[논문]딥러닝을 이용한 3차원 사람모델형상 변형

김대희; 황본우; 이승욱; 곽수영

doi:10.9723/jksiis.2020.25.2.019

딥러닝을 이용한 3차원 사람모델형상 변형
3D Human Shape Deformation using Deep Learning 원문보기

한국산업정보학회논문지 = Journal of the Korea Industrial Information Systems Research, v.25 no.2, 2020년, pp.19 - 27

김대희 , 황본우 (한국전자통신연구원) , 이승욱 (한국전자통신연구원) , 곽수영 (한밭대학교 전자제어공학과)

초록
AI-Helper

최근 가상현실 및 증강 현실 기술을 이용한 다양한 응용분야가 각광받으면서 빠르고 정확한 3차원 모델 생성이 요구되고 있다. 본 논문에서는 옷을 입은 3차원 사람 모델을 포인트 클라우드의 형상으로 변형하는 온-사이트 학습 (On-site learning) 기반 형상 변형 방법을 제안한다. 제안하는 알고리즘은 사전 학습과 온-사이트 학습 두 개의 파트로 구성되어 있으며, 각각의 학습은 인코더 네트워크, 템플릿 변형 네트워크, 디코더 네트워크로 구성된다. 딥러닝 네트워크 학습은 3차원 포인트 클라우드와 템플릿 정점 사이의 챔퍼 거리 (Chamfer distance)를 주요 손실 함수로 사용하는 비지도 학습을 적용한다. 입력된 포인트 클라우드 형태의 데이터에 대해 온-사이트 학습을 진행함으로써 추론의 결과물에 대한 높은 정확도를 얻을 수 있으며 이를 실험을 통해 제시한다.

Abstract ▼ AI-Helper

Recently, rapid and accurate 3D models creation is required in various applications using virtual reality and augmented reality technology. In this paper, we propose an on-site learning based shape deformation method which transforms the clothed 3D human model into the shape of an input point cloud. The proposed algorithm consists of two main parts: one is pre-learning and the other is on-site learning. Each learning consists of encoder, template transformation and decoder network. The proposed network is learned by unsupervised method, which uses the Chamfer distance between the input point cloud form and the template vertices as the loss function. By performing on-site learning on the input point clouds during the inference process, the high accuracy of the inference results can be obtained and presented through experiments.

주제어

표/그림 (12)

그림 Fig. 1 Proposed Shape Deformation Network
그림 Fig. 2 Encoder Network Module
그림 Fig. 3 Template Deformation Network Module
그림 Fig. 4 Decoder Network Module
표 Table 1 Computer Hardware and Software Specifications used in the Experiment
그림 Fig. 5 Pace Model in DAZ Studio
그림 Fig. 6 50 Tops and Bottoms Paige Model
표 Table 2 Comparison of Chamfer Distances between Pre-learning and On-site Learning (cm)
그림 Fig. 7 Comparison Results between 3D-Coded and Proposed Method with Data 1
그림 Fig. 8 Comparison Results between 3D-Coded and Proposed Method with Data 2
그림 Fig. 9 Comparison Results between 3D-Coded and Proposed Method with Data 3
표 Table 3 Comparison of Chamfer Distances between 3D-Coded and Proposed Method (cm)

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 3D-CODED 방법의 왜곡에 대한 문제점을 온-사이트 학습방법을 통해 개선한 형상 변형 네트워크를 제안하고 3D-CODED의 변형 모델보다 개선된 성능을 보이는 결과를 제시한다.
본 논문에서는 3차원 프린팅 및 애니메이션 등 다양한 응용에 적용 가능한 옷을 입고 있는 사람에 대한 3차원 형상을 다양한 자세로 변형하는 방법을 제안한다. 포인트 클라우드로 표현된 다양한 자세의 입력 형상과 텍스쳐를 표현한 템플릿이 주어졌을 경우 두 입력의 상관관계를 파악하여 템플릿의 형상을 옷을 입은 다양한 자세의 형상으로 변환하는 네트워크를 제안한다.
형상 변형을 위해서는 데이터를 표현하는 방식에 따라 네트워크의 모델링 방식이 달라진다. 본 논문에서는 비 유클리디언 방식으로 표현된 3차원 데이터에 대한 형상 변형 네트워크를 다룬다.
기존의 머신러닝에서 많이 사용하는 비지도학습방법을 적용하게 되면 변형된 형상의 정확도가 떨어지는 문제점이 있다. 본 논문에서는 이러한 문제점을 개선하기 위해서 사전 학습된 모델로 유추한 정보를 초깃값으로 두고 지정된 형상 간의 변형을 전체 네트워크의 재학습을 통해 더 세밀한 변형 결과를 얻는 온 사이트 학습을 제안한다.
본 논문에서는 템플릿을 입력받은 형상으로 변형하는 방법에 대해 다루었다. 변형의 정확도를 위해 포인트 클라우드 형태를 직접 입력하는 방식의 포인트 넷을 사용하였으며, 정확도를 높이기 위해 온-사이트 학습 기반의 형상 변형 방법을 제안했다.
포인트 클라우드로 표현된 다양한 자세의 입력 형상과 텍스쳐를 표현한 템플릿이 주어졌을 경우 두 입력의 상관관계를 파악하여 템플릿의 형상을 옷을 입은 다양한 자세의 형상으로 변환하는 네트워크를 제안한다. 본 논문은 사람 형태에서 다양한 옷에 대하여 세밀한 형상 변형을 위해 전체 네트워크의 온사이트 학습 (On-site learning)을 통해 더 높은 정확도를 얻고자 한다.

제안 방법

(2019)은 3차원 스캐너를 이용하여 다양한 의복을 착용한 사람 형태에서 인체 모양과 의복을 각각 추론하는 네트워크를 제안하였다. 3차원 메쉬의 주요 특징(관절, 손, 머리, 발 등)을 정렬하여 기하학적 영상에 매핑하였다. 3차원 메쉬에 사용된 데이터는 골격과 관절 각도를 다양하게 변형할 수 있는 인간 모델을 사용 하였다(Loper et al.
5는 DAZ Studio 사이트에서 생성한 캐릭터 Paige 캐릭터를 나타낸 것이다. 3차원 캐릭터를 바탕으로 각각 직접 생성한 여성, 남성 각각 상의 50개, 하의 50개를 조합 (Fig. 6)하여 캐틱터에 착장하여 총 2,500개의 3차원 캐릭터를 생성하였다. 이때 사용한 생성한 데이터는 정점 2만개, 삼각형태의 면 4만개 내외로 PLY 파일 형식으로 생성하였다.
, 2015)모듈을 사용하여 3차원 객체의 골격에 해당하는 핵심 포인트를 학습하여 이동 불변성의 문제를 해결하였다. n개의 포인트 클라우드를 입력으로 입력 및 특징 변환을 수행하고, 최대 풀링을 통해 모든 점에 대한 정보를 단일 벡터로 특징을 일반화 한다.
본 논문에서는 템플릿을 입력받은 형상으로 변형하는 방법에 대해 다루었다. 변형의 정확도를 위해 포인트 클라우드 형태를 직접 입력하는 방식의 포인트 넷을 사용하였으며, 정확도를 높이기 위해 온-사이트 학습 기반의 형상 변형 방법을 제안했다. 결과 적으로 기존에 사용되던 3D-Coded 네트워크를 이용하여 형상 변형 한 결과보다 온-사이트 학습 기반의 예측 결과가 높은 정확도를 보여주었다.
기존의 3D-CODED 방식은 디코더만 학습에 참여하여 사람 혹은 동물 형태의 다양한 자세에 대하여 사전 학습된 기존의 템플릿 데이터에서 입력 데이터의 대략적인 변화를 얻을 수 있다. 본 논문에서 제안하는 온사이트 학습은 인코더, 템플릿 변형, 디코더 네트워크에 대하여 학습한다. 전체 네트워크에 대해 학습하는 이유는 정확도를 높이기 위함이다.
사전 학습을 초기값으로 설정하고 초기값의 전역 벡터를 온-사이트 학습 횟수만큼 학습하여 사전 학습과 온-사이트 학습의 챔퍼 거리를 비교하여 성능을 평가하였다. 이때 챔퍼 거리의 단위는 cm이다.
, 2015). 신체에 대해 추론을 위해 Conditional GAN을 훈련하여 색상, 질감, 곡률, 위치 등을 포함한 특징 벡터를 추출한다. 신체와 기하학적 영상 사이의 벡터를 신체적 특징의 척도로 사용하고 이를 이용하여 의복을 제외한 신체 모양을 예측한다.
신체에 대해 추론을 위해 Conditional GAN을 훈련하여 색상, 질감, 곡률, 위치 등을 포함한 특징 벡터를 추출한다. 신체와 기하학적 영상 사이의 벡터를 신체적 특징의 척도로 사용하고 이를 이용하여 의복을 제외한 신체 모양을 예측한다.
형상의 변형은 포인트 클라우드 기반 네트워크를 사용하여 입력 포인트 클라우드와 템플릿 포인트 클라우드의 전역 벡터를 추출하고 입력과 템플릿 사이의 챔퍼 거리를 최소화하는 손실함수를 이용하여 학습한다. 이 때, 입력 포인트 클라우드의 형상과 템플릿 포인트 클라우드 형상의 차이가 큰 경우에는 형상이 심하게 왜곡될 수 있기 때문에 이러한 왜곡 방지를 위해 2개의 손실함수를 추가하여 사용하여 대략적인 형상의 변형을 학습하였다. 추론 과정에서 디코더 네트워크 모듈만을 재학습하여 입력의 형상에 최적화하여 형상을 변형하는 방식이다.
이때 사용한 생성한 데이터는 정점 2만개, 삼각형태의 면 4만개 내외로 PLY 파일 형식으로 생성하였다. 입력 데이터의 사전 정규화를 통해 포인트 넷에서의 공간 변환 네트워크(Qi et al., 2017) 모듈을 생략하였다.
디코더 네트워크 모듈은 4개의 은닉층과 배치 정규화, 쌍곡선 함수로 구성된다. 제안된 인코더-디코더 형태의 네트워크는 종단 간 학습방식으로 학습이 진행된다.
포인트 클라우드 형태의 입력 형상을 템플릿과 매칭시키기 위해서 기본적으로 인코더-디코더 형태의 네트워크를 이용하여 학습한다. 제안하는 형상 변형 네트워크는 인코더 네트워크, 템플릿 변형 네트워크, 디코더 네트워크 3가지로 구성되어 있으며 Fig. 1에 나타내었다. 인코더 네트워크에서는 입력 데이터의 전역 특징을 추출하고, 템플릿 변형 네트워크에서는 템플릿의 국부특징을 추출한다.
추론 과정에서 새로운 입력 데이터에 대한 높은 정확도를 얻기 위해 온-사이트 학습을 진행한다. 온-사이트 학습에서는 사전 학습과 다르게 입력된 하나의 데이터에 대해서만 손실 함수를 갱신하기 때문에 사전 학습 모델의 손실 함수를 사전 학습보다 더욱 빠르게 최소화 할 수 있다.
본 논문에서는 3차원 프린팅 및 애니메이션 등 다양한 응용에 적용 가능한 옷을 입고 있는 사람에 대한 3차원 형상을 다양한 자세로 변형하는 방법을 제안한다. 포인트 클라우드로 표현된 다양한 자세의 입력 형상과 텍스쳐를 표현한 템플릿이 주어졌을 경우 두 입력의 상관관계를 파악하여 템플릿의 형상을 옷을 입은 다양한 자세의 형상으로 변환하는 네트워크를 제안한다. 본 논문은 사람 형태에서 다양한 옷에 대하여 세밀한 형상 변형을 위해 전체 네트워크의 온사이트 학습 (On-site learning)을 통해 더 높은 정확도를 얻고자 한다.
, 2015) 인코더-디코더 형태의 딥러닝 네트워크인 3차원 형상 변형 네트워크를 이용하여 형상을 일치시키기 위한 연구다. 형상의 변형은 포인트 클라우드 기반 네트워크를 사용하여 입력 포인트 클라우드와 템플릿 포인트 클라우드의 전역 벡터를 추출하고 입력과 템플릿 사이의 챔퍼 거리를 최소화하는 손실함수를 이용하여 학습한다. 이 때, 입력 포인트 클라우드의 형상과 템플릿 포인트 클라우드 형상의 차이가 큰 경우에는 형상이 심하게 왜곡될 수 있기 때문에 이러한 왜곡 방지를 위해 2개의 손실함수를 추가하여 사용하여 대략적인 형상의 변형을 학습하였다.

대상 데이터

적은 양의 데이터에서는 높은 효율을 보이지만 데이터 크기가 커질수록 그래프에 대한 벡터를 생성하는 그래프 네트워크 층을 다중으로 쌓아야 하므로 학습에 있어서 비효율적이다. 따라서, 본 논문에서는 이러한 문제점을 극복하기 위해 포인트 클라우드 형식 데이터를 입력으로 사용하였다. 포인트 클라우드 형태의 입력 형상을 템플릿과 매칭시키기 위해서 기본적으로 인코더-디코더 형태의 네트워크를 이용하여 학습한다.
본 실험에 사용된 데이터는 3차원 캐릭터 생성 툴인 DAZ Studio (Daz productions)를 이용하여 기반 캐릭터를 생성하였다. Fig.
6)하여 캐틱터에 착장하여 총 2,500개의 3차원 캐릭터를 생성하였다. 이때 사용한 생성한 데이터는 정점 2만개, 삼각형태의 면 4만개 내외로 PLY 파일 형식으로 생성하였다. 입력 데이터의 사전 정규화를 통해 포인트 넷에서의 공간 변환 네트워크(Qi et al.

이론/모형

3차원 메쉬의 주요 특징(관절, 손, 머리, 발 등)을 정렬하여 기하학적 영상에 매핑하였다. 3차원 메쉬에 사용된 데이터는 골격과 관절 각도를 다양하게 변형할 수 있는 인간 모델을 사용 하였다(Loper et al., 2015). 신체에 대해 추론을 위해 Conditional GAN을 훈련하여 색상, 질감, 곡률, 위치 등을 포함한 특징 벡터를 추출한다.

성능/효과

Table 3은 각각의 데이터 1, 2, 3에 대해서 온-사이트 학습과 기존 방식의 디코더 학습 횟수에 따르는 챔퍼 거리를 나타내었다. Table 3과 Fig. 7에서 제안한 방법이 기존의 방법과 비교하여 형태 변형에 있어서 시각적인 면에서나 챔퍼 거리를 통한 정량적인 비교에서 더 높은 정확도를 보이는 것을 확인할 수 있다.
변형의 정확도를 위해 포인트 클라우드 형태를 직접 입력하는 방식의 포인트 넷을 사용하였으며, 정확도를 높이기 위해 온-사이트 학습 기반의 형상 변형 방법을 제안했다. 결과 적으로 기존에 사용되던 3D-Coded 네트워크를 이용하여 형상 변형 한 결과보다 온-사이트 학습 기반의 예측 결과가 높은 정확도를 보여주었다. 향후 더 높은 정확도와 온-사이트 학습에서의 계산량 감소를 위해 각각의 영역별로 분할한 디코더 네트워크 적용을 추가하여 3차원 포인트 클라우드 형상의 각각의 부분별로 학습하여 온-사이트 학습을 시킨다면 이 방법은 현재보다 더욱 정확도가 높은 형상 변형 네트워크가 될 것으로 기대한다.
본 논문에서 제안하는 온-사이트 학습 기반의 형상 변형에 대한 성능을 평가하기 위해 첫 번째로, 사전 학습만 사용한 추론 결과의 입력 데이터간 챔퍼 거리와 사전 학습을 초기값으로 두고 온사이트 방식을 적용한 추론 결과의 입력 데이터간 챔퍼 거리를 비교하여 온-사이트 방식을 이용한 형상 변형의 정확성을 증명한다. 두 번째로, 기존의 연구인 3D-Coded의 디코더 학습 방식과 본 논문의 온-사이트 방식의 형상 변형에 대한 정확성을 비교하여 제안하는 방식의 정확성을 증명한다. 본 논문의 실험은 Table 1과 같은 환경에서 구현하여 실험하였다.
본 논문에서 제안하는 온-사이트 학습 기반의 형상 변형에 대한 성능을 평가하기 위해 첫 번째로, 사전 학습만 사용한 추론 결과의 입력 데이터간 챔퍼 거리와 사전 학습을 초기값으로 두고 온사이트 방식을 적용한 추론 결과의 입력 데이터간 챔퍼 거리를 비교하여 온-사이트 방식을 이용한 형상 변형의 정확성을 증명한다. 두 번째로, 기존의 연구인 3D-Coded의 디코더 학습 방식과 본 논문의 온-사이트 방식의 형상 변형에 대한 정확성을 비교하여 제안하는 방식의 정확성을 증명한다.
7, 8, 9는 각각 데이터 1, 2, 3에 대한 온-사이트 학습 횟수에 따르는 형상 변형 결과 부위의 확대결과를 나타내었다. 사전학습과 온-사이트 학습의 챔퍼 거리 비교를 통해 템플릿의 포인트 클라우드가 이전 학습에서 미처 이동하지 못한 전역 벡터에 대하여 이동함으로써 해당 입력 데이터와 템플릿 데이터에 최적화되어 다양한 의상에 대해서 더욱 정밀한 결과를 얻을 수 있음을 보인다.
Table 2는 각각의 데이터에 대해서 사전 학습과 온-사이트 학습 방식의 챔퍼거리를 비교하여 나타내었다. 온-사이트 학습을 통해 7,000epoch만큼 학습시켰을 경우 사전학습결과보다 챔퍼거리가 평균적으로 0.84% 줄어드는 것을 알 수 있으며, 추론의 반복횟수가 늘어날수록 에러가 줄어드는 것을 볼 수 있다. Fig.
전체 네트워크에 대해 학습하는 이유는 정확도를 높이기 위함이다. 입력 데이터의 전역 벡터를 온-사이트 학습 횟수만큼 학습하여 템플릿의 포인트 클라우드가 이전 학습에서 미처 이동하지 못한 전역 벡터에 대하여 이동함으로써 해당 입력 데이터와 템플릿 데이터에 최적화되어 다양한 의상이나 체형에 대해서 더욱 정밀한 결과를 얻을 수 있다.

후속연구

본 논문의 3차원 토폴로지를 토대로 리깅 및 텍스쳐를 설계한다면 프린팅, 애니메이션, 게임 및 영화 등 다양한 응용에 적합한 형상을 적용 할 수 있을 것으로 기대된다.
결과 적으로 기존에 사용되던 3D-Coded 네트워크를 이용하여 형상 변형 한 결과보다 온-사이트 학습 기반의 예측 결과가 높은 정확도를 보여주었다. 향후 더 높은 정확도와 온-사이트 학습에서의 계산량 감소를 위해 각각의 영역별로 분할한 디코더 네트워크 적용을 추가하여 3차원 포인트 클라우드 형상의 각각의 부분별로 학습하여 온-사이트 학습을 시킨다면 이 방법은 현재보다 더욱 정확도가 높은 형상 변형 네트워크가 될 것으로 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	3차원 데이터를 표현하는 방식은 무엇으로 나눌 수 있는가?	3차원 데이터를 표현하는 방식은 프리미티브 (Primitive), 프로잭션 (Projection), RGB-D, 다시 점으로 표현하는 유클리디언 (Euclidean) 방식과 메쉬 (Mesh), 그래프, 포인트 클라우드 (Point cloud)로 표현하는 비 유클리디언 (Non euclidean) 으로 나눌 수 있다.
	이미지 특징 추출 네트워크는 무엇인가?	네트워크는 이미지 특징 추출 네트워크와 계층적 메쉬 변형 네트워크로 구성되어 있다. 이미지 특징 추출 네트워크는 입력 이미지에서 지각적 특징(Perceptual feature)을 추출하는 2차원 콘볼루션 뉴럴 네트워크이며, 추출된 특징은 타원체 메쉬를 3차원 모델로 점진적으로 변형시키기 위한 메쉬 변형 네트워크에 의해 활용된다. 계층적 메쉬 변형 네트워크는 그래프 기반 콘볼루션 뉴럴 네트워크를 사용하며, 3개의 메쉬 변형층과 메쉬 변형층 사이에 2개의 그래프 언풀링층(Graph unpooling layer)로 구성된다.
	광학 장치를 이용한 3차원의 외형 복원에서 능동 센싱방식의 장단점은 무엇인가?	수동 센서방식은 영상의 해상도가 증가함에 따라 처리하는 데이터의 양이 급속히 늘어나므로 해상도에 한계가 있으며 조명의 영향을 많이 받는 문제가 있다. 능동 센서방식은 정확도는 높지만 가격이 비싸며 숙련된 엔지니어가 필요하다. 최근에는 광학 소자 기술의 발전으로 인해 낮은 가격으로 보급이 확산되고 있으며, 컴퓨팅 성능의 발전으로 카메라의 해상도 및 처리 능력이 향상되면서 인체의 3차원 복원에 관한 연구가 각광 받고 있다.

참고문헌 (11)

Allen, B., Curless, B., Popovic, Z. (2002). Articulated Body Deformation from Range Scan Data, Transactions On Graphics, 21(3), 612-619.

상세보기
Allen, B., Curless, B., Popovic, Z. (2003). The Space of Human Body Shapes: Reconstruction and Parameterization from Range Scans, Transactions On Graphics, 22(3), 587-594.

상세보기
Chen, X., Pang, A., Zhu, Y., Li, Y., Luo, X., Zhang, G., Wang, P., Zhang, Y., Li, S., Yu, J. (2019). Towards 3D Human Shape Recovery Under Clothing, arXiv preprint arXiv:1904.02601.
Daz Productions, https://www.daz3d.com/(accessed Aug 10, 2019)
Fan, H., Su, H., Guibas, L. (2017). A Point Set Generation Network for 3D Object Reconstruction from a Single Image, The IEEE Conference on Computer Vision and Pattern Recognition, July. 21-26, Honolulu, USA, pp. 605-613.
Groueix, T., Fisher, M., Kim, Vladimir, G., Russell, Bryan, C., Aubry, M. (2018). 3D-CODED: 3D Correspondences by Deep Deformation, The European Conference on Computer Vision, Sep. 8-14, Munich, Germany, pp. 230-246.
Jaderberg, M., Simonyan, K., Zisserman, A. (2015). Spatial Transformer Networks, The Advances in Neural Information Processing Systems, Dec. 7-12, Montreal, Canada, pp. 2017-2025.
Loper, M., Mahmood, N., Romero, J., Moll, G., Black, MJ. (2015) SMPL: A Skinned Multi-person Linear Model, The ACM Transactions On Graphics, 34(6), 248.
Qi, CR., Su, H., Mo, K., Guibas, LJ. (2017). Pointnet: Deep Learning on Point Sets for 3D Classification and Segmentation, The IEEE Conference on Computer Vision and Pattern Recognition, July. 21-26, Honolulu, USA, pp. 652-660.
Wang, N., Zhang, Y., Li, Z., Fu, Y., Liu, W., Jiang, Yu-Gang. (2018). Pixel2Mesh: Generating 3D Mesh Models from Single RGB Images, The European Conference on Computer Vision, Sep. 8-14, Munich, Germany, pp. 52-67.
Zuffi, S., Black, MJ. (2015). The Stitched Puppet: A Graphical Model of 3D Human Shape and Pose, The IEEE Conference on Computer Vision and Pattern Recognition, June. 7-12, Boston, USA, pp. 3537-3546.

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