[논문]지능형 행동인식 기술을 이용한 실시간 동영상 감시 시스템 개발

장재영; 홍성문; 손다미; 유호진; 안형우

doi:10.7236/jiibc.2019.19.2.161

지능형 행동인식 기술을 이용한 실시간 동영상 감시 시스템 개발
Development of Real-time Video Surveillance System Using the Intelligent Behavior Recognition Technique 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.19 no.2, 2019년, pp.161 - 168

장재영 (한성대학교 컴퓨터공학부) , 홍성문 (한성대학교 컴퓨터공학부) , 손다미 (한성대학교 컴퓨터공학부) , 유호진 (한성대학교 컴퓨터공학부) , 안형우 (한성대학교 컴퓨터공학부)

초록
AI-Helper

최근에 빠르게 확산되고 있는 CCTV와 같은 영상기기들은 거의 모든 공공기관, 기업, 가정 등에서 비정상적인 상황을 감시하고 대처하기 위한 수단으로 활용되고 있다. 그러나 대부분의 경우 이상상황에 대한 인식은 모니터링하고 있는 사람에 의해 수동적으로 이루어지고 있어 즉각적인 대처가 미흡하며 사후 분석용으로만 활용되고 있다. 본 논문에서는 최신 딥러닝 기술과 실시간 전송기술을 활용하여 이벤트 발생시 스마트폰으로 이상 상황을 동영상과 함께 실시간으로 전송하는 동영상 감시 시스템의 개발 결과를 제시한다. 개발된 시스템은 오픈포즈 라이브러리를 이용하여 실시간으로 동영상으로 부터 인간 객체를 스켈레톤으로 모델링한 후, 딥러닝 기술을 이용하여 인간의 행동을 자동으로 인식하도록 구현하였다. 이를 위해 Caffe 프레임워크를 개발된 오픈포즈 라이브러리를 다크넷 기반으로 재구축하여 실시간 처리 능력을 대폭 향상 시켰으며, 실험을 통해 성능을 검증하였다. 본 논문에서 소개할 시스템은 정확하고 빠른 행동인식 성능과 확장성을 갖추고 있어 다양한 용도의 동영상 감시 시스템에 활용될 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Recently, video equipments such as CCTV, which is spreading rapidly, is being used as a means to monitor and cope with abnormal situations in almost governments, companies, and households. However, in most cases, since recognizing the abnormal situation is carried out by the monitoring person, the immediate response is difficult and is used only for post-analysis. In this paper, we present the results of the development of video surveillance system that automatically recognizing the abnormal situations and sending such events to the smartphone immediately using the latest deep learning technology. The proposed system extracts skeletons from the human objects in real time using Openpose library and then recognizes the human behaviors automatically using deep learning technology. To this end, we reconstruct Openpose library, which developed in the Caffe framework, on Darknet framework to improve real-time processing. We also verified the performance improvement through experiments. The system to be introduced in this paper has accurate and fast behavioral recognition performance and scalability, so it is expected that it can be used for video surveillance systems for various applications.

주제어

표/그림 (9)

그림 그림 1. 동영상 감시 시스템의 전반적인 구조 Fig. 1. Overall Architecture of Real-time Video Surveillance System
그림 그림 2. 행동인식 서버 구조 Fig. 2. Behavior Recognition Server Architecture
그림 그림 3. 오픈포즈의 keypoints_pose_18 모델을 사용한 스켈레톤 추출 결과 Fig. 3. A Skeleton Extraction Example using keypoints_pose_18 Model of Openpose
그림 그림 4. 행동인식을 위한 학습 및 분류 데이터셋 생성 과정 Fig. 4. Generation Process of Learning and Classification Datasets for Behavior Recognition
그림 그림 5. 행동인식 학습에 사용된 주요 동작과 추출된 스켈레톤 정보 Fig. 5. Sample Actions and Extracted Skeletons
표 표 1. 실험에 사용된 행동 클래스 Table 1. Behavior Classes in Experiments
표 표 2. 행동인식 정확도 실험 결과 Table 2. Experimental Results of Behavior Recognition Accuracy
그림 그림 6. 웹서버 구조 Fig. 6. Web Server Architecture
그림 그림 7. 클라이언트 구조 Fig. 7. Client Architecture

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 동영상 소스로 부터 실시간으로 인간의 이상행동을 자동으로 인식하고 사용자 단말기에 알림 서비스를 제공하는 동영상 감시 시스템의 개발 결과를 소개하였다. 기존의 Caffe 기반의 오픈포즈에서는 성능 문제로 유실되는 프레임들이 다수 발생하였으나 다크넷 기반으로 딥러닝 네크워크를 재구축하여 성능을 획기적으로 향상시켰다.
본 논문에서는 딥러닝을 활용하여 동영상에서 인간을 인식하고, 행동을 실시간으로 판별하는 동영상 감시 시스템의 개발결과를 제시한다. 제안된 시스템은 단순히 행동의 주체인 인간을 탐지만 하는 것뿐만 아니라 딥러닝을 기반으로 인간이 어떤 행동을 하고 있는지 실시간으로 감지할 수 있도록 구현하였다.

제안 방법

행동인식을 위한 분류 모델로는 SVM(Support Vector Machine), DNN(Deep Neural Network), RNN(Recurrent Neural Network)을 선정하였고 분류의 정확성을 평가하였다. DNN은 4개의 숨은층(hidden layer)으로 설계하였으며, 각 층(layer)는 256 ~ 512개의 노드(node)로 구성하였다. 출력은 13개의 클래스를 분류할 수 있도록 설계하였다.
사용자 인터페이스는 액티비티(activity)가 계속 생기거나 소멸되는 방식보다 프래그먼트(fragment)를 이용함으로써 사용자 인터페이스 쓰레드(thread)가 처리 할 작업을 감소시키는 방식으로 개발되었다. 각 프래그먼트들은 TabLayout으로 관리되며, 사용자가 보다 사용하기 쉽게 해당 프래그먼트를 이동시킬 수 있는 구조로 개발하였다. 우선 프래그먼트 파일에서는 React에서 뷰를 제공받아 웹뷰 형태로 보여준다.
특히 동영상 감시 시스템은 실시간으로 행동을 인식하는 것이 중요하므로 기존의 Caffe 프레임워크^[7]에서 구현된 오픈포즈의 딥러닝 네트워크 모델을 보다 빠른 다크넷(Darknet)^[8]기반으로 재구축하여 실시간 감지가 가능하도록 구현하였다. 또한 자동인식이 필요한 인간행동 종류에 따라 지속적인 실시간 탐지와 정보 분석이 가능하도록 설계하였으며 그에 따른 경고나 알림 서비스를 통해 실시간 관제가 가능하도록 개발하였다. 따라서 방화, 도난 등의 행동뿐만 아니라 노약자와 같은 지속적인 관찰이 필요한 상황과 같은 다양한 용도로 확장 시킬 수 있다.
이 그림에서 비디오 관리 모듈(Video Management Module)은 RTSP 미디어 서버로 부터 전송된 동영상을 OpenCV를 이용하여 프레임(frame) 단위로 분할한다. 분할된 데이터는 다크넷을 기반으로 구축된 특징추출 모듈(Feature Extraction Modeul)에서 인간객체를 자동으로 탐색하고 스켈레톤 정보를 추출한다. 스켈레톤 추출은 다크넷 기반으로 재구축된 오픈포즈를 이용하였다.
전반적인 구조는 그림 7과 같다. 사용자 인터페이스는 액티비티(activity)가 계속 생기거나 소멸되는 방식보다 프래그먼트(fragment)를 이용함으로써 사용자 인터페이스 쓰레드(thread)가 처리 할 작업을 감소시키는 방식으로 개발되었다. 각 프래그먼트들은 TabLayout으로 관리되며, 사용자가 보다 사용하기 쉽게 해당 프래그먼트를 이동시킬 수 있는 구조로 개발하였다.
소켓은 ‘이상행동 알림용’과 ‘동영상 다운로드’를 위한 두 가지 용도에 따라 분리하여 개발하였다.
. 앞서 설명한 바와 같이 스켈레톤 추출에 사용된 오픈포즈 라이브러리는 본래 Caffe를 기반으로 개발되었으나 성능 향상을 위해 다크넷 프레임워크 기반으로 재구축하였다. 다크넷은 딥러닝 개발을 위한 프레임워크로 규모가 작고 성능이 매우 뛰어난 프레임워크로 알려져 있다.
여기에 딥러닝을 통해 행동을 분류하는 모델까지 같이 동작할 경우 초당 6 프레임도 기대하기 힘든 수준이었다. 이러한 성능의 오픈포즈를 빠르게 동작하기 위해 다크넷을 환경에서 재구축하였다. 이와 같이 기존 오픈포즈의 107개의 딥러닝 네트워크 레이어(layer)를 다크넷에서 재구성 한 후 특징을 추출하여 기존 평균 초당 11프레임에서 약 초당 40 프레임까지 성능을 향상시킬 수 있었다.
오픈포즈는 2017년 카네기멜른(Carnegie Mellon) 대학에서 개발한 오픈소스(open source)로, OpenCV와 Caffe 프레임워크를 기반으로 개발되었다. 이러한 스켈레톤 모델을 이용하여 딥러닝 알고리즘을 통해 다양한 인간에 대한 행동들을 학습한 후 폭력 등의 행동을 자동으로 인식하도록 구현하였다. 특히 동영상 감시 시스템은 실시간으로 행동을 인식하는 것이 중요하므로 기존의 Caffe 프레임워크^[7]에서 구현된 오픈포즈의 딥러닝 네트워크 모델을 보다 빠른 다크넷(Darknet)^[8]기반으로 재구축하여 실시간 감지가 가능하도록 구현하였다.
본 논문에서는 딥러닝을 활용하여 동영상에서 인간을 인식하고, 행동을 실시간으로 판별하는 동영상 감시 시스템의 개발결과를 제시한다. 제안된 시스템은 단순히 행동의 주체인 인간을 탐지만 하는 것뿐만 아니라 딥러닝을 기반으로 인간이 어떤 행동을 하고 있는지 실시간으로 감지할 수 있도록 구현하였다. 또한 감지 후에 모바일 애플리케이션으로 구현된 클라이언트에게 실시간으로 알림(notification) 서비스를 제공하는 기능을 포함한다.
이러한 스켈레톤 모델을 이용하여 딥러닝 알고리즘을 통해 다양한 인간에 대한 행동들을 학습한 후 폭력 등의 행동을 자동으로 인식하도록 구현하였다. 특히 동영상 감시 시스템은 실시간으로 행동을 인식하는 것이 중요하므로 기존의 Caffe 프레임워크^[7]에서 구현된 오픈포즈의 딥러닝 네트워크 모델을 보다 빠른 다크넷(Darknet)^[8]기반으로 재구축하여 실시간 감지가 가능하도록 구현하였다. 또한 자동인식이 필요한 인간행동 종류에 따라 지속적인 실시간 탐지와 정보 분석이 가능하도록 설계하였으며 그에 따른 경고나 알림 서비스를 통해 실시간 관제가 가능하도록 개발하였다.
RNN은 시퀀스 길이(sequence length)를 16으로 하고 10개의 숨은층을 갖는 LSTM(Long Short-Term Memory)^[11]을 사용하였다. 학습과 테스트를 위해서 클래스당 1,200개의 데이터를 인위적으로 생성하였으며, 학습과 테스트를 위해 데이터를 각각 7:3의 비율로 나누어 실험하였다.
행동인식을 위한 분류 모델로는 SVM(Support Vector Machine), DNN(Deep Neural Network), RNN(Recurrent Neural Network)을 선정하였고 분류의 정확성을 평가하였다. DNN은 4개의 숨은층(hidden layer)으로 설계하였으며, 각 층(layer)는 256 ~ 512개의 노드(node)로 구성하였다.

대상 데이터

클래스의 종류는 표 1과 같다. RNN은 시퀀스 길이(sequence length)를 16으로 하고 10개의 숨은층을 갖는 LSTM(Long Short-Term Memory)^[11]을 사용하였다. 학습과 테스트를 위해서 클래스당 1,200개의 데이터를 인위적으로 생성하였으며, 학습과 테스트를 위해 데이터를 각각 7:3의 비율로 나누어 실험하였다.
실험환경이나 각 방법의 신경망 구조, 파라미터(parameter) 등의 변화에 따라 달라질 수 있으나 대체적으로 두 모델의 차이점은 크지 않은 것으로 판단된다. 본 실험은 각 분류별로 행동이 명확한 데이터들(걷기, 가만히 있기 등)을 이용하여 진행하였다. 하지만 동영상 데이터는 실시간으로 변화한다.
스켈레톤 데이터는 그림 3과 같이 사람의 양 귀와 눈, 코, 팔꿈치, 팔목, 허리, 무릎, 다리 등 18개의 포인트를 분류하는 keypoints_pose_18 분류 모델을 사용하였다^[6]. 앞서 설명한 바와 같이 스켈레톤 추출에 사용된 오픈포즈 라이브러리는 본래 Caffe를 기반으로 개발되었으나 성능 향상을 위해 다크넷 프레임워크 기반으로 재구축하였다.
분할된 데이터는 다크넷을 기반으로 구축된 특징추출 모듈(Feature Extraction Modeul)에서 인간객체를 자동으로 탐색하고 스켈레톤 정보를 추출한다. 스켈레톤 추출은 다크넷 기반으로 재구축된 오픈포즈를 이용하였다. 오픈포즈는 동영상으로 부터 인간 객체를 인식하고 스켈레톤으로 모델링하도록 학습된 딥러닝 네트워크로 다단계의 CNN(Convolution Neural Network)^[10] 구조를 갖는다.
오픈포즈로 부터 지속적으로 스켈레톤 정보가 생성되면 그 정보는 매번 큐에 삽입하고 그때마다 큐에 저장된 16개의 프레임들이 하나의 데이터 셋을 형성한다. 이와 같이 매 프레임마다 윈도우 형태로 학습과 분류를 위한 데이터를 생성하였다. 결과적으로 큐에 들어가 있는 데이터 셋은 시간에 흐름에 따른 인간의 행동 변화를 표현한다.

이론/모형

또한 감지 후에 모바일 애플리케이션으로 구현된 클라이언트에게 실시간으로 알림(notification) 서비스를 제공하는 기능을 포함한다. 인간을 인식하기 위한 방법으로 동영상 데이터로부터 인간객체를 스켈레톤(skeleton)으로 모델링해주는 오픈포즈(Openpose)^[6] 라이브러리를 활용하였다. 오픈포즈는 2017년 카네기멜른(Carnegie Mellon) 대학에서 개발한 오픈소스(open source)로, OpenCV와 Caffe 프레임워크를 기반으로 개발되었다.

성능/효과

이를 통해 사용자는 이상행동에 대한 동영상들을 선택적으로 다운로드 받아 확인할 수 있다. 결과적으로 사용자 단말기에서는 RTSP 서버로부터 직접 받은 실시간 동영상 데이터와 행동인식 서버와 웹서버를 거쳐 받은 폭력 발생 시점의 데이터를 확인할 수 있다.
본 시스템은 학습시키는 이상행동의 종류에 따라 지속적인 실시간 탐지와 정보 분석이 가능하며, 그에 따른 경고나 알림 서비스를 통해 실시간 관제 능력을 향상 시킬 수 있다. 대표적으로 CCTV를 이용하여 폭행 등의 이상행동을 감지하는데 활용될 수 있으며, 방화, 도난 등의 범죄행위 감시에 폭넓게 응용될 수 있다.
본 시스템의 개발과정에 실험한 결과 기존의 Caffe 기반 오픈포즈 라이브러리를 통해 스켈레톤 데이터를 추출할 경우 평균 초당 11 프레임 밖에 추출할 수 없었다. 여기에 딥러닝을 통해 행동을 분류하는 모델까지 같이 동작할 경우 초당 6 프레임도 기대하기 힘든 수준이었다.
따라서 두 가지 행동이 겹치는 상황(예를 들어 걷는 행동 직후 점프를 하는 장면)에서의 분류는 취약할 수밖에 없다. 본 시스템의 구현과정에서 수행한 실험에서는 이러한 상황에서 DNN이 RNN보다 약간 우수한 정확도를 보였다. 하지만 정해진 행동을 인식하고 알림을 보내는 본 시스템의 개발 목적에는 큰 영향이 없어 보다 구체적인 실험과 분석은 실시하지 않았다.
기존의 Caffe 기반의 오픈포즈에서는 성능 문제로 유실되는 프레임들이 다수 발생하였으나 다크넷 기반으로 딥러닝 네크워크를 재구축하여 성능을 획기적으로 향상시켰다. 뿐만 아니라 행동인식에서는 DNN과 RNN 등의 딥러닝 기술을 이용하여 90%가 넘는 높은 인식률을 보였다.
실험 결과는 표 2과 같다. 이 표에서 보는바와 같이 SVM에 비해서 DNN과 RNN이 높은 정확도를 보였다. RNN이 가장 높은 정확도를 보였지만 DNN에 비해서 차이는 크지 않았다.
이러한 성능의 오픈포즈를 빠르게 동작하기 위해 다크넷을 환경에서 재구축하였다. 이와 같이 기존 오픈포즈의 107개의 딥러닝 네트워크 레이어(layer)를 다크넷에서 재구성 한 후 특징을 추출하여 기존 평균 초당 11프레임에서 약 초당 40 프레임까지 성능을 향상시킬 수 있었다. 이 실험은 인텔 코어i7 7700k CPU와 48G RAM, 그리고 Titan XP GPU 환경에서 실행되었다.
이 경우 사건이 발생한 이후 사후 분석용으로 활용할 수밖에 없는 한계가 있다. 조사에 따르면 기존 CCTV 시스템은 관제 요원이 감시를 하더라도 모니터링 시작 후 22분이 지난 후에 약 95%의 감시 오류가 발생한다는 실험 결과가 있다^[1]. 이에 따라 기존의 CCTV를 일일이 사람이 관찰하는 방법은 관제 능력을 현저히 떨어트린다는 것을 알 수 있다.

후속연구

본 시스템의 구현과정에서 수행한 실험에서는 이러한 상황에서 DNN이 RNN보다 약간 우수한 정확도를 보였다. 하지만 정해진 행동을 인식하고 알림을 보내는 본 시스템의 개발 목적에는 큰 영향이 없어 보다 구체적인 실험과 분석은 실시하지 않았다. 만약 이러한 문제가 중요한 이슈가 될 경우에는 교차검증(cross validation)이나 앙상블(emsenble)과 같은 정확도를 높이기 위한 다양한 방법이 시도되어야할 것으로 보인다.
이를 위해서는 한명이 아닌 여러 명에 대한 스켈레톤을 통시에 학습해야하므로 행동인식을 위한 딥러닝 모델을 개선할 필요가 있다. 향후에는 이러한 문제의 해결에 중점을 두고 연구를 지속할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	최근에 확산되고 있는 CCTV와 같은 영상기기들의 문제점은 무엇인가?	최근에 빠르게 확산되고 있는 CCTV와 같은 영상기기들은 거의 모든 공공기관, 기업, 가정 등에서 비정상적인 상황을 감시하고 대처하기 위한 수단으로 활용되고 있다. 그러나 대부분의 경우 이상상황에 대한 인식은 모니터링하고 있는 사람에 의해 수동적으로 이루어지고 있어 즉각적인 대처가 미흡하며 사후 분석용으로만 활용되고 있다. 본 논문에서는 최신 딥러닝 기술과 실시간 전송기술을 활용하여 이벤트 발생시 스마트폰으로 이상 상황을 동영상과 함께 실시간으로 전송하는 동영상 감시 시스템의 개발 결과를 제시한다.
	오픈포즈는 무엇인가?	인간을 인식하기 위한 방법으로 동영상 데이터로부터 인간객체를 스켈레톤(skeleton)으로 모델링해주는 오픈포즈(Openpose)[6] 라이브러리를 활용하였다. 오픈포즈는 2017년 카네기멜른(Carnegie Mellon) 대학에서 개발한 오픈소스(open source)로, OpenCV와 Caffe 프레임워크를 기반으로 개발되었다. 이러한 스켈레톤 모델을 이용하여 딥러닝 알고리즘을 통해 다양한 인간에 대한 행동들을 학습한 후 폭력 등의 행동을 자동으로 인식하도록 구현하였다.
	동영상 감시 시스템은 기술의 진화로 어떻게 발전하였는가?	동영상 감시 시스템(video surveillance system)은 범죄, 화재, 사고 등을 실시간으로 감시하고 예방하기 위한 시스템으로 최근 CCTV의 광범위한 보급으로 공공기관, 기업, 가정 등 다양한 분야에서 활용되고 있다. 과거의 동영상 감시 시스템은 카메라와 연결된 녹화장치에 단순히 기록하는 수준에 머물렀으나 점차 기술의 진화로 인터넷을 이용하여 원격으로 저장하거나 감시자가 실시간으로 모니터링하는 수준으로 발전하였다. 하지만 다수의 감시 영상을 24시간 모니터링하는 것은 시간과 비용 측면에서 매우 비효율적이다.

참고문헌 (12)

National Institute of Justice(NIJ), Buyer Beware Vol.10/11, Ministry of Justice, USA, 2002.
X. Ji and H. Liu, Advances in view-invariant human motion analysis: A review, IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(1) (2010), pp. 13-24. DOI: 10.1109/TSMCC.2009.2027608

상세보기
J. Aggarwal and Q. Cai, Human motion analysis, Computer Vision and Image Understanding, 73(3) (1999), pp. 428-440. DOI: https://doi.org/10.1006/cviu.1998.0744

상세보기
Z. Yin, C. Quanqi, and Z. Yujin. Deep learning and its new progress in object and behavior recognition, Journal of image and graphics 19(2) (2014), pp. 175-184.
Q. Li, Z. Qiu, T. Yao, T. Mei, Y. Rui, and J. Luo, Action recognition by learning deep multi-granular spatio-temporal video representation. In Proceedings of the 2016 ACM on International Conference on Multimedia Retrieval, (2016), pp. 159-166. DOI: 10.1145/2911996.2912001
Z. Cao, T. Simon, S. Wei, and Y. Sheikh, Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields, In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017. DOI: 10.1109/CVPR.2017.143
Y. Jia, et al, Caffe: Convolutional architecture for fast feature embedding. In Proceedings of the 22nd ACM international conference on Multimedia, (2014), pp. 675-678. DOI: 10.1145/2647868.2654889
J. Redmon, Darknet: Open Source Neural Networks, Available in http://pjreddie.com/darknet/.
A. Banks and E. Porcello, Learning React: Functional Web Development with React and Redux, O'Reilly Media, Inc., (2017).
A. Krizhevsky, I. Sutskever, and G. E. Hinton, Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems, (2012), pp. 1097-1105. DOI: 10.1145/3065386
S. Hochreiter and J. Schmidhuber, Long short-term memory, Neural Computation. 9 (8), (1997), PP. 1735-1780. DOI: https://doi.org/10.1162/neco.1997.9.8.1735

상세보기
J. Kim and P. Rhee, Image Recognition based on Adaptive Deep Learning, The Journal of The Institute of Internet, Broadcasting and Communication (IIBC) 18(1), (2018), pp.113-117

저자의 다른 논문 :

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