[논문]영상 품질 및 전송효율 최적화를 위한 심층신경망 기반 영상전송기법

이종만; 김기훈; 박현; 최증원; 김경우; 배성호

doi:10.5909/jbe.2020.25.4.609

영상 품질 및 전송효율 최적화를 위한 심층신경망 기반 영상전송기법
Video Transmission Technique based on Deep Neural Networks for Optimizing Image Quality and Transmission Efficiency 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.25 no.4, 2020년, pp.609 - 619

이종만 (한화시스템) , 김기훈 (한화시스템) , 박현 (한화시스템) , 최증원 (국방과학연구소) , 김경우 (국방과학연구소) , 배성호 (경희대학교 컴퓨터공학과)

초록
AI-Helper

고품질 비디오 스트리밍 요구에 따라 제한된 대역폭에서 높은 전송률이 필요하고, 트래픽 혼재 상황이 더 발생한다. 특히 실시간 영상 서비스를 제공 시 패킷 손실 및 비트 오류 확률이 더 크게 증가한다. 이러한 문제를 해결하기 위해 실시간 서비스 품질향상을 위한 방법으로 FEC 기술의 한 종류인 랩터 코드가 어플리케이션 영역에서 활발히 사용되고 있다. 본 논문에서는 랩터 코드를 활용하여 유사한 수준의 화질에서 전송 효율을 높이기 위한 다양한 심층 신경망(Deep Neural Network, DNN) 기반 영상전송 파라미터를 결정하는 방법을 제안한다. 제안된 신경망은 패킷 손실율(Packet Loss Rate), 비디오 인코딩 속도 및 전송속도를 입력으로 사용하고 랩터 FEC 파라미터와 패킷 크기를 출력으로 한다. 제안한 방법은 기존 멀티미디어 전송 기법과 유사한 수준의 PSNR(Peak Signal-to-Noise Ratio)에서 전송 효율을 최적화하여 평균 1.2% 높은 스루풋(throughput)을 보였다.

Abstract ▼ AI-Helper

In accordance with a demand for high quality video streaming, it needs high data rate in limited bandwidth and more traffic congestion occurs. In particular, when providing real time video service, packet loss rate and bit error probability increase significantly. To solve these problems, a raptor code, which is one of FEC(Forward Error Correction) techniques, is pervasively used in the application layers as a method for improving real-time service quality. In this paper, we propose a method of determining image transmission parameters based on various deep neural networks to increase transmission efficiency at a similar level of image quality by using raptor codes. The proposed neural network uses the packet loss rate, video encoding rate and data rate as inputs, and outputs raptor FEC parameters and packet sizes. The results of the proposed method present that the throughput is 1.2% higher than that of the existing multimedia transmission technique by optimizing the transmission efficiency at a PSNR(Peak Signal-to-Noise Ratio) level similar to that of the existing technique.

주제어

표/그림 (10)

그림 그림 1. 랩터코드 구조 Fig. 1. Raptor code structure
그림 그림 2. 기존 멀티미디어 전송 기법 구조 Fig. 2. Existing multimedia transmission technique structure
그림 그림 3. AL-FEC 파라미터(s,k,c) 결정 방법 Fig 3. AL-FEC s, k, c parameter determination process
그림 그림 4. 기존 DNN(32-32-16-16) 적용 구조 Fig. 4. Existing DNN application structure
그림 그림 5. DNN 제안 구조 Fig. 5. DNN proposal structure
표 표 1. 비디오 인코딩율, 전송속도, 패킷 손실율 시험 범위/단위 간격 Table 1. Test range/unit steps in the video encoding rate, data rate, and packet loss rate
그림 그림 6. 심볼 크기/심볼 개수/패킷 크기의 Training 및 Testing MSE Fig. 6. Training and testing performance on mean squared error (MSE) for symbol size (s), symbol number (k), and packet size (p) along the number of epochs
표 표 2. 다양한 계층 및 뉴론 수에 따른 testing dataset의 MSE 성능 Table 2. MSE performance on the testing dataset under various model parameter conditions.
표 표 3. 기존 멀티미디어 전송 기법과 제안 DNN구조의 성능 비교 결과 Table 3. Performance of existing multimedia transport technique and the proposed DNN structure
그림 그림 7. 기존 멀티미디어 전송 기법과 제안 DNN구조의 PSNR 성능 비교 Fig. 7. PSNR performance comparison between the existing multimedia transport technique and proposed DNN structure

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 비디오 품질 및 비디오 전송 효율을 최적화하기 위한 16-16-8-8 DNN 기반 전송 파라미터 추정 방법을 제안하였다. 기존의 멀티미디어 전송 기법에서는 패킷 크기가 고정된 상태에서 랩터 FEC의 파라미터가 결정되었다.
본 논문에서는 패킷 손실, 전송 대역폭 및 비디오 인코딩 속도가 변경될 때 PSNR을 보장하는 범위 내에서 최대 스루풋(throughput)을 도출하는데 중점을 둔다. 또한, MPEG-4, H-264와 같은 고효율 압축 기술과 WiMAX 및 LTE와 같은 전송 트래픽을 증가시키는 무선 기술과 달리 패킷 크기와 랩터 FEC 파라미터를 적응적으로 결정하여 전송효율을 최대화하는 DNN 구조를 제안한다.
또한, 응용계층에서 생성되는 비디오 인코딩율을 일정하게 고정하였다. 이를 보완하기 위해 본 논문에서는 DNN 입력 파라미터로 패킷 손실율 및 전송속도 뿐만 아니라 실시간으로 변화하는 비디오 인코딩율을 고려하여 최적의 DNN 구조 도출 및 전송 효율을 최대화 한다.

가설 설정

이는 실제 스루풋(throughput) 성능에는 영향이 미비하므로 두 알고리즘의 수행시간의 차이는 스루풋(throughput) 도출 시 고려하지 않았다. 본 논문의 MATLAB 시뮬레이션에서 적용한 오류 확률은 균등 랜덤 분포(uniform random distribution)이며, 송신측에서는 CSI(Channel State Information)를 기반으로 획득된 패킷 손실율을 다음 랩터 인코딩 블록 생성 시 반영하는 것으로 가정하였다. 단, 실제 환경에서는 적용되는 모뎀 특성에 따라 송신측으로 전달되는 패킷 손실율 주기 및 랩터인코딩 적용 시점이 달라 스루풋(throughput)의 차이는 발생할 여지가 있다.

제안 방법

(2, 4, 8)개의 계층 수와 (128, 64, 32, 16, 8, 4)의 각 계층에 대한 뉴론의 수에 대해 실험을 수행하였다. 일반적인 DNN 구조는 하위 계층에서 상위 계층으로 갈수록 차원이 축소(dimensionality reduction)된다^[13][14][15].
DNN 구조는 어플리케이션에 의해 제공되는 비디오 인코딩율, 네트워크 계층에 의해 제공되는 전송속도 및 패킷 손실율 기반으로 다중의 DNN 계층으로 구성된다. DNN 기반 영상전송기법은 다양한 비디오 인코딩율, 데이터 전송속도 및 패킷 손실을 적용하여 기존 멀티미디어 전송 기법과의 PSNR 및 스루풋(throughput) 성능을 비교 분석한다. 또한, 광범위한 테스트를 통해 멀티미디어 전송 효율의 극대화를 위한 최적의 DNN 구조를 도출한다.
k = 5로 설정하여 총 5700개의 데이터에서 80%는 Training set, 20%는 Testing set으로 활용하였다. 교차 검증 시에는 Testing set이 중복되지 않도록 5개의 set으로 분류하여 테스트를 수행하였다. 각 Testing set에서 예측한 심볼 크기, 심볼 개수, 패킷 크기를 기반으로 스루풋(throughput)을 산정한다.
각 Testing set에서 예측한 심볼 크기, 심볼 개수, 패킷 크기를 기반으로 스루풋(throughput)을 산정한다. 그리고 기존 멀티미디어 전송 기법의 스루풋(throughput)은 k-폴드 교차 검증 수행 시 분류된 Testing set의 패킷손실율과 전송속도, 비디오 인코딩율 기준으로 패킷 크기(16/32/64/128byte)를 고정하여 각각 산정하였다.
기존 멀티미디어 전송 기법은 리눅스 기반의 C언어로 동작하여 파라미터를 도출하고, 제안한 심층 신경망은 MATLAB을 통해 파라미터를 결정한다. 동일한 환경에서 성능 비교/분석을 수행하지는 않았지만, 하나의 인코딩 블록 기준으로 두 환경의 파라미터 결정 알고리즘 수행시간차이가 30ms 이하로 확인된다.
기존의 멀티미디어 전송 기법에서는 패킷 크기가 고정된 상태에서 랩터 FEC의 파라미터가 결정되었다. 기존 멀티미디어 전송 기법의 단점을 극복하기 위해 비디오 인코딩율, 데이터 전송속도 및 패킷 손실율에 따라 적절한 패킷 크기를 선택하여 스루풋(throughput)을 개선한 DNN 구조를 도출하였다. 광범위한 테스트 데이터 분석 및 시뮬레이션을 통해 DNN 구조는 기존 멀티미디어 전송 기법 대비 스루풋(throughput)이 1.
제안된 DNN 아키텍처는 스루풋(throughput)을 최대화하기 위해 패킷 크기와 랩터 FEC 파라미터를 모두 최적화하였다. 기존의 멀티미디어 전송 기법에서 랩터 FEC 파라미터는 고정된 패킷 크기를 갖는 패킷 손실율, 전송속도 및 비디오인코딩율에 따라 결정되는 반면, 제안된 DNN 구조는 학습된 데이터 베이스 기반으로 하여 패킷 크기 및 FEC 파라미터를 적응적으로 결정한다. 기존 멀티미디어 전송 기법 대비 패킷 크기를 가변함으로써 1개의 랩터 인코딩 블록 생성 시 송신 가능한 전송속도에 최대한으로 근접한 랩터 인코딩 블록 크기로 생성이 가능하기 때문이다.
264를 사용하며 1GOP(Group Of Picture)는 25개의 프레임(IFrame : 1EA, P-Frame : 24EA)으로 구성된다. 네트워크 전송속도와 패킷 손실율은 네트워크 에뮬레이터를 활용하여 환경을 모사하였고, 비디오 인코딩율은 FFmpeg으로 변화를 주었다. AL-FEC 인코딩 블록은 32KB로 고정하고 수신단 버퍼 사이즈는 800ms 이하로 설정하였다.
본 논문에서는 패킷 손실, 전송 대역폭 및 비디오 인코딩 속도가 변경될 때 PSNR을 보장하는 범위 내에서 최대 스루풋(throughput)을 도출하는데 중점을 둔다. 또한, MPEG-4, H-264와 같은 고효율 압축 기술과 WiMAX 및 LTE와 같은 전송 트래픽을 증가시키는 무선 기술과 달리 패킷 크기와 랩터 FEC 파라미터를 적응적으로 결정하여 전송효율을 최대화하는 DNN 구조를 제안한다. 딥 러닝 기반 RNN 또는 CNN 기술은 이미지 복원 또는 추적 분야에서 널리 사용되지만, 트래픽 전송 측면에서 응용 및 네트워크 계층 정보를 활용한 DNN 구조는 많지 않다.
DNN 기반 영상전송기법은 다양한 비디오 인코딩율, 데이터 전송속도 및 패킷 손실을 적용하여 기존 멀티미디어 전송 기법과의 PSNR 및 스루풋(throughput) 성능을 비교 분석한다. 또한, 광범위한 테스트를 통해 멀티미디어 전송 효율의 극대화를 위한 최적의 DNN 구조를 도출한다.
기존 DNN 기반 영상전송기법은 출력 파라미터 대비 입력 파라미터 개수가 적어 DNN 성능 최적화의 한계가 있다. 또한, 응용계층에서 생성되는 비디오 인코딩율을 일정하게 고정하였다. 이를 보완하기 위해 본 논문에서는 DNN 입력 파라미터로 패킷 손실율 및 전송속도 뿐만 아니라 실시간으로 변화하는 비디오 인코딩율을 고려하여 최적의 DNN 구조 도출 및 전송 효율을 최대화 한다.
일반적인 DNN 구조는 하위 계층에서 상위 계층으로 갈수록 차원이 축소(dimensionality reduction)된다^[13][14][15]. 본 논문도 마찬가지로 계층이 상위로 갈수록 뉴론의 수가 감소하는 형태로 모델을 구성하였다. 표 2는 다양한 모델 파라미터에 대한 테스트 데이터셋에서의 MSE 성능을 제시한다.
표 2는 다양한 모델 파라미터에 대한 테스트 데이터셋에서의 MSE 성능을 제시한다. 본 논문에서는 표 2의 결과를 기반으로 MSE 최소화 관점에서(16-16-8-8) DNN 구조를 최종 제안 모델로 선택하였다.
테스트를 통해 추출한 5,700개의 샘플 중 학습셋으로 4,560개, 테스트셋으로 1,140개를 활용한다. 시뮬레이션을 위해 제안된 DNN 구조를 MATLAB 기반 딥 러닝 라이브러리에서 구현하였다. 이때, 비디오 인코딩율은 FFmpeg에서 실시간으로 변화하는 영상 인코딩율을 적용하였고, 전송속도 및 패킷 손실율은 MATLAB의 runif(n, min, max) 함수를 이용하여 균등 랜덤 분포(uniform random distruibution)를 반영하였다.
∈R는 완전 연결 계층의 모델 파라미터로 학습을 통해 결정된다. 우리는 광범위한 실험을 통해 최적의 심층신경망 파라미터/계층의 계수를 결정하였다.
시뮬레이션을 위해 제안된 DNN 구조를 MATLAB 기반 딥 러닝 라이브러리에서 구현하였다. 이때, 비디오 인코딩율은 FFmpeg에서 실시간으로 변화하는 영상 인코딩율을 적용하였고, 전송속도 및 패킷 손실율은 MATLAB의 runif(n, min, max) 함수를 이용하여 균등 랜덤 분포(uniform random distruibution)를 반영하였다. 제안 방법의 학습을 위해 ADAM 최적화 방법을 사용하였고^[12], 총 500번 세대(epoch)만큼 학습을 수행하였다.
1개의 인코딩 블록 기준으로 패킷 크기, 심볼 크기, 심볼 개수 조합은 반복연산 방식을 통해 결정되므로 시스템 연산에 부하가 클 것으로 판단된다. 이를 위해 본 논문에서는 심층 신경망 구조를 적용하여 인코딩 블록에서 학습된 데이터 기반으로 패킷 크기, 심볼 크기, 심볼개수를 동적으로 변화하여 전송효율을 최대화한다.
각 파라미터 값의 동적 범위가 다르면, 결과적으로 비용함수를 최적화 시 각 파라미터 마다 다른 가중값을 가지게 된다. 이를 해결하기 위해 로그(log) 스케일로 치환된 s, k, p 값에 대해 학습을 수행하였다.
입력 파라미터는 비디오 인코딩율와 패킷 손실율, 전송속도이며, 출력값은 랩터 인코딩 심볼 크기(s), 심볼 개수(k), 패킷 크기(p)이다. 제안 방법은 완전 연결 계층(fully connected layer)로 구성되며, 비선형성 확보를 위해 각각의 완전 연결 계층의 출력이 ReLU(Rectified Liner Unit)를 통과하도록 한다^[11]. ReLU는 음수 입력값을 0으로 맴핑하고 그렇지 않은 입력값은 그대로 통과 시키는 맵핑 함수이다.
이때, 비디오 인코딩율은 FFmpeg에서 실시간으로 변화하는 영상 인코딩율을 적용하였고, 전송속도 및 패킷 손실율은 MATLAB의 runif(n, min, max) 함수를 이용하여 균등 랜덤 분포(uniform random distruibution)를 반영하였다. 제안 방법의 학습을 위해 ADAM 최적화 방법을 사용하였고^[12], 총 500번 세대(epoch)만큼 학습을 수행하였다. 학습률(learning rate)은 0.
제안된 DNN 구조를 적용하면 기존의 멀티미디어 전송 기법에 비해 스루풋(throughput)이 향상되었다. 제안된 DNN 아키텍처는 스루풋(throughput)을 최대화하기 위해 패킷 크기와 랩터 FEC 파라미터를 모두 최적화하였다. 기존의 멀티미디어 전송 기법에서 랩터 FEC 파라미터는 고정된 패킷 크기를 갖는 패킷 손실율, 전송속도 및 비디오인코딩율에 따라 결정되는 반면, 제안된 DNN 구조는 학습된 데이터 베이스 기반으로 하여 패킷 크기 및 FEC 파라미터를 적응적으로 결정한다.
제안한 DNN 구조의 계층 수와 모델 파라미터를 변경하는 광범위한 테스트를 통해 최적의 모델 파라미터를 찾는다. 테스트를 통해 추출한 5,700개의 샘플 중 학습셋으로 4,560개, 테스트셋으로 1,140개를 활용한다.

대상 데이터

제안한 (32-32-16-16) DNN 구조의 성능을 평가하기 위해 k-폴드 교차 검증(k-fold cross validation)을 수행하였다. k = 5로 설정하여 총 5700개의 데이터에서 80%는 Training set, 20%는 Testing set으로 활용하였다. 교차 검증 시에는 Testing set이 중복되지 않도록 5개의 set으로 분류하여 테스트를 수행하였다.
제안하는 DNN 구조를 검증하기 위해서는 기존 멀티미디어 전송 기법의 광범위한 결과가 필요하다. 전체 데이터 샘플을 추출하기 위해 안드로이드 임베디드 보드인 ODROID-U3를 사용하였다. 비디오 컨텐츠는 800x480 해상도, 25 프레임율을 적용하였다.
제안한 DNN 구조의 계층 수와 모델 파라미터를 변경하는 광범위한 테스트를 통해 최적의 모델 파라미터를 찾는다. 테스트를 통해 추출한 5,700개의 샘플 중 학습셋으로 4,560개, 테스트셋으로 1,140개를 활용한다. 시뮬레이션을 위해 제안된 DNN 구조를 MATLAB 기반 딥 러닝 라이브러리에서 구현하였다.

데이터처리

제안한 (32-32-16-16) DNN 구조의 성능을 평가하기 위해 k-폴드 교차 검증(k-fold cross validation)을 수행하였다. k = 5로 설정하여 총 5700개의 데이터에서 80%는 Training set, 20%는 Testing set으로 활용하였다.
학습 시 미니 배치의 크기는 32로 설정하였다. 학습을 위한 비용 함수는 예측된 \((\hat{s},\hat{k},\hat{p})\)와 실제 값 s,k,p간 평균 자승 오차(Mean Squared Error; MSE)를 사용하였다. (7)는 비용함수(J)의 수식적 표현이다.

이론/모형

이때, # 는 최대로 허용 가능한 AL-FEC(Application Layer-Forward Error Correction) 디코딩 실패율이며, φ^dec는 현재 AL-FEC 디코딩 실패율이다. AL-FEC 디코딩 실패율 계산은 이항 분포(Binomial Distribution)를 활용한다.
정의한 문제의 해를 찾기 위해 전역 탐색 기반의 알고리즘을 사용한다. 즉, 알고리즘에서는 사용 가능한 (s,k)의 조합을 생성하고, 이 조합 내에서 스루풋(throughput)을 최대화하는 (s,k) 그리고 c를 탐색한다.

성능/효과

결론적으로 기존 멀티미디어 전송 기법에서는 패킷 크기를 고정하여 파라미터를 결정하고, 심층 신경망 구조에서는 학습기반 데이터로 패킷 크기 및 랩터 FEC 파라미터(심볼 크기, 심볼 개수)를 적응적으로 결정한다.
기존 멀티미디어 전송 기법의 단점을 극복하기 위해 비디오 인코딩율, 데이터 전송속도 및 패킷 손실율에 따라 적절한 패킷 크기를 선택하여 스루풋(throughput)을 개선한 DNN 구조를 도출하였다. 광범위한 테스트 데이터 분석 및 시뮬레이션을 통해 DNN 구조는 기존 멀티미디어 전송 기법 대비 스루풋(throughput)이 1.2% 향상됨을 확인하였다. 다시 말해서 제안된 방법은 동일한 네트워크 대역폭에서 유사한 레벨의 PSNR로 더 많은 비디오 데이터를 전송할 수 있다.
2% 향상됨을 확인하였다. 다시 말해서 제안된 방법은 동일한 네트워크 대역폭에서 유사한 레벨의 PSNR로 더 많은 비디오 데이터를 전송할 수 있다. 하지만, 이미 기존 멀티미디어 전송 방법이 최적에 가까운 성능을 도출하기에 DNN이 향상시킬 수 있는 성능이 많지 않다고 판단된다.
주파수 자원은 제한되어 있고 최근 트래픽 양은 증가하는 상황에서 대역폭을 효율적으로 사용하는 것이 중요하다. 따라서 제안된 방법을 적용하면 네트워크 리소스가 제한되거나 트래픽 환경이 정체된 경우 비디오 전송을 보다 효율적으로 향상시킬 수 있다. 향후 연구에서는 입력 파라미터를 추가한 제안 DNN 알고리즘 및 웨이브폼을 실장비에 탑재하고, 네트워크 채널 변경에 따른 패킷 손실을 반영하여 TTF(Time to Failure)를 분석하도록 하겠다.
또한, 제안된 신경망 구조에서의 PSNR은 기존의 멀티미디어 전송 기법과 비교하여 약간의 성능 차이를 보여준다. DNN 구조에서 PSNR이 떨어지는 경우는 잘못된 조합을 선택하여 랩터 디코딩이 실패한 경우로 보여진다.
제안된 DNN 구조를 적용하면 기존의 멀티미디어 전송 기법에 비해 스루풋(throughput)이 향상되었다. 제안된 DNN 아키텍처는 스루풋(throughput)을 최대화하기 위해 패킷 크기와 랩터 FEC 파라미터를 모두 최적화하였다.

후속연구

제안하는 DNN 구조를 검증하기 위해서는 기존 멀티미디어 전송 기법의 광범위한 결과가 필요하다. 전체 데이터 샘플을 추출하기 위해 안드로이드 임베디드 보드인 ODROID-U3를 사용하였다.
이는 패킷 크기 및 랩터 인코딩 파라미터 예측을 위한 충분한 입력정보가 제공되지 않은 DNN 모델의 한계라고 판단된다. 추후, DNN 입력 파라미터로 SNR(Signal to Noise Ratio, RSSI(Received Signal Strength Indicator) 등 무선채널환경을 보다 정확하게 반영할 수 있는 값을 활용하면 잘못된 조합을 개선할 수 있다고 본다. 주파수 자원은 제한되어 있고 최근 트래픽 양은 증가하는 상황에서 대역폭을 효율적으로 사용하는 것이 중요하다.
따라서 제안된 방법을 적용하면 네트워크 리소스가 제한되거나 트래픽 환경이 정체된 경우 비디오 전송을 보다 효율적으로 향상시킬 수 있다. 향후 연구에서는 입력 파라미터를 추가한 제안 DNN 알고리즘 및 웨이브폼을 실장비에 탑재하고, 네트워크 채널 변경에 따른 패킷 손실을 반영하여 TTF(Time to Failure)를 분석하도록 하겠다.

질의응답

핵심어	질문	논문에서 추출한 답변
	실시간 영상 서비스 제공 시의 문제점을 해결하기 위해 사용되는 것은?	특히 실시간 영상 서비스를 제공 시 패킷 손실 및 비트 오류 확률이 더 크게 증가한다. 이러한 문제를 해결하기 위해 실시간 서비스 품질향상을 위한 방법으로 FEC 기술의 한 종류인 랩터 코드가 어플리케이션 영역에서 활발히 사용되고 있다. 본 논문에서는 랩터 코드를 활용하여 유사한 수준의 화질에서 전송 효율을 높이기 위한 다양한 심층 신경망(Deep Neural Network, DNN) 기반 영상전송 파라미터를 결정하는 방법을 제안한다.
	랩터 코드란?	일반적으로 비디오 전송 기술에 사용되는 응용계층에서의 FEC는 체계적인 특성을 가진 랩터 코드이다. 랩터 코드는 체계적인 코딩, 유연성, 코딩 효율성 및 속도를 제공하는 블록 기반의 FEC 기술이며, 이를 기반으로 다양한 영상 스트리밍 기술들이 연구되어 왔다.
	실시간 영상 서비스 제공 시 문제점은?	고품질 비디오 스트리밍 요구에 따라 제한된 대역폭에서 높은 전송률이 필요하고, 트래픽 혼재 상황이 더 발생한다. 특히 실시간 영상 서비스를 제공 시 패킷 손실 및 비트 오류 확률이 더 크게 증가한다. 이러한 문제를 해결하기 위해 실시간 서비스 품질향상을 위한 방법으로 FEC 기술의 한 종류인 랩터 코드가 어플리케이션 영역에서 활발히 사용되고 있다.

참고문헌 (16)

Cisco. White Paper, "Cisco VNI Forecast and Methodology," 2015-2020.
SANTOS-GONZALEZ,Ivan, et al.Implementation and analysis of real-time streaming protocols. Sensors, 2017, 17.4: 846.

상세보기
Kwon, Oh Chan, Yunmin Go, and Hwangjun Song. "An Energy-Efficient Multimedia Streaming Transport Protocol Over Heterogeneous Wireless Networks." IEEE Trans. Vehicular Technology 65.8 (2016): 6518-6531.

상세보기
Motorola White Paper, "Realistic LTE Performance from Peak Rate to Subscriber Experience," 2009.
M. Luby, "LT codes," in Proceedings of the Annual Symposium on Foundations of Computer Science, pp. 271-280, 2002.
A. Shokrollahi, "Raptor codes," IEEE Tr. on Information Theory, Vol. 52, No. 6, pp. 2551-2567, June, 2006.

상세보기
O. C. Kwon and H. J. Song, Raptor Codes-based Multipath Multimedia Transport Protocol over Wireless Networks, Proceedings of the Korea Information Science Society Conference, 1243-1245, 2014
GO, Yunmin; SONG, Hwangjun. Raptor codes-based energy-efficient screen mirroring system. In: Visual Communications and Image Processing (VCIP), 2016. IEEE, 2016. p. 1-4.
KWON, Oh Chan, et al. MPMTP: Multipath multimedia transport protocol using systematic Raptor codes over wireless networks. IEEE Transactions on Mobile Computing, 2015, 14.9: 1903-1916.

상세보기
Jong-Man Lee, (2018). A New Parameter Determination Method for Image Transmission protocol Using Deep Neural Network. Journal of the Institue of Electronics Engineers, 55(1), 30-36.
Nair, Vinod, and Geoffrey E. Hinton. "Rectified linear units improve restricted boltzmann machines." Proceedings of the 27th international conference on machine learning (ICML-10). 2010.
Kingma, Diederik, and Jimmy Ba. "Adam: A method for stochastic optimization.", Published as a conference paper at the 3rd International Conference for Learning Representations, San Diego, 2015
Y. Bengio, A. Courville, and P. Vincent., "Representation Learning: A Review and New Perspectives," IEEE Trans. PAMI, special issue Learning Deep Architectures, 2013
J. Schmidhuber, "Deep Learning in Neural Networks: An Overview", Neural Networks, Vol 61, pp 85-117, Jan 2015

상세보기
I. J. Kim, Deep Learning: A new trend in machine learning. Journal of the Korean Institute of Communication Sciences (Information and Communication), 31 (11), 52-57, 2014
Csaji, Balazs Csanad. "Approximation with artificial neural networks." Faculty of Sciences, Etvs Lornd University, Hungary 24.48 (2001)

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