[논문]파워마스크를 이용한 영상 핑거프린트 정합 성능 개선

서진수

doi:10.9717/kmms.2020.23.1.008

파워마스크를 이용한 영상 핑거프린트 정합 성능 개선
Improving Image Fingerprint Matching Accuracy Based on a Power Mask 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.23 no.1, 2020년, pp.8 - 14

서진수 (Dept. of Electrical Eng., Gangneung-Wonju National University)

Abstract ▼ AI-Helper

For a reliable fingerprinting system, improving fingerprint matching accuracy is crucial. In this paper, we try to improve a binary image fingerprint matching performance by utilizing auxiliary information, power mask, which is obtained while constructing fingerprint DB. The power mask is an expected robustness of each fingerprint bit. A caveat of the power mask is the increased storage cost of the fingerprint DB. This paper mitigates the problem by reducing the size of the power mask utilizing spatial correlation of an image. Experiments on a publicly-available image dataset confirmed that the power mask is effective in improving fingerprint matching accuracy.

주제어

표/그림 (6)

그림 Fig. 1. Overview of fingerprint and power mask ex-traction for image identification.
그림 Fig. 2. Image fingerprint and power mask extraction based on the diagonal detail coefficients of the Haar wavelet transform.
그림 Fig. 3. Power mask of an image: (a) R=1 (16×16, without subsampling) (b) R=2 (8×8) (c) R=4 (4×4) (d) R=8 (2×2).
그림 Fig. 4. ROC curves of the Haar-wavelet fingerprint with the weighted Hamming distance based on the power mask of the binarization threshold T for four sets of distortions.
그림 Fig. 5. ROC curves of the Haar-wavelet fingerprint with the weighted Hamming distance based on the subsapmpled power mask of the subsampling ratio 1/R for four sets of distortions.
표 Table 1. FRR (%) of the fingerprint matching for FAR=10^-6

AI 본문요약
AI-Helper

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

문제 정의

하지만 파워 마스크를 이진화하더라도 파워 마스크를 저장하기 위해서 필요한 저장 공간이 핑거프린트 저장 공간의 크기와 같게 된다. 본 논문에서는 영상의 인접 픽셀들 간의 상관도가 높다는 특성을 활용하여 저장해야하는 파워 마스크의 크기를 줄이는 방법을 제안한다. 공개된 영상 데이터셋에 다양한 왜곡을 가한 후 핑거프린트 정합 실험을 수행하여, 파워 마스크를 통해서 오인식률을 1/3 이상 줄일 수 있음을 확인하였다.
파워 마스크는 핑거프린트 추출 과정에서 구해지며, 이진화하여 핑거프린트와 같이 데이터베이스에 저장한다. 본 논문에서는 파워 마스크를 위한 저장 공간을 줄이기 위해서, 영상의 공간적 상관도를 이용하여 부표본화된 파워 마스크를 추출하는 방법을 제안하였다. 다양한 영상 변형들에 대한 실험을 통해서 파워 마스크가 핑거프린트의 정합 성능을 제고함을 보였고, 부표본화된 파워 마스크가 데이터베이스 저장에 필요한 공간을 줄이는데 효과적임을 확인하였다.
이를 반영하여 최근 핑거프린트 추출이 아닌 정합 방법을 개선하여 식별 성능을 제고하는 방법들에 대한 연구들이 시도되었으며, 파워 마스크 방법 [7], 비대칭 정합 방법 [8, 9] 등이 제안되었다. 본 논문은 오디오 핑거프린팅에 적용되었던 파워 마스크를 영상 핑거프린트 정합 성능 제고에 활용하는 방안에 대하여 다룬다. 파워 마스크는 원본 콘텐츠로부터 핑거프린트를 추출하여 데이터베이스화하는 과정에서 얻은 정보를 활용하여 각 핑거프린트 비트의 예측 강인도를 추정한 것이다.
본 논문은 파워 마스크 기반 영상 핑거프린트 정합에 관한 연구이다. 파워 마스크를 영상 핑거프린팅에 적용하고, 파워 마스크 크기를 줄이는 방법을 제안하였다.

가설 설정

따라서 U의 크기 정보는 손실되며, 이러한 정보 손실을 정합에서 보완하기 위해서 파워 마스크가 제안되었다 [7]. 파워 마스크 방법은 U의 크기 가 클수록 부호를 변경하기 위해서 많은 변형을 가해야한다고 가정하고, U의 크기 값을 예측 강인도로 사용한다. 즉, 예측 강인도인 |U[n,m]|의 값들을 크기 순으로 내림차순으로 정렬하고, 크기순으로 큰 T개 의 값을 가지는 비트의 위치를 구한다.
따라서 예측 강인도인 |U[n,m]| 을 가로축과 세로축 모두 1/R로 부표본화하여 (N/R) ×(M/R) 크기의 예측 강인도를 얻고, 부표본화된 예측 강인도를 크기값 순서로 나열하고 크기가 큰 T/R ² 개는 파워 마스크 값을 1로, 나머지 위치인 (NM-T)/R² 개는 파워 마스크 값을 0으로 하여 이진 파워마스크를 구한다. 편의상 본 논문에서 N과 M은 R로 나누어진다고 가정한다. 이렇게 하면 N×M 파 워 마스크 P를 (N/R)×(M/R) 파워 마스크 P_R로 바꾸어 저장 공간을 줄일 수 있다.

제안 방법

2.1장에서 기술한 바와 같이 원본 실험 영상들을 512×512로 크기를 조정하고 5계층 Haar 웨이블릿 변환을 수행하고, 상세계수 중에서 대각 영역을 취하여 16×16 크기의 핑거프린트 비트를 얻고(N=16, M=16), 이 과정에서 파워 마스크도 구한다.
파워 마스크를 영상 핑거프린팅에 적용하고, 파워 마스크 크기를 줄이는 방법을 제안하였다. 2장에서 영상 핑거프린트 및 파워 마스크 추출 방법을 살펴보고, 파워 마스크 크기를 줄이는 방법을 제안한다. 3장에서 파워 마스크 크기에 따른 핑거프린트 정합 성능 향상 정도를 실험으로 확인하고 분석한다.
을 공정하게 비교하기 위해서 각 영상으로부터 얻은 16×16 크기의 이진 핑거프린트 (총 256비트)와 파워 마스크를 이용하여 ROC 곡선을 구하였다. FAR을 구하기 위해서는 5000개의 영상으로부터 추출한 핑거프린트와 파워 마스크 데이터베이스를 구축하고, 임의로 2개의 핑거프린트를 선택하고 선택된 핑거프린트 쌍들 간의 거리인 D_H, D_M, D_R을 각각 구하였다. 영상 식별기의 문턱값을 변화시켜가면서 문턱값보다 작은 거리를 가지는 핑거프린트 쌍의 비율을 구하였다.
기존 해밍 거리 DH, 파워 마스크 기반 거리 DM, 부표본화된 파워 마스크 기반 거리 DR을 공정하게 비교하기 위해서 각 영상으로부터 얻은 16×16 크기의 이진 핑거프린트 (총 256비트)와 파워 마스크를 이용하여 ROC 곡선을 구하였다.
기존 해밍 거리 기반 영상 핑거프린트 정합 성능과 파워 마스크를 이용한 가중 해밍거리를 이용한 정합 성능을 실험적으로 비교하였다. 정합 성능 비교 를 위해서 실내외, 운송수단, 사람, 풍경 등 다양한 종류의 영상을 포함하는 MIR Flickr-25K 영상 데이터셋 중 5000개의 영상을 사용하였다.
따라서 예측 강인도인 |U[n,m]| 을 가로축과 세로축 모두 1/R로 부표본화하여 (N/R) ×(M/R) 크기의 예측 강인도를 얻고, 부표본화된 예측 강인도를 크기값 순서로 나열하고 크기가 큰 T/R 2 개는 파워 마스크 값을 1로, 나머지 위치인 (NM-T)/R2 개는 파워 마스크 값을 0으로 하여 이진 파워마스크를 구한다.
따라서 영상 식별 서비스에 파워 마스크 개념을 실제로 적용하기 위해서는 핑거프린트와 같은 크기의 저장 공간을 필요로 하는 파워 마스크의 크기를 줄일 필요가 있다. 본 논문에서는 영상들이 공간적 상관도(spatial correlation)가 크다는 성질을 활용하여 파워 마스크의 크기를 줄였다. 즉, 공간 영역에서 인접 픽셀들은 비슷한 값을 가질 확률이 높다.
부표본화된 파워 마스크를 사용하면 다음 수식과 같이 R×R 블록별로 해밍거리를 구하고 해당 블록의 파워 마스크값을 가중치로 하여 가중합을 구하여 두 핑거프린트 H1과 H2 사이의 가중 해밍 거리 DR을 구한다.
으로 고정하고, 각 영상변형 별로 FRR을 구하여 정리한 것이다. 성능 비교를 위해서 제안된 파워 마스크 기반 거리의 FRR을 기존 해밍 거리의 FRR로 나눈 relative error rate (RER) 을 정의한다. 제안된 방법의 RER이 1이면 성능이 같은 것이며, 1보다 크면 성능이 열화된 것이고, 1보다 작으면 성능이 개선된 것이다.
3에 도시한 바와 같이 16×16 (R=1), 8×8 (R=2), 4×4 (R=4), 2×2 (R=8)의 크기를 가진다. 실험영상에서 추출한 핑거프린트와 파워 마스크로 데이터베이스를 구성하고 핑거프린트 정합 실험을 수행하였다.
하지만 제안한 파워 마스크는 기하적인 변형을 고려하는 다른 영상 핑거프린팅 방법[1]에 큰 수정 없이 적용할 수 있다. 영상 변형들을 4개의 집합으로 묶어서, 4종류의 복합 영상 변형을 각 영상에 가하고 핑거프리트를 추출한 후에 원본 영상의 핑거프린트 데이터베이스와 비교하여 D_H, D_M, D_R을 각각 구하였다. 영상 식별기의 문턱값을 변화시켜가면서 문턱값보다 큰 거리를 가지는 핑거프린트 쌍의 비율을 구하여 FRR을 구하였다.
FAR을 구하기 위해서는 5000개의 영상으로부터 추출한 핑거프린트와 파워 마스크 데이터베이스를 구축하고, 임의로 2개의 핑거프린트를 선택하고 선택된 핑거프린트 쌍들 간의 거리인 D_H, D_M, D_R을 각각 구하였다. 영상 식별기의 문턱값을 변화시켜가면서 문턱값보다 작은 거리를 가지는 핑거프린트 쌍의 비율을 구하였다. FRR을 구하기 위해서는 원본 영상에 왜곡을 가한 후 핑거프린트를 추출하고 원본 핑거프린트와 비교해야한다.
영상 변형들을 4개의 집합으로 묶어서, 4종류의 복합 영상 변형을 각 영상에 가하고 핑거프리트를 추출한 후에 원본 영상의 핑거프린트 데이터베이스와 비교하여 D_H, D_M, D_R을 각각 구하였다. 영상 식별기의 문턱값을 변화시켜가면서 문턱값보다 큰 거리를 가지는 핑거프린트 쌍의 비율을 구하여 FRR을 구하였다. Fig.
따라서 영상 핑거프린트 추출 및 정합은 간결성, 강인성, 차별성을 두루 고려하여 설계하여야 한다. 영상 핑거프린트의 형태는 실수와 이진수 값의 형태를 가질 수 있으며, 본 논문에서는 이진수 형태의 핑거프린트만을 고려한다. 일반적으로 핑거프린트 추출 과정은 영상에서 특징을 추출하고 이진화하는 과정으로 이루어진다.
오디오 핑거프린팅에 사용되었던 파워 마스크 방법을 영상 핑거프린팅에 적용하여 오인식률 개선 정도를 확인하였다. 파워 마스크는 영상에서 추출한 핑거프린트 비트의 예측 강인도를 이진화한 것이다.
파워 마스크 방법은 이렇게 오인식률을 크게 줄여주지만, 기존 해밍 거리 기반 정합 방법에서는 256비트의 핑거프린트만 필요 한 것에 비해서 파워 마스크 기반 정합 방법에서는 추가로 256비트의 파워 마스크도 저장해야하므로 영상 하나당 데이터베이스에 512비트를 저장해야 한다. 제안된 부표본화된 파워 마스크는 부표본화율 R 을 조정하여 파워 마스크 저장에 필요한 저장 공간을 줄인 것이다. 부표본화율 R을 크게 하면 파워 마스크 저장을 위해서 필요한 저장 공간은 줄어들지만 정합 성능의 감소도 관찰되었다.
본 논문은 파워 마스크 기반 영상 핑거프린트 정합에 관한 연구이다. 파워 마스크를 영상 핑거프린팅에 적용하고, 파워 마스크 크기를 줄이는 방법을 제안하였다. 2장에서 영상 핑거프린트 및 파워 마스크 추출 방법을 살펴보고, 파워 마스크 크기를 줄이는 방법을 제안한다.
핑거프린트와 핑거프린트의 강인도 정보인 파워 마스크를 추출하는 방법을 살펴보고, 파워 마스크 크기를 줄이는 방법을 제안한다.

대상 데이터

기존 해밍 거리 기반 영상 핑거프린트 정합 성능과 파워 마스크를 이용한 가중 해밍거리를 이용한 정합 성능을 실험적으로 비교하였다. 정합 성능 비교 를 위해서 실내외, 운송수단, 사람, 풍경 등 다양한 종류의 영상을 포함하는 MIR Flickr-25K 영상 데이터셋 중 5000개의 영상을 사용하였다. 2.

이론/모형

미지의 영상을 식별하기 위해서 핑거프린트를 이용하여 데이터베이스를 검색할 때 파워 마스크가 정합 가중치로 활용된다. 파워 마스크기반 핑거 프린트 정합은 임의의 이진 핑거프린팅 방법에 적용 할 수 있으며, 본 논문에서는 기존 웨이블릿 변환 부호 기반 이진 영상 핑거프린트[10]에 파워 마스크 방법을 적용한다. 웨이블릿 변환의 상세계수(detail coefficients)는 0을 중심으로 대칭적이며 독립 항등 정규 분포(independent and identically distributed Gaussian distribution)인 성질이 있다 [11].

성능/효과

4는 파워 마스크 이진화 문턱값 T를 바꿔가면서 얻은 ROC 곡선이다. 고려한 모든 영상 변형들에 대해서 파워 마스크 기반 거리인 D_M이 기존 해밍 거리 D_H에 비해서 핑거프린트 정합 성능을 크게 개선함을 알 수 있다. 파워 마스크는 T개의 강인한 비트와 NM-T개의 연약한 비트로 구성된다.
본 논문에서는 영상의 인접 픽셀들 간의 상관도가 높다는 특성을 활용하여 저장해야하는 파워 마스크의 크기를 줄이는 방법을 제안한다. 공개된 영상 데이터셋에 다양한 왜곡을 가한 후 핑거프린트 정합 실험을 수행하여, 파워 마스크를 통해서 오인식률을 1/3 이상 줄일 수 있음을 확인하였다.
본 논문에서는 파워 마스크를 위한 저장 공간을 줄이기 위해서, 영상의 공간적 상관도를 이용하여 부표본화된 파워 마스크를 추출하는 방법을 제안하였다. 다양한 영상 변형들에 대한 실험을 통해서 파워 마스크가 핑거프린트의 정합 성능을 제고함을 보였고, 부표본화된 파워 마스크가 데이터베이스 저장에 필요한 공간을 줄이는데 효과적임을 확인하였다.
이진화 문턱값 T는 64로 고정하였다. 부표본화 정도가 커짐에 따라서 ROC 곡선에서 성능 열화가 확인되지만, 부표본화 정도를 R=8로 하여 크기를 1/8로 줄인 2X2 크기(즉, 영상 당 4비트)의 이진 파워 마스크를 사용하더라도 제안한 부표본화된 파워 마스크 기반 거리인 D_R이 기존 해밍 거리인 D_H보다 우수한 성능을 보였다. 제안한 부표본화를 이용한 파워 마스크 압축이 효과적임을 알 수 있다.
제안된 부표본화된 파워 마스크는 부표본화율 R 을 조정하여 파워 마스크 저장에 필요한 저장 공간을 줄인 것이다. 부표본화율 R을 크게 하면 파워 마스크 저장을 위해서 필요한 저장 공간은 줄어들지만 정합 성능의 감소도 관찰되었다. 하지만 R=8을 사용하여 최대로 크기를 줄인 파워 마스크를 이용한 D_R도 D_H 에 대비해서 RER이 0.
파워 마스크 방법은 변형에 강인할 것으로 예상되는 비트들에 대한 가중치를 높이고, 강인하지 않을 것으로 예상되는 비트들에 대한 가중치는 줄인다. 실험 결과에 따라서 2장에서 가설한 영상을 변형시키면 웨이브렛 변환 값이 바뀌게 되는데, 상대적으로 크기 값이 큰 웨이브렛 변환 계수의 부호가 바뀔 확률이 작다는 것이 검증되었음을 알 수 있다.
성능 비교를 위해서 제안된 파워 마스크 기반 거리의 FRR을 기존 해밍 거리의 FRR로 나눈 relative error rate (RER) 을 정의한다. 제안된 방법의 RER이 1이면 성능이 같은 것이며, 1보다 크면 성능이 열화된 것이고, 1보다 작으면 성능이 개선된 것이다. 파워 마스크 기반 거리인 D_M을 사용할 경우 RER이 0.
부표본화 정도가 커짐에 따라서 ROC 곡선에서 성능 열화가 확인되지만, 부표본화 정도를 R=8로 하여 크기를 1/8로 줄인 2X2 크기(즉, 영상 당 4비트)의 이진 파워 마스크를 사용하더라도 제안한 부표본화된 파워 마스크 기반 거리인 D_R이 기존 해밍 거리인 D_H보다 우수한 성능을 보였다. 제안한 부표본화를 이용한 파워 마스크 압축이 효과적임을 알 수 있다.
22였다. 즉, 실험에 사용한 4종류의 복합 영상 변형들에 대해서 기존 D_H를 사용한 경우와 비교해서 오인식률이 평균 0.22배 수준으로 줄어드는 것을 확인했다. 파워 마스크 방법은 이렇게 오인식률을 크게 줄여주지만, 기존 해밍 거리 기반 정합 방법에서는 256비트의 핑거프린트만 필요 한 것에 비해서 파워 마스크 기반 정합 방법에서는 추가로 256비트의 파워 마스크도 저장해야하므로 영상 하나당 데이터베이스에 512비트를 저장해야 한다.
파워 마스크는 영상에서 추출한 핑거프린트 비트의 예측 강인도를 이진화한 것이다. 파워 마스크를 사용하면 고려한 모든 변형들에 대해서 오인식률이 1/3 이상 줄어드는 것을 확인하였다. 파워 마스크는 핑거프린트 추출 과정에서 구해지며, 이진화하여 핑거프린트와 같이 데이터베이스에 저장한다.
4의 결과를 보면 영상 의 경우 T값을 상대적으로 작게 하는 것이 FRR을 줄여서 ROC 곡선상에서 더 좋은 성능을 보임을 알 수 있다. 하지만 고려한 T값 모두에서 파워 마스크 기반 거리인 D_M이 기존 해밍 거리인 D_H보다 우수한 성능을 보였다. Fig.

질의응답

핵심어	질문	논문에서 추출한 답변
	영상 핑거프린트 추출 및 정합 때 고려할 점은 무엇인가?	콘 텐츠 식별에 사용되는 핑거프린트는 간결하면서도 다양한 변환에 대한 강인성을 가지고, 서로 다른 콘텐츠에 대해 차별성을 줄 수 있어야한다 [1]. 따라서 영상 핑거프린트 추출 및 정합은 간결성, 강인성, 차별성을 두루 고려하여 설계하여야 한다. 영상 핑거프린트의 형태는 실수와 이진수 값의 형태를 가질 수 있으며, 본 논문에서는 이진수 형태의 핑거프린트만을 고려한다.
	콘텐츠 식별은 무엇인가?	방대한 양의 디지털 영상을 대상으로 영상 추천, 영상 데이터베이스 관리, 저작권 보호 등을 빠르고 신뢰성 있게 제공해 줄 수 있는 검색 서비스의 필요성이 커지고 있으며, 콘텐츠 식별 기술인 핑거프린팅은 검색 서비스를 위한 핵심 기술이다 [1-3]. 콘텐츠 식별은 생체 식별에서 사람의 지문, 홍채 등을 이용하여 그 사람을 인식하는 것처럼 콘텐츠의 특징을 이용하여 해당 콘텐츠를 식별하는 기술을 말한다. 이 때 사용되는 특징을 핑거프린트(fingerprint) 또는 해시(hash)라고 부른다.
	콘텐츠 식별 과정에서 사용되는 특징을 무엇이라 하는가?	콘텐츠 식별은 생체 식별에서 사람의 지문, 홍채 등을 이용하여 그 사람을 인식하는 것처럼 콘텐츠의 특징을 이용하여 해당 콘텐츠를 식별하는 기술을 말한다. 이 때 사용되는 특징을 핑거프린트(fingerprint) 또는 해시(hash)라고 부른다. Fig.

참고문헌 (11)

J. Seo, T. Kalker, J. Haitsma, and C. Yoo, "A Robust Image Fingerprinting System Using the Radon Transform," Signal Processing: Image Communication, Vol. 19, No. 4, pp. 325-339, 2004.

상세보기
X. Nie, X. Li, Y. Chai, C. Cui, X. Xi, Y. Yin, et. al., "Robust Image Fingerprinting Based on Feature Point Relationship Mining," IEEE Transactions on Information Forensics and Security, Vol. 13, No. 6, pp. 1509-1523, 2018.

상세보기
M. Kim, M. Park, and H. Kim, "Automatic Music Summarization Method by Using the Bit Error Rate of the Audio Fingerprint and a System Thereof," Journal of Korea Multimedia Society, Vol. 16, No. 4, pp. 453-463, 2013.

원문보기 상세보기
R. Venkatesan, S.M. Koon, M.H. Jakubowski, and P. Moulin, "Robust Image Hashing," Proceeding of International Conference on Image Processing, pp. 664-666, 2000.
Y. Li and L. Guo, "Robust Image Fingerprinting via Distortion-resistant Sparse Coding," IEEE Signal Processing Letters, Vol. 25, No. 1, pp. 140-144, 2018.

상세보기
Z. Tang, L. Chen, X. Zhang, and S. Zhang, "Robust Image Hashing with Tensor Decomposition," IEEE Transactions on Knowledge and Data Engineering, Vol. 31, No. 3, pp. 549-560, 2019.

상세보기
B. Coover and J. Han, "A Power Mask Based Audio Fingerprint," Proceeding of International Conference on Acoustic, Speech and Signal Processing, pp. 1394-1398, 2014.
J. Seo, "An Asymmetric Matching Method for a Robust Binary Audio Fingerprinting," IEEE Signal Processing Letters, Vol. 21, No. 7, pp. 844-847, 2014.

상세보기
J. Seo, "Perceptual Bound-based Asymmetric Image Hash Matching Method," J ournal of Korea Multimedia Society, Vol. 20, No. 10, pp. 1619-1627, 2017.

원문보기 상세보기
A. Varna, A. Swaminathan, and M. Wu, "A Decision Theoretic Framework for Analyzing Binary Hash-based Content Identification Systems," Proceeding of ACM Workshop on Digital Rights Management, pp. 67-76, 2008.
S. Mallat, "A Theory for Multiresolution Signal Decomposition: the Wavelet Representation," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 11, No. 7, pp. 674-693, 1989.

상세보기

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