K-평균 군집화 알고리즘 및 딥러닝 기반 군중 집계를 이용한 전염병 확진자 접촉 가능성 여부 판단 모니터링 시스템 제안 Proposal of a Monitoring System to Determine the Possibility of Contact with Confirmed Infectious Diseases Using K-means Clustering Algorithm and Deep Learning Based Crowd Counting원문보기
전 세계적으로 무증상의 코로나바이러스 감염증-19 감염자가 자신이 감염된 것을 모르고 주변인들에게 전파할 수 있다는 가능성은 국민이 전염병 확산에 대한 불안과 두려움에서 벗어나지 못하고 있다는 점에서 여전히 매우 중요한 이슈이다. 본 논문에서는 K-평균 군집화 알고리즘 및 딥러닝 기반 군중 집계를 이용한 전염병 확진자 접촉 가능성 여부 판단 모니터링 시스템을 제안하였다. 모든 입력 학습 영상에 대해 300회 반복 학습한 결과, PSNR값은 21.51, 전체 데이터 셋에 대한 최종 MAE값은 67.984였다. 이는 확진자와 주변인과의 거리와 감염률 산출, 잠재적 환자 동선 주변 인원의 위험도 순 그룹 및 감염률 예측에 대한 영상 속 화질 정보, 관측치 간의 평균 절대 오차를 의미하며 각 CCTV 장면에서 군중의 수가 4,000명 이하일 때에는 평균 절대 오차 값이 0에 가까움을 증명하였다.
전 세계적으로 무증상의 코로나바이러스 감염증-19 감염자가 자신이 감염된 것을 모르고 주변인들에게 전파할 수 있다는 가능성은 국민이 전염병 확산에 대한 불안과 두려움에서 벗어나지 못하고 있다는 점에서 여전히 매우 중요한 이슈이다. 본 논문에서는 K-평균 군집화 알고리즘 및 딥러닝 기반 군중 집계를 이용한 전염병 확진자 접촉 가능성 여부 판단 모니터링 시스템을 제안하였다. 모든 입력 학습 영상에 대해 300회 반복 학습한 결과, PSNR값은 21.51, 전체 데이터 셋에 대한 최종 MAE값은 67.984였다. 이는 확진자와 주변인과의 거리와 감염률 산출, 잠재적 환자 동선 주변 인원의 위험도 순 그룹 및 감염률 예측에 대한 영상 속 화질 정보, 관측치 간의 평균 절대 오차를 의미하며 각 CCTV 장면에서 군중의 수가 4,000명 이하일 때에는 평균 절대 오차 값이 0에 가까움을 증명하였다.
The possibility that an asymptotic coronavirus-19 infected person around the world is not aware of his infection and can spread it to people around him is still a very important issue in that the public is not free from anxiety and fear over the spread of the epidemic. In this paper, the K-means clu...
The possibility that an asymptotic coronavirus-19 infected person around the world is not aware of his infection and can spread it to people around him is still a very important issue in that the public is not free from anxiety and fear over the spread of the epidemic. In this paper, the K-means clustering algorithm and deep learning-based crowd aggregation were proposed to determine the possibility of contact with confirmed cases of infectious diseases. As a result of 300 iterations of all input learning images, the PSNR value was 21.51, and the final MAE value for the entire data set was 67.984. This means the average absolute error between observations and the average absolute error of fewer than 4,000 people in each CCTV scene, including the calculation of the distance and infection rate from the confirmed patient and the surrounding persons, the net group of potential patient movements, and the prediction of the infection rate.
The possibility that an asymptotic coronavirus-19 infected person around the world is not aware of his infection and can spread it to people around him is still a very important issue in that the public is not free from anxiety and fear over the spread of the epidemic. In this paper, the K-means clustering algorithm and deep learning-based crowd aggregation were proposed to determine the possibility of contact with confirmed cases of infectious diseases. As a result of 300 iterations of all input learning images, the PSNR value was 21.51, and the final MAE value for the entire data set was 67.984. This means the average absolute error between observations and the average absolute error of fewer than 4,000 people in each CCTV scene, including the calculation of the distance and infection rate from the confirmed patient and the surrounding persons, the net group of potential patient movements, and the prediction of the infection rate.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
하나다. 다시 말해, 비 계층적 클러스터링으로 n개의 관측치를 k개의 클러스터로 나누는 것을 목표로 한다. 이때, 각 관측치는 가장 가까운 평균을 갖는 클러스터에 속하며, 클러스터의 프로토타입 역할을 한다.
본 논문에서는 국내 전염병에 대한 신규 확진자가 발생했을 경우, 확진자 접촉 의심자들의 정보를 신속하고 정확하게 파악할 수 있는 K-평균 군집화 알고리즘 및 딥러닝 기반 군중 집계를 이용한 전염병 확진자 접촉 가능성 여부 판단 모니터링 시스템을 제안하였다. 모든 입력 학습 영상에 대해 300회 반복 학습한 결과, PSNR 값은 21.
본 연구에서는 VGGNet의 아키텍처를 참고하여 새로운 딥러닝 기반 군중 계수 신경망을 직접 설계하였다. 영상 속 군중의 척도변화 (scale variation) 를 처리하기 위해 다중척도(multi-scale)의 특징을 추출하였으며, 제안하는 군중 계수 신경망은 64개의 노드 2D 콘볼루션 계층의 입력을 받은 후 단일 maxpooling을 거쳐 128개의 노드 2D 콘볼루션 계층과 3계층의 256 콘볼루션 계층의 입력을 받도록 하였다.
이에 본 논문에서는 국내에서 전염병에 대한 n번 확진자가 발생하였을 때, 전국 CCTV 표준데이터와 n번 확진자와 주변인들이 촬영된 모든 CCTV 장면을 지자체로부터 받아 수집하였다고 가정한 후, K-평균 군집화 알고리즘과 군중 집계 기반의 확진자와의 과거 접촉 가능성이 있는 특정 집단을 나누고, 각 집단에 따라 감염률을 추정한 다음, 이를 정부 기관이나 지자체에서 지능형 모니터링 시스템으로 파악함으로써 향후 유사한 상황에도 국가차원에서 신속하고 정확하게 대응할 수 있도록 기술적으로 돕기 위한 K-평균 군집화 알고리즘 및 딥러닝 기반 군중 집계를 이용한 전염병 확진자 접촉 가능성 여부 판단 모니터링 시스템을 제안하였다.
제안 방법
2014년에는 전염병의 확산 과정인 결정적인 과정과 확률적인 과정을 비교함으로써 전염병의 확산 예측 모형을 구현하였다[3]. 그 후, 2016년에는 적은 양의 데이터로도 비교적 정확한 예측을 할 수 있는 준 지도학습 기법을 사용하여 감염자 수 증감을 예측하고자 감염병의 감염자 수 예측 모델을 개발하였는데, 이는 타 학습법과 비교하면 준수한 성능을 보여 주었다 [4].
사용자단말기로부터 제공받는 30분 단위의 사용자위치 정보(위도, 경도, 시간)는 확진자의 이동경로와 해당 시간을 기준으로 사용자(잠재적 환자)를 그룹화 및 감염률을 산출하기 위해 수집한다. 각 CCTV 영상 속에서 확진자와 같은 시간에 주변에 있었던 사람들을 계수한 다음, 밀집도가 비교적 높은 지역을 우선순위를 두고 모니터링 한다. 해당 장면에서 확진자의 머리를 참조 점 (reference point)으로 두고, 확진자 기준으로 사람들 간의 거리를 측정한다(그림 6).
그런 다음 데이터 셋의 모든 영상 속 군중의 수와 예측된 군중의 수의 MAE(Mean Absolute Error, 평균 절대 오차) 값을 도출함으로써 본 딥러닝 기반 군중 계수 모델의 성능을 수치화하였다. 각 영상 장면의 이미지를 추정한 결과, 딥러닝 모델의 MAE 값은 452.
예를 들어, CCTV 영상에서 확진자와 주변인과의 거리를 측정한 결과, 6 feet 미만이라면 그 감염률이 70%, 6 이상 ~ 10 feet 미만이라면 30%, 12 feet 이상이라면 10%로 정한다. 마지막으로, 분석, 처리 및 예측이 완료된 정보(확진자 동선 주변 사용자리스트(문자), 확진자 동선 주변 CCTV리스트(영상), 잠재적 환자로 분류된 그룹 및 감염률, 예측한 잠재적 환자 동선 주변 인원 및 감염률)를 지자체(관리자모니터)로 전송한다. 앞서 언급한 절차와 같이 신규 확진자에 대한 과거 접촉 가능성이 있는 같은 시간 확진자 동선 주변인 중에 잠재적 환자가 몇 명이 발생하였는지, 감염률은 얼마나 되는지 분류하고 추정하기 위한 작업 흐름도를 다음과 같이 간단하게 도식화하였다(그림 8).
영상 속 군중의 척도변화 (scale variation) 를 처리하기 위해 다중척도(multi-scale)의 특징을 추출하였으며, 제안하는 군중 계수 신경망은 64개의 노드 2D 콘볼루션 계층의 입력을 받은 후 단일 maxpooling을 거쳐 128개의 노드 2D 콘볼루션 계층과 3계층의 256 콘볼루션 계층의 입력을 받도록 하였다. 모든 계층에는 ReLU 활성화 함수를 두었고, 출력에는 단일 노드 2D 콘볼루션 계층으로 구성하였다. 군중 밀도 맵은 geometry-adaptive Gaussian kernels를 이용한 지상 실측 정보(ground-truth) 밀도 맵을 생성하였다.
첫째, 30분 단위의 각 사용자위치정보(위도, 경도, 시간) 수집을 위한 사용자 단말기, 신규확진자동선정보서]부주소, 노출일시 등) 수집을 위한 국민재난포털 전국 CCTV 표준데이터(소재지 지번 주소, 카메라대수, 위도, 경도) 수집을 위한 공공데이터포털 둘째, 확진자 접촉 가능성 여부 판단 모니터링 서버에서는 수집한 데이터를 분석, 처리 및 예측하기 위해 확진자 동선 주변 사용자리스트, 확진자 동선 주변 CCTV리스트를 분류한 후 관리자 모니터로부터 확진자 동선 주변 CCTV 리스트(영상)을 수신한다. 수신한 각 영상에 대해서 인원 수가 많은 영상 순으로 확진자 기준 주변인들의 거리 및 감염률을 산출한 다음 잠재적 환자로부터 분류된 그룹 및 감염률을 관리자모니터로 전송한다. 셋째, 관리자 모니터에서는 확진자와 각 주변인의 거리에 따른 감염률은 사전에 입력된 계산식에 따라 결과값을 산출한다(그림 1).
또한 향상된 결과를 얻기 위한 학습주기로서 NVIDIA Geforce 2080-ti GPU 이 중 인스턴스를 지원하였고, 8GB의 VRAM을 포함하였다. 안정적인 성능을 위해 HDFS(Hadoop File System) 에서 학습된 모든 가중치를 저장하였다.
기반 군중 계수 신경망을 직접 설계하였다. 영상 속 군중의 척도변화 (scale variation) 를 처리하기 위해 다중척도(multi-scale)의 특징을 추출하였으며, 제안하는 군중 계수 신경망은 64개의 노드 2D 콘볼루션 계층의 입력을 받은 후 단일 maxpooling을 거쳐 128개의 노드 2D 콘볼루션 계층과 3계층의 256 콘볼루션 계층의 입력을 받도록 하였다. 모든 계층에는 ReLU 활성화 함수를 두었고, 출력에는 단일 노드 2D 콘볼루션 계층으로 구성하였다.
해당 장면에서 확진자의 머리를 참조 점 (reference point)으로 두고, 확진자 기준으로 사람들 간의 거리를 측정한다(그림 6). 유사성에 기반을 둔 표본 그룹화를 진행하기 위해 K-평균 군집화를 통해 해당 장면 속 확진자와 사람들 간의 거리를 측정함으로써 위험도에 따라 그룹화 한 그룹의 개수를 K로 두고, 주변인들의 위험도별 감염률을 산출할 수 있게 된다. 예를 들어, CCTV 영상에서 확진자와 주변인과의 거리를 측정한 결과, 6 feet 미만이라면 그 감염률이 70%, 6 이상 ~ 10 feet 미만이라면 30%, 12 feet 이상이라면 10%로 정한다.
97명이었다(그림 11). 해당 영상에서 예측된 Gaussian Density Maps을 사용하여 참조 점에 기초한 상대적 거리를 계산한 후 출력 matrix를 2개의 중심점을 둔 K-평균 군집화 알고리즘에 공급함으로써 다음 그림과 같은 결과를 얻었다.
대상 데이터
본 연구에서 성능을 평가하기 위한 두 가지 지표로서 평균 절대 오차(MAE)와 최대 신호 대 잡음비(PSNR)를 채택하였으며, 총 33만 명의 주석 (annotated) 이 달린 1, 198개의 이미지가 포함되어 있는 Shanghaitech 데이터셋을 학습 데이터로 사용하였다(그림 9). 또한 482개의 이미지를 가진 파트 A와, 중국 상하이의 번화가에서 촬영된 716개의 이미지를 가진 파트 B로 분류하였다. 본 연구에서 제안하는 방법은 고밀도 군중들의 정적 이미지로부터 군중 밀도를 추정하기 위한 기존에 연구된 딥러닝 프레임워크를 사용하였고[21, 22], 주어진 군중 이미지의 밀도 맵을 예측하기 위해 fully convolutional network와 조합하여 활용하였다.
군중 밀도 맵은 geometry-adaptive Gaussian kernels를 이용한 지상 실측 정보(ground-truth) 밀도 맵을 생성하였다. 본 연구에서 성능을 평가하기 위한 두 가지 지표로서 평균 절대 오차(MAE)와 최대 신호 대 잡음비(PSNR)를 채택하였으며, 총 33만 명의 주석 (annotated) 이 달린 1, 198개의 이미지가 포함되어 있는 Shanghaitech 데이터셋을 학습 데이터로 사용하였다(그림 9). 또한 482개의 이미지를 가진 파트 A와, 중국 상하이의 번화가에서 촬영된 716개의 이미지를 가진 파트 B로 분류하였다.
본 연구에서 제안하는 K-평균 군집화 알고리즘 및 딥러닝 기반 군중 집계를 이용한 전염병 확진자 접촉 가능성 여부 판단 모니터링 시스템은 다음과 같은 데이터를 수집하였다. 첫째, 30분 단위의 각 사용자위치정보(위도, 경도, 시간) 수집을 위한 사용자 단말기, 신규확진자동선정보서]부주소, 노출일시 등) 수집을 위한 국민재난포털 전국 CCTV 표준데이터(소재지 지번 주소, 카메라대수, 위도, 경도) 수집을 위한 공공데이터포털 둘째, 확진자 접촉 가능성 여부 판단 모니터링 서버에서는 수집한 데이터를 분석, 처리 및 예측하기 위해 확진자 동선 주변 사용자리스트, 확진자 동선 주변 CCTV리스트를 분류한 후 관리자 모니터로부터 확진자 동선 주변 CCTV 리스트(영상)을 수신한다.
이론/모형
모든 계층에는 ReLU 활성화 함수를 두었고, 출력에는 단일 노드 2D 콘볼루션 계층으로 구성하였다. 군중 밀도 맵은 geometry-adaptive Gaussian kernels를 이용한 지상 실측 정보(ground-truth) 밀도 맵을 생성하였다. 본 연구에서 성능을 평가하기 위한 두 가지 지표로서 평균 절대 오차(MAE)와 최대 신호 대 잡음비(PSNR)를 채택하였으며, 총 33만 명의 주석 (annotated) 이 달린 1, 198개의 이미지가 포함되어 있는 Shanghaitech 데이터셋을 학습 데이터로 사용하였다(그림 9).
또한 482개의 이미지를 가진 파트 A와, 중국 상하이의 번화가에서 촬영된 716개의 이미지를 가진 파트 B로 분류하였다. 본 연구에서 제안하는 방법은 고밀도 군중들의 정적 이미지로부터 군중 밀도를 추정하기 위한 기존에 연구된 딥러닝 프레임워크를 사용하였고[21, 22], 주어진 군중 이미지의 밀도 맵을 예측하기 위해 fully convolutional network와 조합하여 활용하였다.
본 연구에서는 딥러닝 모델을 학습하기 위해 Python의 Keras 라이브러리와 Tensorflow를 사용하였다. 그리고 더 나은 학습 효과를 얻기 위해 CPU가 아닌 GPU 환경에서 학습을 진행하였으며, NVIDIA CUBA 라이브러리는 학습을 진행하는 장치에서 Intel i7-8세대 CPU 및 64GB DDR4 RAM을 사용하였다.
성능/효과
의미한다. 모든 입력 학습 영상에 대해 300회 반복 학습하였더니 PSNR값은 21.51, 전체 데이터 셋에 대한 최종 MAE값은 67.984였다(그림 12).
제안하였다. 모든 입력 학습 영상에 대해 300회 반복 학습한 결과, PSNR 값은 21.51, 전체 데이터 셋에 대한 최종 MAE값은 67.984였다. 이는 확진자와 주변인과의 거리와 감염률 산출 잠재적 환자 동선 주변 인원의 위험도 순 그룹 및 감염률 예측에 대한 영상 속 화질 정보, 관측치 간의 평균 절대 오차를 의미하며 각 CCTV 장면에서 군중의 수가 4, 000명 이하일 때에는 평균 절대 오차 값이。에 가까움을 증명하였다.
수신한 각 영상에 대해서 인원 수가 많은 영상 순으로 확진자 기준 주변인들의 거리 및 감염률을 산출한 다음 잠재적 환자로부터 분류된 그룹 및 감염률을 관리자모니터로 전송한다. 셋째, 관리자 모니터에서는 확진자와 각 주변인의 거리에 따른 감염률은 사전에 입력된 계산식에 따라 결과값을 산출한다(그림 1). 더 자세히 말하면, 평소에는 30분 단위의 각 사용자위치 정보와 전국 CCTV 리스트를 서버로 업로드하고, 신규 확진자가 발생하면 신규확진자동선정보를 서버로 업로드 확진자 접촉 가능성 여부 판단 모니터링 서버에서는 확진자 동선 주변 CCTV 각 영상을 딥러닝 기반 군중 계수 알고리즘, 영상 속 거리 측정알고리즘, K-평균 군집화 기반 감염률 추정 알고리즘으로 확진자 기준 주변인들의 거리 및 감염률을 산출한 후 관리자 모니터로 전송한다(그림 2).
전염병의 발생 원인과 역학적 특성을 밝히기 위해 빅데이터의 실시간 분석이 가능해짐과 동시에 국민의 이동 동선과 시간대별 체류 지점을 자동으로 파악할 수 있게 되었고, 이에 따라 평균 하루 이상이 소요됐던 시간(24시간 내외)을 자동 분석 시스템(10분 이내)으로 대폭 단축하게 하는 등 세계적인 전염병 대응 모범국가로서 그 위상을 한층 더 높이는 계기를 마련하였다 질병관리본부는 7월 19일。시 기준 코로나 19 국내 발생 현황과 관련하여, 올해 1월 3일부터 총 누적 확진자 수는 13, 745명(해외유입 2, 045명)이라고 밝혔다. 신규 격리해제자는 37명, 총 12, 556명(91.4%)이 격리해제 되어, 현재 895명이 격리 중이며, 사망자는 1명으로 누적 사망자는 285명(치명률 2.15%)이었다 또한 지역별 확진자 현황을 보면 합계에는 포함되지는 않았고 따로 분류된 것을 확인할 수 있는데, 국내발생(잠정)은 21명, 해외유입(잠정)은 13명으로 구분함을 통해 추정되는 잠재적 환자들까지의 잠정수치를 제시하고 있었다. 코로나 19는 초기 열이 없던 환자가 40%였다는 중국 발표가 있었는데, 이는 단지 증상만으로 코로나 19 확진자를 찾기에는 한계가 발생할 수밖에 없는 현실과 무증상의 코로나 19 감염자가 자신도 모르는 사이에 주변인에게 전파할 수 있다는 가능성은 여전히 국민이 전염병 확산에 대한 불안과 두려움에서 벗어나지 못하고 있음을 알 수 있었다[2].
후속연구
이는 확진자와 주변인과의 거리와 감염률 산출 잠재적 환자 동선 주변 인원의 위험도 순 그룹 및 감염률 예측에 대한 영상 속 화질 정보, 관측치 간의 평균 절대 오차를 의미하며 각 CCTV 장면에서 군중의 수가 4, 000명 이하일 때에는 평균 절대 오차 값이。에 가까움을 증명하였다. 다만 개인정보 이용에 동의한 사용자들에 한해서 해당 사용자들의 스마트폰 위치정보(시간, 위도, 경도)를 수집하여 실제 확진자 동선 주변의 CCTV 영상을 구하지 못하였기 때문에 관련된 영상 속에서의 K-means clustering 알고리즘을 적용시켜 확진자 기준 각 주변인의 거리 측정에 관한 결과를 비교/분석하지 못하였다는 한계가 있었다.
참고문헌 (26)
김은경, 이석, 변영태, 이혁재, 이택진, "전염병의 경로 추적 및 예측을 위한 통합 정보 시스템 구현," 인터넷정보학회논문지, 제14권, 제5호, 69-76쪽, 2013년 10월
"코로나바이러스감염증-19 국내 발생 현황", https://www.cdc.go.kr/board/board.es?mida20501000000&bid0015&actview&list_no367837&tag&nPage4 (accessed July, 30, 2020)
류수락, "전염병의 확산 과정에 대한 비교 연구", 대구대학교 석사학위 논문, 2014. 12
김주현, 안인성, "준지도학습 기법을 사용한 감염병의 감염자 수 예측 모델," 대한산업공학회 춘계공동학술대회 논문집, 3794(1-30)쪽, 2016년 4월
김유중, 이민혁, 석준희, "접촉정보기반의 질병 전파 모델을 이용한 개인의 전염병 감염 확률 계산," 대한전자공학회 학술대회 논문집, 1855(1-2)쪽, 2016년 6월
김태성, 김우진, 이도윤, 김일곤, "블록체인 네트워크 기반에서 FHIR를 활용한 감염병 환자 진료 정보 공유 시스템," 한국컴퓨터종합학술대회 논문집, 2053(1-3)쪽, 2016년 6월
최선영, 윤은미, 송원재, 한상원, 원진영, "감염병 확산 방지시스템, 학생 및 학부모를 위한 감염병 어플리케이션," 대한산업공학회 추계학술대회 논문집, 3044(1-15)쪽, 2016년 11월
최준기, 장아름, 이재호, 김재석, 김성현, 차경진, 이상원, "빅데이터를 활용한 감염병 확산 대응 지원," 한국지능정보시스템학회 학술대회논문집, 74(1-2)쪽, 2017년 11월
김성현, 최준기, 김재석, 장아름, 이재호, 차경진, 이상원, "빅데이터와 딥러닝을 활용한 동물 감염병 확산 차단," 지능정보연구, 제24권, 제4호, 137-154쪽, 2018년 12월
최환석, 팽전, 이우섭, "머신러닝 기반 음식점 추천시스템 설계 및 구현," 한국디지털콘텐츠학회 논문지, 제21권, 제2호, 259-268쪽, 2020년 2월
이장호, 윤성로, "딥러닝을 이용한 군중 집계 동향분석," 대한전자공학회 학술대회 논문집, 735(1-3)쪽, 2018년 11월
심규진, 변준영, 김창익, "군중 집계를 위한 다단계 양자화 학습," 대한전자공학회 학술대회 논문집, 983(1-3)쪽, 2019년 11월
C. Zhang, H. Li, X. Wang, and X. Yang, "Cross-scene Crowd Counting via Deep Convolutional Neural Networks," 2015 IEEE Conference on Computer Vision and Pattern Recognition, pp. 833(1-8), Jun. 2015.
Boominathan, L, S.S. Kruthiventi, and R.V. Babu, "CrowdNet: A Deep Convolutional Network for Dense Crowd Counting," Computer Vision and Pattern Recognition, pp. 640(1-5), Jun. 2016.
National CCTV Standard Data(2020). https://www.data.go.kr/data/15013094/standard.dok (accessed July, 7, 2020).
김경백, "다중 채널 소셜 네트워크상의 메시지 전송 모델링," 스마트미디어저널, 제3권, 제1호, 9-15쪽, 2014년 3월
※ AI-Helper는 부적절한 답변을 할 수 있습니다.