가 넘는 추출 정확도를 보였으며, 밝기와 흐림 정도를 변화하여 만든 왜곡영상에서 원 영상의 특징점을 추출하는 반복성이 기존 SIFT 알고리즘보다 높음을 보였다. 따라서 제안한 DNN은 SIFT 특징점 추출에 있어 추출률 자체의 성능저하가 거의 없는 높은 추출 반복성으로 악의적/비악의적 영상왜곡이 발생한 경우 원 알고리즘보다 더 효과적으로 사용할 수 있을 것으로 사료된다.
네트워크의 크기나 깊이는 연산량과 직결되므로 응용분야에 따라서 시간적인 문제가 발생할 수도 있다. 따라서 향후 연구에서는 영상처리에 있어서 어떤 응용분야에서는 어느 정도의 네트워크를 사용하는 것이 가장 합리적인지를 판별하는 연구를 진행하고자 한다.
반면, 딥 러닝을 기반으로 하는 DNN의 경우 훈련시간이 많이 걸리지만 훈련을 마친 DNN은 처리속도가 빠르기 때문에 실시간성에서 매우 유리하다. 뿐만 아니라 DNN은 영상처리 분야에서 뛰어난 성능을 보이고 있기 때문에 네트워크가 갖고 있는 가중치들을 충분히 활용한다면 추출 반복성에 있어서도 충분한 성능을 보일 것으로 기대할 수 있다. 이에 본 논문에서는 영상처리에 높은 성능을 보이는 컨볼루션-기반의 DNN의 성능을 개선하는 방안을 제안하여 높은 SIFT 특징점 추출률과 추출 반복성을 갖고 있음을 보이고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	특징점을 추출하는 알고리즘 중 현재 가장 널리 사용되는 것은 무엇인가?	특징점을 추출하는 알고리즘 중 현재 가장 널리 사용되는 SIFT 알고리즘은 RGB 영상을 흑백 영상으로 변환한 후, 옥타브와 간격(intervals)에 따라 영상의 크기를 확대, 축소 및 블러링을 수행하여 scale space(영상의 크기를 변화시킨 여러 스케일의 영상들을 모아놓은 집합체)를 만든다. 블러링을 수행할 때 가우시안(Gaussian) 필터를 사용하는데, 분산(σ)을 파라미터로 블러링의 정도를 결정하며, σ는 옥타브에 의해 간접적으로 결정된다.
	특징점 추출 DNN은 어떤 것을 판단할 수 있는가?	본 논문에서 제안하는 특징점 추출 DNN(feature extraction DNN)은 입력 영상의 가운데 픽셀이 SIFT 특징점인지 아닌지를 판단한다. SIFT 특징점을 추출해 데이터 세트를 구성하는 방법을 먼저 설명하고, 그 다음에 DNN의 구조를 소개한다.
	특징점 추출 기술을 사용할 때 가장 중요한 것은 무엇인가?	특징점 추출(feature extraction)은 객체 인식, 얼굴 인식, 영상 매칭과 같은 컴퓨터 비전의 기술의 하나로 연구되고 있다. 이때 영상의 형태나 크기, 카메라의 시점이나 조명변화에 영향을 받지 않는, 변형에 강인한 점을 찾는 것이 중요하다. 특징점을 찾는 가장 초기 방법은 영상에서 코너점을 찾는 해리스 코너(Harris corner) 검출기이었다[1].

참고문헌 (13)

C. Harris, M. Stephens, "A combined corner and edge detector," Proceedings of the Alvey Vision Conference, pp.147-151, 1988.
K. Mikolajczyk, C. Schmid, "Indexing based on scale invariant interest points," ICCV, Vol.1, pp. 525-531, 2001.
J. Shi, C. Tomasi, "Good features to track," 9th IEEE Conference on Computer Vision and Pattern Recognition, Springer, Heidelberg, 1994.
D. G. Lowe, "Distinctive Image Features from Scale-Invariant Keypoints," International Journal of Computer Vision, Vol.60, No.2, pp.91-110, 2004.

상세보기
H. Bay, T. Tuytelaars, and L. Van Gool, "Surf: Speeded up robust features," In European Conference on Computer Vision, Vol.1, No.2, May 2006.
E. Rosten, T. Drummond, "Machine learning for high-speed corner detection," Proc. 9th European Conference on Computer Vision (ECCV'06), May 2006.
E. Mair, G. Hager, D. Burschka, M. Suppa, and G. Hirzinger, "Adaptive and generic corner detection based on the accelerated segment test," Computer Vision-ECCV 2010, Vol.2, No.2, pp.183-196, 2010.
M. WonJun, S. Youngho, and K. Dongwook, "Parameter Analysis for Time Reduction in Extracting SIFT Keypoints in the Aspect of Image Stitching," Journal of Broadcast Engineering, Vol.23, No.4, pp.559-573, July 2018.
E. Rublee, V. Rabaud, K. Konolige, and G. Bradski, "ORB: an efficient alternative to SIFT or SURF," In Proc. of the IEEE Intl. Conf. on Computer Vision (ICCV), Vol.13, 2011.
E. Agustsson, R. Timofte, "NTIRE 2017 Challenge on Single Image Super-Resolution: Dataset and Study," In The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2017.
R. Hess, "An Open-Source SIFT Library," ACM Multimedia, pp.1493-1496, 2010.
K. Simonyan, A. Zisserman, "Very deep convolutional networks for large-scale image recognition," In Proc. International Conference on Learning Representations (ICLR), 2015.
K. Mikolajczyk, C. Schmid, "Scale and affine invariant interest point detectors," IJCV, Vol.1, No.60, pp.63-86, 2004.

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