[논문]명화 하브루타 지원을 위한 딥러닝 기반 동양화 인물 분석

문혜영; 김남규

doi:10.5392/jkca.2021.21.09.105

명화 하브루타 지원을 위한 딥러닝 기반 동양화 인물 분석
Deep Learning-based Person Analysis in Oriental Painting for Supporting Famous Painting Habruta 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.21 no.9, 2021년, pp.105 - 116

문혜영 (국민대학교 비즈니스IT전문대학원) , 김남규 (국민대학교 비즈니스IT전문대학원)

초록
AI-Helper

하브루타 교육은 짝을 지어 대화하고 토론하고 논쟁하는 방식의 질문 중심 교육이며, 특히 명화 하브루타는 명화에 대한 질문과 답변을 통해 그림의 감상 능력을 증진하고 표현력을 풍부하게 하기 위한 목적으로 시행되고 있다. 본 연구에서는 동양화를 대상으로 한 명화 하브루타를 지원하기 위해, 최신 딥러닝 기술을 활용하여 동양화 등장인물의 성별 관점에서 질문을 자동으로 생성하는 방안을 제시한다. 구체적으로 본 연구에서는 사전학습모델인 VGG16을 바탕으로 동양화 인물 중심의 미세조정을 수행하여 동양화의 인물 분석을 효과적으로 수행할 수 있는 모델을 제안한다. 또한 질문의 유형을 명화 하브루타에서 사용되는 사실 질문, 상상 질문, 그리고 적용 질문의 3가지 유형으로 분류하고, 각 질문을 등장인물에 따라 세분화하여 총 9가지의 질문 패턴을 도출하였다. 제안 방법론의 활용 가능성을 확인하기 위해 실제 동양화의 등장인물 300건을 분석한 실험을 수행하였으며, 실험 결과 제안 방법론에 따른 성별 분류 모델이 기존 모델에 비해 높은 정확도를 나타냄을 확인하였다.

Abstract ▼ AI-Helper

Habruta is a question-based learning that talks, discusses, and argues in pairs. In particular, the famous painting Habruta is being implemented for the purpose of enhancing the appreciation ability of paintings and enriching the expressive power through questions and answers about the famous paintings. In this study, in order to support the famous painting Habruta for oriental paintings, we propose a method of automatically generating questions from the gender perspective of oriental painting characters using the current deep learning technology. Specifically, in this study, based on the pre-trained model, VGG16, we propose a model that can effectively analyze the features of Asian paintings by performing fine-tuning. In addition, we classify the types of questions into three types: fact, imagination, and applied questions used in the famous Habruta, and subdivide each question according to the character to derive a total of 9 question patterns. In order to verify the feasibilityof the proposed methodology, we conducted an experiment that analyzed 300 characters of actual oriental paintings. As a result of the experiment, we confirmed that the gender classification model according to our methodology shows higher accuracy than the existing model.

주제어

표/그림 (17)

그림 그림 1. 이미지 딥러닝의 활용 예
그림 그림 2. 서양인 사진과 동양화 인물의 성별 분류 예
표 표 1. 서양 사진과 동양화의 인물 분석 정확도 비교
그림 그림 3. VGG16 Structure
그림 그림 4. Proposed Method
그림 그림 5. Face Detection(Haar Cascades)
그림 그림 6. Filter(CNN)
그림 그림 7. Fine Tuning with Lower Layers Frozen
그림 그림 8. 질문 패턴화
표 표 2. 질문 패턴화
그림 그림 9. 질문 모형
그림 그림 10. 질문 생성
그림 그림 11. 동양화 등장인물 이미지 데이터 셋(일부)
그림 그림 12. Performance Evaluation
그림 그림 13. 춘색만원(春色滿園) 등장인물의 성별 분류
표 표 3. 제안 방법론과 기준 방법론의 성별 분류 성능
표 표 4. 성별 관련 질문 생성 예

AI 본문요약
AI-Helper

문제 정의

이러한 명화 하브루타의 질문 생성은 하브루타 교육의 핵심 과정이지만, 학습자들이 처음부터 좋은 질문을 만들어 내는 것은 결코 쉬운 일이 아니다. 따라서 본 연구에서는 이미지 딥러닝 기술을 활용하여 제시된 명화에 대한 질문을 자동으로 생성함으로써, 명화 하브루타 교육의 핵심인 질문 만들기 훈련 과정을 지원할 수 있는 방안을 제안하고자 한다.
구체적으로는 사전학습 모델인 VGG16을 바탕으로 동양화 인물을 중심으로 한 미세 조정(Fine Tuning)을 수행하여 동양화의 인물 분석에 특화된 모델을 생성하고자 한다. 또한 제안 모델을 통해 동양화 등장인물의 속성에 대한 질문, 특히 성별 관점에서 질문을 생성하는 예를 소개함으로써, 명화 하브루타 교육에 딥러닝 기술을 활용하는 시나리오를 제시하고자 한다.
본 연구에서는 딥러닝의 전이학습(Transfer Learning)을 이용하여 동양화 등장인물의 성별을 정확하게 분류할 수 있는 방안을 제시하고자 한다. 구체적으로는 사전학습 모델인 VGG16을 바탕으로 동양화 인물을 중심으로 한 미세 조정(Fine Tuning)을 수행하여 동양화의 인물 분석에 특화된 모델을 생성하고자 한다.
본 연구의 기여는 다음의 측면에서 인정받을 수 있다. 우선 본 연구는 딥러닝의 전이학습을 적용하여 동양화 등장인물 성별 분류의 정확도를 향상시키는 방안을 제시하였다. 즉 서양의 방대한 이미지 데이터 셋에 대한 학습을 통해 이미지의 기본적인 특성을 학습한 사전학습모델을 사용하되, 동양화가 갖는 고유의 특성을 모델에 반영하기 위해 미세조정을 수행하여 동양화 등장인물의 성별 분류 정확도를 향상시키는 방안을 제시하였다.
또한 등장인물의 얼굴은 신체 기관 중 내면을 잘 드러내고 있으며, 얼굴은 감정이나 심리의 세계를 여러 표정으로 표현하여 사회적인 상호관계를 위한 소통창구의 역할을 한다. 이러한 측면에서 동양화의 인물을 중심으로 한 명화 하브루타 교육의 필요성과 효과성이 충분히 인정되며, 본 연구에서는 최신 딥러닝(Deep Learning) 기술을 적용하여 이를 지원하기 위한 방안을 제시하고자 한다.

제안 방법

본 연구에서는 딥러닝의 전이학습(Transfer Learning)을 이용하여 동양화 등장인물의 성별을 정확하게 분류할 수 있는 방안을 제시하고자 한다. 구체적으로는 사전학습 모델인 VGG16을 바탕으로 동양화 인물을 중심으로 한 미세 조정(Fine Tuning)을 수행하여 동양화의 인물 분석에 특화된 모델을 생성하고자 한다. 또한 제안 모델을 통해 동양화 등장인물의 속성에 대한 질문, 특히 성별 관점에서 질문을 생성하는 예를 소개함으로써, 명화 하브루타 교육에 딥러닝 기술을 활용하는 시나리오를 제시하고자 한다.
제안 방법론(Unfreezing Higher Layers)은 VGG16 사전학습모델의 합성곱 계층 중 일부분을 고정시키고, 나머지 계층과 분류기를 새로 학습시키는 방식의 미세조정을 수행하였다. 구체적으로는 이미지의 일반적인 특성 추출을 위한 부분인 합성곱 블록 1부터 4까지의 하위층을 동결하고, 동양화의 세부 특성을 모델에 반영하기 위해 상위층인 블록 5의 동결을 해제하여 완전연결계층의 분류기와 함께 학습을 수행하였다. 제안 방법론의 상대적 성능을 평가하기 위해 비교 실험을 수행하였으며, 비교에 사용된 기준 방법론(Baseline)은 합성 곱 계층 전체를 고정시키고 분류기만 새로 학습시키는 방식의 미세조정을 수행하였다.
즉 서양의 방대한 이미지 데이터 셋에 대한 학습을 통해 이미지의 기본적인 특성을 학습한 사전학습모델을 사용하되, 동양화가 갖는 고유의 특성을 모델에 반영하기 위해 미세조정을 수행하여 동양화 등장인물의 성별 분류 정확도를 향상시키는 방안을 제시하였다. 또한 9가지 질문 패턴을 정의한 후, 제안 모델을 통해 식별한 성별을 질문 패턴에 적용하여 동양화 등장인물의 성별 관련 질문을 생성하는 시나리오를 제시하였다.
이러한 과정을 통해 계산된 값은 마지막으로 2개의 노드로 구성된 최종 완전연결계층을 통해 집약되며, 최종적으로 이 값이 Softmax를 거쳐 카테고리 분류에 사용된다. 본 연구는 남녀의 성별 분류 문제를 다루고 있으므로, 두 개의 클래스로 이진 분류를 하기 위해 활성화 함수로 시그모이드(Sigmoid)를, 손실 함수로 이진 교차 엔트로피(Binary Cross Entropy)를 사용하였다.
본 연구에서는 딥러닝 기술을 활용하여 주어진 동양화에 대한 질문을 성별의 관점에서 자동으로 생성하여 명화 하브루타 교육의 질문 만들기 훈련 과정을 지원하는 방안을 제시하였다. 구체적으로는 대규모로 학습된 VGG16 사전학습모델에 대한 점진적인 미세조정을 수행하는 방식으로, 동양화 등장인물 성별 분류에서 우수한 성능을 나타내는 모형을 제시하였다.
본 연구에서는 우선 질문의 유형을 명화 하브루타에서 사용되는 사실 질문, 상상 질문, 적용 질문의 3가지 유형으로 나누고, 각 질문을 등장인물에 따라 ‘남성 또는 여성 중 한 명만 등장하는 경우’(Single), ‘남성과 여성이 모두 등장하지만 역할이 구분되지 않는 경우’(Both / Undirected), ‘남성과 여성이 모두 등장하며 서로의 역할이 상이한 경우’(Both / Directed)로 세분화하여 총 9가지의 질문 패턴을 도출하였다[표 2]
즉 서양 이미지를 활용하여 사전학습이 이루어진 경우 동양화의 성별 분석뿐 아니라 얼굴 검출 자체에도 곧바로 적용되는 데 한계가 있음을 확인하였다. 본 연구의 주요 과제는 기존의 사전학습 모델을 활용하여 동양화 성별 분류의 정확도를 향상시키는 것이므로, 동양화에서 얼굴을 검출해내는 과정은 별도의 알고리즘을 적용하지 않고 수작업으로 직접 수행하였다.
본 절에서는 사전학습모델인 VGG16을 이용하여 두 가지 방식의 미세조정을 통해 성별 분류를 수행한 분석 결과를 소개한다. 제안 방법론 중 정량적인 평가가 가능한 부분인 [그림 4]의 Phase 1의 성별 분류에 대해서는 정확도(Accuracy)와 손실(Loss)을 측정하였고, Phase 2의 질문 생성 부분에 대해서는 동양화 중 신윤복의 춘색만원(春色滿園)에 대해 등장인물의 성별 관련질문을 생성한 사례를 보이는 방식으로 실험을 진행하였다.
구체적으로는 대규모로 학습된 VGG16 사전학습모델에 대한 점진적인 미세조정을 수행하는 방식으로, 동양화 등장인물 성별 분류에서 우수한 성능을 나타내는 모형을 제시하였다. 이와 동시에 하브루타 교육의 관점에서 구분한 질문의 3가지 유형, 즉 사실 질문, 상상 질문 그리고 적용 질문을 각각 참여자의 관점에서 3가지로 다시 구분하여 총 9가지의 질문 패턴을 정의하였다. 또한 이를 통해 동양화에서 등장인물의 성별을 식별한 후, 이를 9가지 패턴의 질문생성에 활용하는 시나리오를 제시하였다.
본 절에서는 사전학습모델인 VGG16을 이용하여 두 가지 방식의 미세조정을 통해 성별 분류를 수행한 분석 결과를 소개한다. 제안 방법론 중 정량적인 평가가 가능한 부분인 [그림 4]의 Phase 1의 성별 분류에 대해서는 정확도(Accuracy)와 손실(Loss)을 측정하였고, Phase 2의 질문 생성 부분에 대해서는 동양화 중 신윤복의 춘색만원(春色滿園)에 대해 등장인물의 성별 관련질문을 생성한 사례를 보이는 방식으로 실험을 진행하였다.
제안 방법론(Unfreezing Higher Layers)은 VGG16 사전학습모델의 합성곱 계층 중 일부분을 고정시키고, 나머지 계층과 분류기를 새로 학습시키는 방식의 미세조정을 수행하였다. 구체적으로는 이미지의 일반적인 특성 추출을 위한 부분인 합성곱 블록 1부터 4까지의 하위층을 동결하고, 동양화의 세부 특성을 모델에 반영하기 위해 상위층인 블록 5의 동결을 해제하여 완전연결계층의 분류기와 함께 학습을 수행하였다.

대상 데이터

본 연구에서는 수집된 동양화의 남녀 등장인물 얼굴 이미지 300개를 사용하였으며, 전체 이미지를 훈련용 (Train) 데이터 180개, 검증용(Validation) 데이터 60 개 그리고 평가용(Test) 데이터 60개로 각각 나누어서 실험을 진행하였다. 실험환경은 Google Colaboratory, tensorflow 2.
본 예에서는 머신러닝 기반의 객체 추출 알고리즘인 Haar Cascades을 통해 얼굴을 검출하고, 깊은 인공신경망인 DNN을 사용하여 성별을 분류하는 실험을 수행하였다. 분석 데이터로는 서양인의 사진과 동양화의 인물 각 300점씩을 사용하였다[그림 2]. 그 결과 서양인 사진의 경우 얼굴 검출정확도 62%, 성별 분류 정확도 60%로 정확도가 비교적 높게 나타난 것에 비해, 동양화의 경우 얼굴 검출 정확도 15%, 성별 분류 정확도 30%로 정확도가 매우 낮게 나타남을 확인하였다.
본 장에서는 III장에서 소개한 제안 모형을 실제 데이터에 분석에 적용한 결과를 소개한다. 우선 연구의 실험에 사용한 대상 이미지 자료는 조선의 다채로운 생활상을 그렸던 김홍도와 신윤복, 그리고 김준근의 작품 위주로 수집하였다. 수집된 이미지를 직접 확인하면서 얼굴의 특징이 가려진 이미지는 모두 제거하고 데이터셋을 구성하였다[그림 11].

데이터처리

구체적으로는 이미지의 일반적인 특성 추출을 위한 부분인 합성곱 블록 1부터 4까지의 하위층을 동결하고, 동양화의 세부 특성을 모델에 반영하기 위해 상위층인 블록 5의 동결을 해제하여 완전연결계층의 분류기와 함께 학습을 수행하였다. 제안 방법론의 상대적 성능을 평가하기 위해 비교 실험을 수행하였으며, 비교에 사용된 기준 방법론(Baseline)은 합성 곱 계층 전체를 고정시키고 분류기만 새로 학습시키는 방식의 미세조정을 수행하였다.

이론/모형

하지만 서양 사진 이미지로 학습된 사전학습 모델을 동양화 분석에 적용하는 경우 정확도가 낮게 나타나는 현상을 파일럿(Pilot) 실험을 통해 확인하였으며 실험내용은 [그림 2][표 1]와 같다. 본 예에서는 머신러닝 기반의 객체 추출 알고리즘인 Haar Cascades을 통해 얼굴을 검출하고, 깊은 인공신경망인 DNN을 사용하여 성별을 분류하는 실험을 수행하였다. 분석 데이터로는 서양인의 사진과 동양화의 인물 각 300점씩을 사용하였다[그림 2].
본 연구에서는 수집된 동양화의 남녀 등장인물 얼굴 이미지 300개를 사용하였으며, 전체 이미지를 훈련용 (Train) 데이터 180개, 검증용(Validation) 데이터 60 개 그리고 평가용(Test) 데이터 60개로 각각 나누어서 실험을 진행하였다. 실험환경은 Google Colaboratory, tensorflow 2.3.0에서 진행하였으며, 분석에는 Python 의 Keras 딥러닝 라이브러리를 활용하였다. 모델의 에폭(Epoch)은 20으로 설정하고 과적합(Overfitting)을 방지하기 위하여 학습 조기 종료(Early Stopping)를 5 로 지정하였다.
모델의 에폭(Epoch)은 20으로 설정하고 과적합(Overfitting)을 방지하기 위하여 학습 조기 종료(Early Stopping)를 5 로 지정하였다. 학습률은 10-5 , 최적화 알고리즘은 RMSProp을 사용하였으며 matplotlib 패키지를 이용하여 시각화하였다.

성능/효과

본 연구에서는 딥러닝 기술을 활용하여 주어진 동양화에 대한 질문을 성별의 관점에서 자동으로 생성하여 명화 하브루타 교육의 질문 만들기 훈련 과정을 지원하는 방안을 제시하였다. 구체적으로는 대규모로 학습된 VGG16 사전학습모델에 대한 점진적인 미세조정을 수행하는 방식으로, 동양화 등장인물 성별 분류에서 우수한 성능을 나타내는 모형을 제시하였다. 이와 동시에 하브루타 교육의 관점에서 구분한 질문의 3가지 유형, 즉 사실 질문, 상상 질문 그리고 적용 질문을 각각 참여자의 관점에서 3가지로 다시 구분하여 총 9가지의 질문 패턴을 정의하였다.
위의 질문 패턴을 적용하여 동양화에 대한 질문을 생성하는 시나리오의 예는 다음과 같다. 동양화 중 신윤복의 미인도(美人圖)에 대해 제안 모형을 통해 분석을 수행한 결과, 해당 그림에는 여성 한 명이 등장하고 남성은 등장하지 않음을 알 수 있었다. 이 경우는 [표 2] 의 패턴 중 ‘Single’ 참여자, 패턴 P1, P4, P7에 속하는 질문을 생성할 수 있으며, ‘여성은 무엇을 하고 있나요?’(사실 질문), ‘여성의 신분은 무엇일까요?’(상상 질문), ‘여성의 머리 모양을 내가 똑같이 한다면 친구들이 무슨 말을 할까요?’(적용 질문)과 같은 질문을 생성할 수 있다[그림 10].
우선 본 연구는 딥러닝의 전이학습을 적용하여 동양화 등장인물 성별 분류의 정확도를 향상시키는 방안을 제시하였다. 즉 서양의 방대한 이미지 데이터 셋에 대한 학습을 통해 이미지의 기본적인 특성을 학습한 사전학습모델을 사용하되, 동양화가 갖는 고유의 특성을 모델에 반영하기 위해 미세조정을 수행하여 동양화 등장인물의 성별 분류 정확도를 향상시키는 방안을 제시하였다. 또한 9가지 질문 패턴을 정의한 후, 제안 모델을 통해 식별한 성별을 질문 패턴에 적용하여 동양화 등장인물의 성별 관련 질문을 생성하는 시나리오를 제시하였다.
[표 3]와 [그림 12]에서 훈련, 검증, 그리고 평가 데이터 셋 모두에 대해 제안 방법론이 기준 방법론에 비해 정확도는 높고 손실은 낮게 나타났다. 즉, VGG16 사전학습모델의 합성곱 계층의 하위층을 고정시키고 나머지 상위층과 분류기를 함께 학습시킨 제안 방법론이 기준 방법론에 비해 동양화 등장인물의 성별 분류에서 상대적으로 우수한 성능을 나타냄을 확인하였다.

후속연구

이와 동시에 하브루타 교육의 관점에서 구분한 질문의 3가지 유형, 즉 사실 질문, 상상 질문 그리고 적용 질문을 각각 참여자의 관점에서 3가지로 다시 구분하여 총 9가지의 질문 패턴을 정의하였다. 또한 이를 통해 동양화에서 등장인물의 성별을 식별한 후, 이를 9가지 패턴의 질문생성에 활용하는 시나리오를 제시하였다.
특히 인물이라는 객체에 대해서도 성별뿐 아니라 표정, 신분 등 다양한 속성을 식별하여 질문 생성에 활용함으로써 더욱 심층적인 인물 분석이 가능해질 것으로 기대한다. 또한 이미지로부터 텍스트를 자동으로 생성하는 최근의 다양한 연구 성과를 활용하여 향후 동양화로부터 더욱 풍성한 질문을 생성할 수 있을 것으로 기대한다.
본 연구의 후속 연구에서는 다음의 측면에 대한 고려가 이루어져야 한다. 본 연구에서는 동양화에 대한 다양한 관점 중 인물이라는 하나의 객체에 대한 관점만 다루었지만 추후 유사한 방식으로 다양한 객체를 식별하여 더욱 풍부한 질문을 생성할 필요가 있다. 특히 인물이라는 객체에 대해서도 성별뿐 아니라 표정, 신분 등 다양한 속성을 식별하여 질문 생성에 활용함으로써 더욱 심층적인 인물 분석이 가능해질 것으로 기대한다.
본 연구의 후속 연구에서는 다음의 측면에 대한 고려가 이루어져야 한다. 본 연구에서는 동양화에 대한 다양한 관점 중 인물이라는 하나의 객체에 대한 관점만 다루었지만 추후 유사한 방식으로 다양한 객체를 식별하여 더욱 풍부한 질문을 생성할 필요가 있다.
이렇듯 얼굴 검출을 위한 다양한 알고리즘이 공개되어 있지만, 이들 대부분은 서양 이미지 데이터 셋을 이용하여 학습되었기 때문에 동양화에 적용했을 때 얼굴검출 정확도가 매우 낮게 나타났다. 즉 서양 이미지를 활용하여 사전학습이 이루어진 경우 동양화의 성별 분석뿐 아니라 얼굴 검출 자체에도 곧바로 적용되는 데 한계가 있음을 확인하였다. 본 연구의 주요 과제는 기존의 사전학습 모델을 활용하여 동양화 성별 분류의 정확도를 향상시키는 것이므로, 동양화에서 얼굴을 검출해내는 과정은 별도의 알고리즘을 적용하지 않고 수작업으로 직접 수행하였다.
본 연구에서는 동양화에 대한 다양한 관점 중 인물이라는 하나의 객체에 대한 관점만 다루었지만 추후 유사한 방식으로 다양한 객체를 식별하여 더욱 풍부한 질문을 생성할 필요가 있다. 특히 인물이라는 객체에 대해서도 성별뿐 아니라 표정, 신분 등 다양한 속성을 식별하여 질문 생성에 활용함으로써 더욱 심층적인 인물 분석이 가능해질 것으로 기대한다. 또한 이미지로부터 텍스트를 자동으로 생성하는 최근의 다양한 연구 성과를 활용하여 향후 동양화로부터 더욱 풍성한 질문을 생성할 수 있을 것으로 기대한다.

참고문헌 (31)

김정희, 김호성, "교육용 플래시 콘텐츠 저작시스템의 구현 및 재사용성 분석," 한국콘텐츠학회논문지, 제5권, 제2호, pp.7-17, 2005.

원문보기 상세보기
E. Holzer, "Welcoming Opposition: Havruta Learning and Montaigne's The Art of Discussion," Journal of Moral Education, Vol.44, No.1, pp.64-80, 2015.

상세보기
전정수, 최고의 공부법, 경향비피, 2015.
장봉석, "국내 하브루타 학습의 효과에 대한 메타 분석," 교육과정연구, 제36권, 제2호, pp.1-24, 2018.
이성일, 하브루타로 교과수업을 디자인하다, 맘에드림, 2018.
정지언, "대학생 자기 성장을 위한 그림책 하브루타 수업 사례연구," 학습자중심교과교육연구, 제20권, 제24호, pp.473-495, 2020.
류재만, 배진희, "사고력 증진을 위한 미술관 감상교육 방안," 학습자중심교과교육연구, 제20권, 제1호, pp.1015-1038, 2020.
이미정, "공감능력과 미술 감상능력의 상관관계 연구," 미술교육논총, 제31권, 제0호, pp.95-118, 2012.
최경남, 김현정, "질문중심 하브루타 명화감상이 유아의 그림감상능력과 그림표상능력에 미치는 영향," 인문사회21, 제11권, 제6호, pp.2665-2680, 2020.
이영석, 유아교육론, 형설출판사, 1998.
정수아, 김현주, "명화감상을 통한 통합적 교육활동이 유아의 창의성에 미치는 영향," 한국교육문제연구, 제32권, 제1호, pp.193-211, 2014.
김금선, 염연경, 생각의 근육 하브루타, 매일경제신문사, 2016.
김보연, 고요나, 신명, 하브루타 수업디자인, 맘에드림, 2019.
우정희, 유재용, 박주영, "대학생의 질문수준, 질문과정 및 질문저해요인," 한국콘텐츠학회논문지, 제15권, 제12호, pp.336-346, 2015.

원문보기 상세보기
D. Lee, D. Kim, J. Lee, S. Lee, H. Hwang, V. Mariappan, M. Lee, and J. Cha, "Design of Low Cost Real-Time Audience Adaptive Digital Signage using Haar Cascade Facial Measures," 국제문화기술진흥원, 제5권, 제1호, pp.51-57, 2017.
K. Warr, Katy, Strengthening Deep Neural Networks: Making AI Less Susceptible to Adversarial Trickery, Oreilly & Associates Inc, 2019.
G. Medioni, J. Choi, M. Labeau, J. T. Leksut, and L. Meng, "3D Facial Landmark Tracking and Facial Expression Recognition," 한국정보통신학회, 제11권, 제3호, pp.207-215, 2013.
이길원, 이활리, 정희운, "딥러닝 기반 제조 공장 내 AGV 객체인식에 대한 연구," 한국정보통신학회논문지, 제25권, 제1호, pp.36-43, 2021.

원문보기 상세보기
송재민, 이새봄, 박아름, "이미지 인식 기술의 산업 적용 동향 연구," 한국콘텐츠학회논문지, 제20권, 제7호, pp.86-96, 2020.

원문보기 상세보기
Y. Lecun, L. Bottou, Y. Bengio, and P. Haffner, "Gradient-based Learning Applied to Document Recognition," Proceedings of the IEEE, Vol.86, No.11, pp.2278-2324, 1998.
T. Mikolov, S. Kombrink, L. Burget, J. Cernocky, and S. Khudanpur, "Extensions of Recurrent Neural Network Language Model," Proceedings of 2011 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 5528-5531, 2011.
김봉모, "딥러닝 기반의 이미지 분류 기술 동향," 한국통신학회, 제35권, 제12호, pp.8-14, 2018.
https://neurohive.io/en/popular-networks/vgg16/
박성욱, 김승현, 임수창, 김도현, "결절성 폐암 검출을 위한 상용 및 맞춤형 CNN의 성능 비교," 멀티미디어학회논문지, 제23권, 제6호, pp.729-737, 2020.

원문보기 상세보기
서동호, 차양훈, "전이학습 기반의 합성곱 신경망을 이용한 애니메이션 캐릭터 성별 분류 기법," 애니메이션연구, 제16권, 제4호, pp.141-156, 2020.
이한수, 김종근, 유정원, 정영상, 김성신, "전이학습 기반의 합성곱 신경망을 이용한 다중클래스 분류에 관한 연구," 한국지능시스템학회논문지, 제28권, 제6호, pp.531-537, 2018.

상세보기
W. Karl, M. K. Taghi, and D. Wang, "A Survey of Transfer Learning," Journal of Big Data, Vol.3, pp.1-40, 2016.
S. J. Pan and Q. Yang, "A Survey on Transfer Learning," IEEE Transactions on Knowledge and Data Engineering, Vol.22, No.10, pp.1345-1359. 2010.

상세보기
정소영, 정민교, "CNN의 깊은 특징과 전이학습을 사용한 보행자 분류," 인터넷정보학회논문지, 제20권, 제4호, pp.91-102, 2019.

원문보기 상세보기
B. Byambajav, J. Alikhanov, Y. Fang, S. H. Ko, and G. S. Jo, "Transfer Learning using Multiple ConvNet Layers Activation Features with Principal Component Analysis for Image Classification," 지능정보연구, 제24권, 제1호, pp.205-225, 2018.

원문보기 상세보기
신현경, "오래된 그림에 그리기 : 동양화에 대한 물음 그리고 되살리기," 미술과 교육, 제21권, 제3호, pp.117-142, 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