[논문]글꼴 유사도 판단을 위한 Faster R-CNN 기반 한글 글꼴 획 요소 자동 추출

전자연; 박동연; 임서영; 지영서; 임순범

doi:10.9717/kmms.2020.23.8.953

글꼴 유사도 판단을 위한 Faster R-CNN 기반 한글 글꼴 획 요소 자동 추출
Automatic Extraction of Hangul Stroke Element Using Faster R-CNN for Font Similarity 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.23 no.8, 2020년, pp.953 - 964

전자연 (Dept. of IT Engineering, Graduate School, Sookmyung Women's University) , 박동연 (Dept. of IT Engineering, Sookmyung Women's University) , 임서영 (Dept. of IT Engineering, Sookmyung Women's University) , 지영서 (Dept. of IT Engineering, Sookmyung Women's University) , 임순범 (Dept. of IT Engineering and Research Institute of ICT Convergence, Sookmyung Women's University)

Abstract ▼ AI-Helper

Ever since media contents took over the world, the importance of typography has increased, and the influence of fonts has be n recognized. Nevertheless, the current Hangul font system is very poor and is provided passively, so it is practically impossible to understand and utilize all the shape characteristics of more than six thousand Hangul fonts. In this paper, the characteristics of Hangul font shapes were selected based on the Hangul structure of similar fonts. The stroke element detection training was performed by fine tuning Faster R-CNN Inception v2, one of the deep learning object detection models. We also propose a system that automatically extracts the stroke element characteristics from characters by introducing an automatic extraction algorithm. In comparison to the previous research which showed poor accuracy while using SVM(Support Vector Machine) and Sliding Window Algorithm, the proposed system in this paper has shown the result of 10 % accuracy to properly detect and extract stroke elements from various fonts. In conclusion, if the stroke element characteristics based on the Hangul structural information extracted through the system are used for similar classification, problems such as copyright will be solved in an era when typography's competitiveness becomes stronger, and an automated process will be provided to users for more convenience.

주제어

표/그림 (19)

그림 Fig. 1. Region Proposal Network (RPN)[8].
그림 Fig. 2. Inception module with dimension reductions[12].
표 Table 1. Font design features from prior research[7]
그림 Fig. 3. Structure of Hangul characters: stroke elements, skeleton and spacing.
그림 Fig. 4. Stroke elements of Hangul.
그림 Fig. 5. Characteristics of stroke elements in representative Hangul fonts for similarity.
표 Table 2. Font characteristics of the first evaluation
그림 Fig. 6. Performance comparison of deep learning object detection models (Faster R-CNN, YOLO, SSD) [21].
표 Table 3. Font characteristics of the 2nd evaluation
표 Table 4. Development environment
그림 Fig. 7. System flow diagram.
그림 Fig. 8. Using the LabelImg to generate stroke element data to be training.
그림 Fig. 9. Average loss graph of stroke element detection learning.
그림 Fig. 10. Result of automatic extraction of stroke ele-ments.
그림 Fig. 11. Execution data set consisting of various fonts.
표 Table 5. Step and loss for each stroke element detection
표 Table 6. Automatic stroke element extraction algorithm
표 Table 8. Result of stroke element detection training using Faster R-CNN Inception v2 model
표 Table 7. Training set and execution set of stroke element detection training using Faster R-CNN Inception v2 model

AI 본문요약
AI-Helper

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

문제 정의

정확하고 세밀한 판단을 위해 글자 전체 이미지가 아닌 한글 구조 정보를 기반으로 글꼴 유사 분류를 하는 시스템을 구축하고자 한다. 따라서 본 논문에서는 글자의 획요소 특성을 기준으로 대표적인 한글 글꼴 모양 특성을 선정하고 이를 유사 분류에 사용할 수 있도록 글자에서 한글 글꼴 모양 특성을 자동으로 추출하는 시스템을 제안한다.
본 논문에서는 글꼴 유사 분류를 위해서 한글 구조 정보를 기반으로 대표적인 한글 글꼴 모양의 특성을 선정하고 딥러닝 객체 검출 모델 중 하나인 Faster R-CNN inception v2를 파인 튜닝하여 획요소 객체 검출 학습을 진행한 후 자동 추출 알고리즘을 도입하여 글자에서 획요소 특성을 자동으로 추출하는 시스템을 제안하였다.
본 논문에서는 글자의 구조 정보를 기반으로 유사 분류를 하기 위해 글꼴을 구성하는 특징 요소 중 획요소를 글자에서 자동으로 추출하고자 한다. 먼저 선행 연구[7]를 기반으로 유사 분류에 사용될 대표적인 글꼴 특징 요소를 선정한다.
획요소는 ‘꺾임’, ‘맺음’, ‘내림’, ‘삐침’ 등으로 붓의 움직임에서 기인한 명칭으로 구성되어 있다. 선행 연구에서는 글꼴 윤곽선 중심으로 구성된 PANOSE[14]를 기반으로 모양 특성을 선정하였지만, 본 연구에서는 이와 달리 한글 구조 정보를 기반으로 하여 획요소(Stroke Element) 특성을 위주로 더 세밀하고 시각적 요소를 포함한 체계적 글꼴 유사 분류를 하고자 한다. 따라서 획요소를 기준으로 글꼴 유사를 위한 한글 글꼴 모양 특성을 선정하고자 하며, 선정된 획요소 특성이 글자에서 자동으로 추출되어 유사 분류 시에 사용될 것이다.
정확하고 세밀한 판단을 위해 글자 전체 이미지가 아닌 한글 구조 정보를 기반으로 글꼴 유사 분류를 하는 시스템을 구축하고자 한다. 따라서 본 논문에서는 글자의 획요소 특성을 기준으로 대표적인 한글 글꼴 모양 특성을 선정하고 이를 유사 분류에 사용할 수 있도록 글자에서 한글 글꼴 모양 특성을 자동으로 추출하는 시스템을 제안한다.

제안 방법

1차 평가를 통해 도출된 50개의 특성을 대상으로 두 번째 척도를 기준으로 2차 평가를 시행하였으며, 5점 리커트 척도를 사용하여 각 항목당 중요도 점수를 평가하여 측정하였다. 평가 결과, 4점 이상의 항목은 9개, 3점 이상의 항목은 20개, 2점 이상의 항목은 17개, 1점 이상의 항목은 4개로 도출되었다.
3.1절에서 정리한 75개의 특성 리스트는 디자이너 관점에서 선별 되어온 한글 글꼴 모양 특성이므로 이 중 컴퓨터 시스템 기반에서 측정할 수 있는 특성이면서 한글 글꼴 유사 분류로 사용될 수 있는 유의미한 특성을 선정하고자 한다. 따라서 폰트에 대해 전문적 지식을 보유하고 있는 폰트 업계 종사자 5명을 대상으로 하여 ‘컴퓨터 시스템 기반에서 이미지 및 파라미터를 통해서 측정할 수 있는 특성인가’와 ‘한글 글꼴 유사 분류를 할 때 중요하고 유의미한 특성인가’ 라는 두 평가 척도를 세워 한글 글꼴의 획요소 특성 평가를 실시하였다.
4절에서 딥러닝 객체 검출 모델을 기반으로 한글 획요소 특성을 자동으로 추출하는 시스템을 구현하였다. 시스템이 제대로 획요소를 추출하는 지 실행하고 평가하기 위해서 Faster R-CNN Inception v2를 파인 튜닝하여 학습한 모델을 기반으로 여러 글꼴에 대해 검출 과정을 시행하였다.
먼저 선행 연구[7]를 기반으로 유사 분류에 사용될 대표적인 글꼴 특징 요소를 선정한다. 그리고 딥러닝 모델 Faster R-CNN Inception 모듈을[8,9] 사용하여 글자 이미지에서 획요소 특성을 검출하는 학습(Object Detection)을 진행하고자 한다. 최종적으로 제안하는 추출 알고리즘을 파인 튜닝(Fine-Tuning) 학습을 통해 검출된 글꼴 획요소에 적용함으로써 글꼴 유사 분류를 위한 한글 글꼴 획요소 특성 자동 추출 시스템을 제안하고자 한다.
딥러닝 객체 검출 모델을 통해 검출된 획요소를 글꼴 유사 분류 과정에서 사용하기 위해서는 검출된 객체가 글자 이미지에서 추출되어야 하는 과정이 필요하다. 따라서 검출된 획요소 영역에서 xmin, ymin, xmax, ymax의 좌표 값을 추출하고 해당 좌표 값의 영역 박스를 글자 이미지에서 잘라내는(Crop) 획요소 자동 추출 알고리즘을 고안하였다. 검출된 획요소를 추출할 때의 기준은 99% 이상의 정확도를 가진 영역으로 정하였으며 99% 이상의 영역이 다수일 경우 넘버링을 통해 모든 획요소가 추출될 수 있도록 알고리즘을 설계하였다.
따라서 폰트에 대해 전문적 지식을 보유하고 있는 폰트 업계 종사자 5명을 대상으로 하여 ‘컴퓨터 시스템 기반에서 이미지 및 파라미터를 통해서 측정할 수 있는 특성인가’와 ‘한글 글꼴 유사 분류를 할 때 중요하고 유의미한 특성인가’ 라는 두 평가 척도를 세워 한글 글꼴의 획요소 특성 평가를 실시하였다.
1절의 선행연구를 바탕으로 Serif 계열 6종과 Sans-Serif 계열 7종 총 13종을 선별하였다. 또한 굵기별로도 Light, Medium, Bold로 구분하여 다양한 실행 데이터 세트를 구축하였다. 검출된 획요소 영역은 박스 모양으로 표시하였고, 해당 영역이 획요소일 확률인 점수 값은 99%로 하여 그 이상의 정확도를 가진 획요소만 검출되게 하였으며 검출 영역에 해당 획요소 이름과 점수 값이 표시되도록 객체 검출 프로그램을 구현하였다.
본 논문에서는 딥러닝 객체 검출 모델 중 Faster R-CNN Inception v2 모델을 파인 튜닝(Fine-Tuning)하여 한글 글꼴 획요소를 검출하고 추출 알고리즘을 도입해 한글 글꼴 획요소 특성을 자동으로 추출한다. Faster R-CNN은 YOLO(You Look Only Once)[19], SSD(Single Shot Detector)[20] 등의 다른 객체 검출 모델(Object Detection) 중에서 가장 높은 정확도를 가지며 특히 작은 객체를 검출하는 데 있어 강하다는 특징을 지닌다.
4절에서 딥러닝 객체 검출 모델을 기반으로 한글 획요소 특성을 자동으로 추출하는 시스템을 구현하였다. 시스템이 제대로 획요소를 추출하는 지 실행하고 평가하기 위해서 Faster R-CNN Inception v2를 파인 튜닝하여 학습한 모델을 기반으로 여러 글꼴에 대해 검출 과정을 시행하였다. 글꼴은 한국정보통신기술협회 한글 글꼴 모양 분류체계 표준과 3.
이미 학습되어있는 Faster R-CNN inception v2 모델을 사용하였으므로 해당 모델을 로드하여 가공한 획요소 데이터를 넣어 학습을 진행하는 파인 튜닝(Fine-Tuning) 과정을 진행한다. 이는 딥러닝 프레임워크 Tensorflow Object Detection API를 이용하여 진행되었다.
75개의 특성들은 ‘굵기 관련’, ‘기울기’, ‘홑자, 닿자’, ‘간격, 공간’, ‘돌기/부리’, ‘굴림, 접축’, ‘맺음’, ‘윤곽’, ‘재질’의 모양 카테고리로 구분되어 정리되었다. 정리한 75개의 특성 리스트를 대상으로 K-means 군집 분석과 PCA(Principal Component Analysis) 분석을 수행하여 통계적으로 분석한 뒤, WWW 문서의 표준이자 영문 글꼴 모양 특성의 대표 연구인 PANOSE[14]와 비교하여 Table 1과 같은 한글 고유의 특성을 지닌 한글 글꼴 모양을 구분 짓는 대표 특성을 선정하였다.
정형 글꼴에 대한 기준은 주관적이므로 상대적으로 글꼴을 자주 사용하는 20대 중 글꼴 디자인에 관심 있는 15명을 대상으로 수집한 글꼴에 대하여 정형 글꼴인지 비정형글꼴인지에 대한 평가를 5점 리커트 척도로 시행하였다. 평가결과, 점수 척도에 따라 세 그룹으로 나누었고, 정형에 가깝다고 생각되는 첫 번째 그룹에는 86종의 글꼴, 디자인에 가깝다고 생각되는 세 번째 그룹에는 123종의 글꼴, 그 중간 값인 두 번째 그룹에는 84종의 글꼴로 구분되었다.
제안된 시스템은 리눅스 운영체제 상에서 딥러닝 프레임워크 Tensorflow Object Detection API를 이용하여 구현하였다. 버전 등의 더 자세한 개발환경은 Table 4에 표시한다.
그리고 딥러닝 모델 Faster R-CNN Inception 모듈을[8,9] 사용하여 글자 이미지에서 획요소 특성을 검출하는 학습(Object Detection)을 진행하고자 한다. 최종적으로 제안하는 추출 알고리즘을 파인 튜닝(Fine-Tuning) 학습을 통해 검출된 글꼴 획요소에 적용함으로써 글꼴 유사 분류를 위한 한글 글꼴 획요소 특성 자동 추출 시스템을 제안하고자 한다.
파이썬 이미징 라이브러리 Pillow를 이용하여 선정한 글꼴에서 획요소 특성을 추출할 글자들을 jpg 형식의 이미지 데이터로 변환하였으며, 글자 이미지를 대상으로 LabelImg 툴[23]을 사용하여 Fig. 8과 같이 획요소 영역을 지정하여 xml 형식의 파일로 저장하였다. 이 작업을 통해 학습하고자 하는 획요소 특성 데이터를 생성하였다.

대상 데이터

먼저 ‘컴퓨터 시스템 기반에서 자동으로 측정할 수 있는 특성인가’라는 첫 번째 척도를 기준으로 시행한 1차 평가에서는 Table. 2와 같이 75개의 특성에서 25개의 특성이 제외되어 총 50가지의 항목이 도출되었다.
각 획요소별로 검출 학습을 진행하였으며 글자 이미지의 크기는 256×256으로 지정하였다. 그래픽카드 Titan XP 기준으로 로스율이 0.05 아래로 확연히 감소될 때까지 1시간동안 40,000여번의 학습을 진행하였으며 평균 학습 횟수는 43,109번이다. 더 자세한 사항은 Table 5에서 확인할 수 있으며 전체 획요소 학습의 로스율 그래프는 Fig.
시스템이 제대로 획요소를 추출하는 지 실행하고 평가하기 위해서 Faster R-CNN Inception v2를 파인 튜닝하여 학습한 모델을 기반으로 여러 글꼴에 대해 검출 과정을 시행하였다. 글꼴은 한국정보통신기술협회 한글 글꼴 모양 분류체계 표준과 3.1절의 선행연구를 바탕으로 Serif 계열 6종과 Sans-Serif 계열 7종 총 13종을 선별하였다. 또한 굵기별로도 Light, Medium, Bold로 구분하여 다양한 실행 데이터 세트를 구축하였다.
이 작업을 통해 학습하고자 하는 획요소 특성 데이터를 생성하였다. 데이터는 8가지의 획요소 당 170장으로 학습 데이터와 테스트 데이터는 80%와 20%로 비율을 나누어 구성하였다. 따라서 총 1,360장의 이미지 데이터 중 학습 데이터 1,088장, 테스트 데이터 272장이다.
데이터는 8가지의 획요소 당 170장으로 학습 데이터와 테스트 데이터는 80%와 20%로 비율을 나누어 구성하였다. 따라서 총 1,360장의 이미지 데이터 중 학습 데이터 1,088장, 테스트 데이터 272장이다.
선행 연구[7]에서는 글꼴 분류 및 검색, 추천 등의 다양한 한글 글꼴 서비스를 위해 국내외 글꼴 표준체계와 글꼴 디자인 전문가들의 연구 자료 등을 바탕으로 한글 글꼴 모양에 대한 속성을 추려 75개의 한글 글꼴 모양 특성 리스트를 정리하였다. 또한 한국정보통신기술협회(Telecommunication Technology Association)의 한글 글꼴 모양 분류체계와 ISO/IEC 국제표준단체의 영문 중심의 글꼴 모양 분류체계를 고려하였으며, 한글 글꼴의 모양에 대한 대표적인 연구들은 디자인 측면과 글꼴의 시대적 디자인 변화, 글꼴 디자인의 재산권 등 여러 방면에서 다양하게 다뤄진 논문들로 선정하였다.
두 번째 층은 명조체 계열 및 고딕체 계열의 정형화된 모양으로 이루어져 있는 정형 글꼴이며, 마지막 층은 감각적이고 예술적인 모양을 포함한 비정형 글꼴이다. 이 중 정형 글꼴 계층 수준에서 획요소 특성을 검출할 한글 글꼴을 선정하였으며 정형 글꼴에 가깝다고 판단되는 글꼴을 총 292종 수집하였다.
평가결과, 점수 척도에 따라 세 그룹으로 나누었고, 정형에 가깝다고 생각되는 첫 번째 그룹에는 86종의 글꼴, 디자인에 가깝다고 생각되는 세 번째 그룹에는 123종의 글꼴, 그 중간 값인 두 번째 그룹에는 84종의 글꼴로 구분되었다. 처음에 임의로 수집할 때 정형 글꼴이라 생각되는 글꼴을 수집하였기 때문에 첫 번째 그룹과 두 번째 그룹을 합하여 총 170종의 글꼴을 대상으로 획요소를 추출할 글자를 선정하였다.
학습 과정에서는 170개의 글꼴마다 8개의 획요소를 선별하여 총 1,360장의 데이터를 학습시켰으며, 실행 데이터 세트는 Fig. 11의 다양한 계열로 선정한 글꼴 13종에서 8개의 모든 획요소를 검출하도록 104장의 글자 이미지로 구성하였다. 학습결과, 구성한 104장의 글자 이미지에서 모두 정의한 영역대로 104개의 획요소가 정확히 검출되어 100%의 성공률을 보였다.

데이터처리

또한 굵기별로도 Light, Medium, Bold로 구분하여 다양한 실행 데이터 세트를 구축하였다. 검출된 획요소 영역은 박스 모양으로 표시하였고, 해당 영역이 획요소일 확률인 점수 값은 99%로 하여 그 이상의 정확도를 가진 획요소만 검출되게 하였으며 검출 영역에 해당 획요소 이름과 점수 값이 표시되도록 객체 검출 프로그램을 구현하였다.

이론/모형

Faster R-CNN은 YOLO(You Look Only Once)[19], SSD(Single Shot Detector)[20] 등의 다른 객체 검출 모델(Object Detection) 중에서 가장 높은 정확도를 가지며 특히 작은 객체를 검출하는 데 있어 강하다는 특징을 지닌다. 본 연구에서는 속도보다는 정확도가 매우 중요하며 글자 내에서 작은 객체인 획요소를 검출해야하므로 Faster R-CNN 모델을 사용하여 학습을 진행하였다.
이미 학습되어있는 Faster R-CNN inception v2 모델을 사용하였으므로 해당 모델을 로드하여 가공한 획요소 데이터를 넣어 학습을 진행하는 파인 튜닝(Fine-Tuning) 과정을 진행한다. 이는 딥러닝 프레임워크 Tensorflow Object Detection API를 이용하여 진행되었다. 각 획요소별로 검출 학습을 진행하였으며 글자 이미지의 크기는 256×256으로 지정하였다.

성능/효과

따라서 검출된 획요소 영역에서 xmin, ymin, xmax, ymax의 좌표 값을 추출하고 해당 좌표 값의 영역 박스를 글자 이미지에서 잘라내는(Crop) 획요소 자동 추출 알고리즘을 고안하였다. 검출된 획요소를 추출할 때의 기준은 99% 이상의 정확도를 가진 영역으로 정하였으며 99% 이상의 영역이 다수일 경우 넘버링을 통해 모든 획요소가 추출될 수 있도록 알고리즘을 설계하였다.
Faster R-CNN의 가장 큰 특징은 RPN(Region Proposal Networks)으로 이전 방식인 Selective Search 과정을 대신하여 추가되어 매우 큰 시간 절감의 효과를 보인다는 것이다. 따라서 Faster R-CNN은 객체 후보 영역을 검출하는 RPN 네트워크와 객체 후보의 특징을 추출하고 분류하는 Fast R-CNN 네트워크가 공유하여 이전 모델들에 비해 정확도와 속도가 눈에 띄게 향상되었다.
학습결과, 구성한 104장의 글자 이미지에서 모두 정의한 영역대로 104개의 획요소가 정확히 검출되어 100%의 성공률을 보였다. 따라서 글꼴 유사 분류에 사용될 획요소 영역은 제안된 시스템을 통해 글자에서 자동으로 추출되어 사용할 수 있음을 확인하였다.
시스템 평가 결과, Serif, Sans-Serif의 계열 및 Light, Medium, Bold의 굵기 등 다양한 글꼴에서 모두 획요소를 제대로 검출하고 추출하는 정확도 100%의 결과를 보였다. 해당 시스템을 더 보완하고 발전시키기 위해서는 추출된 데이터를 바탕으로 학습할 xml 형식의 획요소 데이터로 재생성하여 데이터 수를 늘려가 모델을 강화시키는 일종의 능동 학습 과정을 도입해도 큰 효과를 볼 것이라 생각한다.
1차 평가를 통해 도출된 50개의 특성을 대상으로 두 번째 척도를 기준으로 2차 평가를 시행하였으며, 5점 리커트 척도를 사용하여 각 항목당 중요도 점수를 평가하여 측정하였다. 평가 결과, 4점 이상의 항목은 9개, 3점 이상의 항목은 20개, 2점 이상의 항목은 17개, 1점 이상의 항목은 4개로 도출되었다.
정형 글꼴에 대한 기준은 주관적이므로 상대적으로 글꼴을 자주 사용하는 20대 중 글꼴 디자인에 관심 있는 15명을 대상으로 수집한 글꼴에 대하여 정형 글꼴인지 비정형글꼴인지에 대한 평가를 5점 리커트 척도로 시행하였다. 평가결과, 점수 척도에 따라 세 그룹으로 나누었고, 정형에 가깝다고 생각되는 첫 번째 그룹에는 86종의 글꼴, 디자인에 가깝다고 생각되는 세 번째 그룹에는 123종의 글꼴, 그 중간 값인 두 번째 그룹에는 84종의 글꼴로 구분되었다. 처음에 임의로 수집할 때 정형 글꼴이라 생각되는 글꼴을 수집하였기 때문에 첫 번째 그룹과 두 번째 그룹을 합하여 총 170종의 글꼴을 대상으로 획요소를 추출할 글자를 선정하였다.
11의 다양한 계열로 선정한 글꼴 13종에서 8개의 모든 획요소를 검출하도록 104장의 글자 이미지로 구성하였다. 학습결과, 구성한 104장의 글자 이미지에서 모두 정의한 영역대로 104개의 획요소가 정확히 검출되어 100%의 성공률을 보였다. 따라서 글꼴 유사 분류에 사용될 획요소 영역은 제안된 시스템을 통해 글자에서 자동으로 추출되어 사용할 수 있음을 확인하였다.

후속연구

한글 글자 구조는 획요소(Stroke Element)와 골격(Skeleton), 공간 정보(Spacing)로 이루어져 있다. 따라서 글자 전체의 이미지가 아닌 글꼴을 구성하는 특징 요소를 기준으로 분석한다면 더 나은 결과를 얻을 수 있을 것이다.
선행 연구에서는 글꼴 윤곽선 중심으로 구성된 PANOSE[14]를 기반으로 모양 특성을 선정하였지만, 본 연구에서는 이와 달리 한글 구조 정보를 기반으로 하여 획요소(Stroke Element) 특성을 위주로 더 세밀하고 시각적 요소를 포함한 체계적 글꼴 유사 분류를 하고자 한다. 따라서 획요소를 기준으로 글꼴 유사를 위한 한글 글꼴 모양 특성을 선정하고자 하며, 선정된 획요소 특성이 글자에서 자동으로 추출되어 유사 분류 시에 사용될 것이다.
따라서 본 논문에서 제안된 시스템을 통해 추출된 획요소 특성을 글꼴 유사 분류에 이용한다면 육 천종이 넘는 모든 한글 글꼴의 모양을 분석할 수 있게 될 것이다. 이를 통해 한글의 글꼴 모양을 분석하는 자동화 과정이 도입됨으로써 타이포그래피가 경쟁력인 시대에서 저작권 등의 문제가 해결될 것이며 사용자에게 매우 편리함을 선사할 것이다. 더 나아가 유사 분류 외에도 한글 글꼴 추천, 분류, 검색 등 여러 분야에서의 자동화된 서비스가 가능해져 한글 글꼴을 효율적으로 활용할 수 있게 될 것이다.
시스템 평가 결과, Serif, Sans-Serif의 계열 및 Light, Medium, Bold의 굵기 등 다양한 글꼴에서 모두 획요소를 제대로 검출하고 추출하는 정확도 100%의 결과를 보였다. 해당 시스템을 더 보완하고 발전시키기 위해서는 추출된 데이터를 바탕으로 학습할 xml 형식의 획요소 데이터로 재생성하여 데이터 수를 늘려가 모델을 강화시키는 일종의 능동 학습 과정을 도입해도 큰 효과를 볼 것이라 생각한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Faster R-CNN의 특징은?	Faster R-CNN[8]은 CNN(Convolution Neural Network) 기반의 딥러닝 객체 검출(Object Detection) 네트워크 중 하나로 2014년 R-CNN 모델[10], 2015년 Fast R-CNN 모델[11] 이후 개선되어 발표되었다. Faster R-CNN의 가장 큰 특징은 RPN(Region Proposal Networks)으로 이전 방식인 Selective Search 과정을 대신하여 추가되어 매우 큰 시간 절감의 효과를 보인다는 것이다. 따라서 Faster R-CNN은 객체 후보 영역을 검출하는 RPN 네트워크와 객체 후보의 특징을 추출하고 분류하는 Fast R-CNN 네트워크가 공유하여 이전 모델들에 비해 정확도와 속도가 눈에 띄게 향상되었다.
	DeepFont에서는 어떤 모델을 이용하여 가장 유사한 글꼴을 식별하는 연구가 진행되고 있는가?	따라서 이러한 문제를 해결하고자 최근 딥러닝 기술을 이용한 관련 연구가 영문을 중심으로 활발히 진행되고 있다. 대표적으로 DeepFont[4]에서는 CNN(Convolution Neural Network) 모델을 이용하여 가장 유사한 글꼴을 식별하는 연구가 진행되고 있으며, kNN 알고리즘을 이용하여 유사한 글꼴끼리 그룹핑을 해주는 연구도 진행되고 있다[5]. 또한 RNN(Recurrent Neural Networks) 모델을 기반으로 글꼴을 분석하여 원하는 글꼴을 검색해주는 연구[6] 등이 있다.
	글꼴을 구성하는 특징 요소를 기준으로 분석했을 때 더 좋은 결과를 기대할 수 있는 이유는?	하지만 기존 연구들은 글자의 전체 이미지를 대상으로 하므로 글자의 특성 분석을 시도하는데 한계가 존재한다. 한글 글자 구조는 획요소(Stroke Element)와 골격(Skeleton), 공간 정보(Spacing)로 이루어져 있다. 따라서 글자 전체의 이미지가 아닌 글꼴을 구성하는 특징 요소를 기준으로 분석한다면 더 나은 결과를 얻을 수 있을 것이다.

참고문헌 (23)

KISDI, In the Era of the 4th Industrial Revolution, Media Content Survival Strategy, KISDI Premium Report 17-14, 2017.
H. Kim and S. Lim, “Shape Property Study of Hangul Font for Font Classification,” Journal of Korea Multimedia Society, Vol. 20, No. 9, pp. 1584-1595, 2017.
Korea National Hangul Museum, Survey and Prospect of Font Industry in 2015, Korea National Hangul Museum Research Report, 2015.
Z. Wang, J. Yang, H. Jin, E. Shechtman, A. Agarwala, J. Brandt, et al., "Deep Font: Identify Your Font from an Image," arXiv Preprint arXiv:1507.03196, 2015.
S. Jiang, Z. Wang, A. Hertzmann, H. Jin, and Y. Fu, "Visual Font Pairing," arXiv Preprint arXiv:1811.08015, 2018.
T. Chen, Z. Wang, N. Xu, and H. Jin, "Large-Scale Tag-based Font Retrieval With Generative Feature Learning," Proceeding of IEEE/CVF International Conference on Computer Vision, arXiv Preprint arXiv:1909.02072, 2019.
H. Kim and S. Lim, “Emotion-based Hangul Font Recommendation System Using Crowdsourcing,” Cognitive Systems Research, Vol. 47, No. 1, pp. 214-225, 2018.

상세보기
S. Ren, K. He, R. Girshick, and J. Sun, "Faster R-CNN: Towards Real-time Object Detection with Region Proposal Networks," arXiv Preprint arXiv:1506.0149, 2016.
C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, "Rethinking the Inception Architecture for Computer Vision," arXiv Preprint arXiv:1512.00567, 2015.
R. Girshick, J. Donahue, T. Darrell, and J. Malik, "Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation," Proceeding of IEEE Conference on Computer Vision and Pattern Recognition, arXiv Preprint arXiv:1311.2524, 2014.
R. Girshick, "Fast R-CNN," Proceeding of IEEE International Conference on Computer Vision, arXiv Preprint arXiv:1504.08083, 2015.
C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, et al., "Going Deeper with Convolutions," Proceeding of IEEE Conference on Computer Vision and Pattern Recognition, pp. 1-9, 2015.
C. Szegedy, S. Ioffe, V. Vanhoucke, and A. Alemi, "Inception-v4, Inception-resnet and the Impact of Residual Connections on Learning," Proceedings of the 31st American Association for Artificial Intelligence Conference on Artificial Intelligence, pp. 4278-4284, 2017.
Hewlett-Packard Company, PANOSE 2.0 White Paper, Hewlett-Packard Document EWC-92-0015h, 1993.
Korean Typeface Development Research Center, Korean Font Dictionary, King Sejong Foundation, Republic of Korea, 2000.
Y. Won, S. Seo, and M. Song, Typography Cheon Il Yahwa: The Concept and Practice of Hangul Typography, Angraphix, Ahn Graphics Publishers, Republic of Korea, 2019.
J. Jeon and S. Lim, "Research on Hangul Stroke Element Classification and Automatic Extraction Using SVM and Sliding Window Algorithm," Proceeding of the Fall Conference of the Korea Multimedia Society, pp. 732, 2019.
J. Jeon and S. Lim, "Machine Learning Based Automatic Extraction of Stroke Elements in Hangul Font," Proceeding of the 8th Korea-Japan J oint Workshop on Complex Communication Sciences, pp. 53-55, 2020.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You Only Look Once: Unified, Realtime Object Detection," Proceeding of IEEE Conference on Computer Vision and Pattern Recognition, arXiv Preprint arXiv:1506.02640, 2016.
W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, C. Fu, et al., "SSD: Single Shot Multibox Detector," Proceeding of European Conference on Computer Vision, pp 21-37, 2016.
CV-tricks, Zero to Hero: Guide to Object Detection Using Deep Learning: Faster RCNN, YOLO, SSD(2017), https://cv-tricks.com/object-detection/faster-r-cnn-yolo-ssd/ (accessed July 10, 2020).
D. Park, J. Jeon, Y. Ji, and S. Lim, "Design of Structure Map for Modeling Hierarchical Structure Information of Hangul," Proceeding of the Fall Conference of the Korea Multimedia Society, pp. 578-579, 2019.
IabelImg(2017), https://github.com/tzutalin/labelImg (accessed July 10, 2020).

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