[논문]딥러닝 기반 레이더 간섭 위상 언래핑 기술 고찰

백원경; 정형섭

doi:10.7780/kjrs.2022.38.6.2.2

딥러닝 기반 레이더 간섭 위상 언래핑 기술 고찰
A Review on Deep-learning-based Phase Unwrapping Technique for Synthetic Aperture Radar Interferometry 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.6 pt.2, 2022년, pp.1589 - 1605

백원경 (서울시립대학교 공간정보공학과) , 정형섭 (서울시립대학교 공간정보공학과)

초록
AI-Helper

위상 언래핑은 위성레이더 간섭기법의 필수적인 자료처리 절차다. 이에 따라 비 딥러닝 기반 언래핑 기법이 다수 개발되었으며 최근에는 딥러닝 기반 언래핑 기법이 제안되고 있다. 본 논문에서는 딥러닝 기반 위성레이더 언래핑 기법을 1) 언래핑된 위상의 예측 방법, 2) 위상 언래핑을 위한 딥러닝 모델의 구조 그리고 3) 학습데이터 제작 방법의 측면에서 최근 연구 동향을 소개하였다. 언래핑된 위상을 예측하는 방법은 모호 정수 분류방법, 위상 단절 구간 탐지 방법, 위상 예측 방법, 딥러닝과 전통적인 언래핑 기법의 연계 방법에 따라 다시 세분화하여 연구 동향을 나타냈다. 일반적으로 활용되는 딥러닝 모델 구조의 특징과 전체 위상 정보를 파악하기 위한 모델 최적화 방법에 대한 연구 사례를 소개하였다. 또한 학습데이터 제작 방법은 주로 위상 변이 제작과 노이즈 시뮬레이션 방법으로 구분하여 연구 동향을 정리하였으며 추후 발전 방향을 제시하였다. 본 논문이 추후 국내의 딥러닝 기반 위상 언래핑 연구의 발전 방향을 모색하는 데에 필요한 기반 자료로 활용되기를 기대한다.

Abstract ▼ AI-Helper

Phase unwrapping is an essential procedure for interferometric synthetic aperture radar techniques. Accordingly, a lot of phase unwrapping methods have been developed. Deep-learning-based unwrapping methods have recently been proposed. In this paper, we reviewed state-of-the-art deep-learning-based unwrapping approaches in terms of 1) the approaches to predicting unwrapped phases, 2) deep learning model structures for phase unwrapping, and 3) training data generation. The research trend of the approaches to predicting unwrapped phases was introduced by categorizing wrap count segmentation, phase jump classification, phase regression, and deep-learning-assisted method. We introduced the case studies of deep learning model structure for phase unwrapping, and model structure optimization to relate the overall phase information. In addition, we summarized the research trend of the training data generation approaches in the views of phase gradient and noise in the main. And the future direction in deep-learning-based phase unwrapping was presented. It is expected that this paper is used as guideline for exploring future direction of deep-learning-based phase unwrapping research in Korea.

주제어

표/그림 (4)

그림 Fig. 1. The schematic diagram for training deep learning model.
그림 Fig. 2. Encoder-decoder structure.
표 Table 1. Brief information of recent studies on deep learning based phase unwrapping
그림 Fig. 3. The examples of simple and local noise interferograms; (a) noise free wrapped interferogram, (b) interferometric coherence, (c) simple noise wrapped interferogram, and (d) local noise wrapped interferogram.

AI 본문요약
AI-Helper

문제 정의

이에 따라 본 논문에서는 딥러닝 기반 위성레이더 간섭영상 언래핑 기술에 대하여 고찰하고자 한다. 이와 관련하여 이후 장에서는 위상 언래핑의 정의와 전통적인 비 딥러닝 기반 언래핑 기법에 대하여 간략하게 소개하고, 최근 딥러닝 기반 언래핑 기법을 딥러닝 모델구조, 언래핑 결과 예측 방법 그리고 학습데이터 제작 방법에 따라 구분하여 연구 방향을 소개하고자 한다.
하지만 아직까지 초기 연구단계로 다양한 방향으로 그 가능성이 제시되고 있다. 이에 따라 본 장에서는 딥러닝 기반 언래핑 기법에 일반적으로 활용되는 패치기반 완전 합성곱 신경망(patch-based fully convolutional neural network)을 간략하게 설명하고, 영상 기반 딥러닝 기법의 연구 사례에 대하여 서술하고자 한다. 이때 영상 기반 딥러닝 기법의 모델 학습을 위한 데이터 시뮬레이션 방법, 모델 구조, 그리고 최종적인 언래핑 결과 예측 방법을 중점적으로 리뷰하고자 한다.

제안 방법

이에 따라 본 장에서는 딥러닝 기반 언래핑 기법에 일반적으로 활용되는 패치기반 완전 합성곱 신경망(patch-based fully convolutional neural network)을 간략하게 설명하고, 영상 기반 딥러닝 기법의 연구 사례에 대하여 서술하고자 한다. 이때 영상 기반 딥러닝 기법의 모델 학습을 위한 데이터 시뮬레이션 방법, 모델 구조, 그리고 최종적인 언래핑 결과 예측 방법을 중점적으로 리뷰하고자 한다.
또한 최근 딥러닝 기반 언래핑 기법의 연구 사례를 조사하였을 때에 최종적으로 언래핑된 위상을 예측하는 방법에 차이가 존재하였다. 이에 따라 본 연구에서는 기존 연구 사례를 언래핑된 위상을 예측하는 방법, 딥러닝 모델의 구조, 그리고 학습데이터 제작 방법에 따라 비교하였다(Table 1).
이에 따라 본 논문에서는 딥러닝 기반 위성레이더 간섭영상 언래핑 기술에 대하여 고찰하고자 한다. 이와 관련하여 이후 장에서는 위상 언래핑의 정의와 전통적인 비 딥러닝 기반 언래핑 기법에 대하여 간략하게 소개하고, 최근 딥러닝 기반 언래핑 기법을 딥러닝 모델구조, 언래핑 결과 예측 방법 그리고 학습데이터 제작 방법에 따라 구분하여 연구 방향을 소개하고자 한다.

참고문헌 (64)

Badrinarayanan, V., A. Kendall, and R. Cipolla, 2017. Segnet: A deep convolutional encoder-decoder architecture for image segmentation, IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(12): 2481-2495. https://doi.org/10.1109/TPAMI.2016.2644615/

상세보기
Baek, W.-K., H.-S. Jung, and S.-H. Chae, 2018a. Feasibility of ALOS2 PALSAR2 offset-based phase unwrapping of SAR interferogram in large and complex surface deformations, IEEE Access, 6: 45951-45960. https://doi.org/10.1109/ACCESS.2018.2865799

상세보기
Baek, W.-K. and H.-S. Jung, 2018b. Precise measurements of the along-track surface deformation related to the 2016 Kumamoto earthquakes via ionospheric correction of multiple-aperture SAR interferograms, Korean Journal of Remote Sensing, 34(6-4): 1489-1501 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.6.4.3

원문보기 상세보기
Baek, W.-K., H.-S. Jung, M.-J. Jo, W.-J. Lee, and L. Zhang, 2018c. Ground subsidence observation of solid waste landfill park using multi-temporal radar interferometry, International Journal of Urban Sciences, 23(3): 406-421. https://doi.org/10.1080/12265934.2018.1468275

상세보기
Baek, W.-K. and H.-S. Jung, 2019. A review of change detection techniques using multi-temporal synthetic aperture radar images, Korean Journal of Remote Sensing, 35(5-1): 737-750 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2019.35.5.1.10

원문보기 상세보기
Baek, W.-K. and H.-S. Jung, 2020a. Precise Three-Dimensional Deformation Retrieval in Large and Complex Deformation Areas via Integration of Offset-Based Unwrapping and Improved Multiple-Aperture SAR Interferometry: Application to the 2016 Kumamoto Earthquake, Engineering, 6(8): 927-935. https://doi.org/10.1016/j.eng.2020.06.012

상세보기
Baek, W.-K., H.-S. Jung, and T.-S. Kim, 2020b. Satellite radar observation of large surface collapses induced by the 2017 North Korea nuclear test, Scientific Reports, 10(1): 1-14. https://doi.org/10.1038/s41598-020-74957-2

상세보기
Baek, W.-K., 2022, Phase Unwrapping Using Modified U-Net Regression Model: Focusing on Network Structure and Training Data Optimization, University of Seoul, Seoul, Korea (in Korean with English abstract).
Bera, S. and V.K. Shrivastava, 2020. Effect of pooling strategy on convolutional neural network for classification of hyperspectral remote sensing images, IET Image Processing, 14(3): 480-486. https://doi.org/10.1049/iet-ipr.2019.0561

상세보기
Boncori, J.P.M., 2019. Measuring coseismic deformation with spaceborne synthetic aperture radar: A Review, Frontiers in Earth Science, 7: 16. https://doi.org/10.3389/feart.2019.00016

상세보기
Boureau, Y.L., N. Le Roux, F. Bach, J. Ponce, and Y. LeCun, 2011. Ask the locals: multi-way local pooling for image recognition, Proc. of 2011 IEEE International Conference on Computer Vision, Barcelona, Spain, Nov. 6-11, pp. 2651-2658. https://doi.org/10.1109/ICCV.2011.6126555
Chae, S.-H., W.-J. Lee, W.-K. Baek, and H.-S. Jung, 2019. An improvement of the performance of SAR offset tracking approach to measure optimal surface displacements, IEEE Access, 7: 131627-131637. https://doi.org/10.1109/ACCESS.2019.2938831

상세보기
Chen, C.W. and H.A. Zebker, 2000 Network approaches to two-dimensional phase unwrapping: intractability and two new algorithms, Journal of the Optical Society of America A, 17(3): 401-414. https://doi.org/10.1364/JOSAA.17.000401

상세보기
Chen, C.W. and H.A. Zebker, 2001. Two-dimensional phase unwrapping with use of statistical models for cost functions in nonlinear optimization, Journal of the Optical Society of America A, 18(2): 338-351. https://doi.org/10.1364/JOSAA.18.000338

상세보기
Chen, C.W. and H.A. Zebker, 2002. Phase unwrapping for large SAR interferograms: Statistical segmentation and generalized network models, IEEE Transactions on Geoscience and Remote Sensing, 40(8): 1709-1719. https://doi.org/10.1109/TGRS.2002.802453

상세보기
Chen, R., W. Yu, R. Wang, G. Liu, and Y. Shao, 2013. Integrated denoising and unwrapping of InSAR phase based on Markov random fields, IEEE Transactions on Geoscience and Remote Sensing, 51(8): 4473-4485. https://doi.org/10.1109/TGRS.2013.2268969

상세보기
Cho, K., B. Van Merrienboer, C. Gulcehre, D. Bahdanau, F. Bougares, H. Schwenk, and Y. Bengio, 2014. Learning phrase representations using RNN encoder-decoder for statistical machine translation, arXiv preprint arXiv:1406.1078. https://doi.org/10.48550/arXiv.1406.1078
Costantini, M., 1998. A novel phase unwrapping method based on network programming, IEEE Transactions on Geoscience and Remote Sensing, 36(3): 813-821. https://doi.org/10.1109/36.673674

상세보기
Eineder, M., M. Hubig, and B. Milcke, 1998. Unwrapping large interferograms using the minimum cost flow algorithm, Proc of 1998 IEEE International Geoscience and Remote Sensing, Seattle, WA, USA, Jul. 6-10, vol. 1, pp. 83-87.
Flynn, T.J., 1997. Two-dimensional phase unwrapping with minimum weighted discontinuity, Journal of the Optical Society of America A, 14(10): 2692-2701. https://opg.optica.org/josaa/fulltext.cfm?urijosaa-14-10-2692&id1988

상세보기
Ghiglia, D.C. and L.A. Romero, 1996. Minimum Lp-norm two-dimensional phase unwrapping, Journal of the Optical Society of America A, 13(10): 1999-2013. https://doi.org/10.1364/JOSAA.13.001999

상세보기
Ghiglia, D.C., G.A. Mastin, and L.A. Romero, 1987. Cellular-automata method for phase unwrapping, Journal of the Optical Society of America A, 4(1): 267-280. https://doi.org/10.1364/JOSAA.4.000267

상세보기
Goldstein, R.M., H.A. Zebker, and C.L. Werner, 1988. Satellite radar interferometry: Two-dimensional phase unwrapping, Radio Science, 23(4): 713-720. https://doi.org/10.1029/RS023i004p00713

상세보기
Itoh, K., 1982. Analysis of the phase unwrapping problem, Applied Optics, 21(14): 2470. https://doi.org/10.1364/AO.21.002470

상세보기
Jo, M.-J., B. Osmanoglu, and H.-S. Jung, 2018. Detecting Surface Changes Triggered by Recent Volcanic Activities at Kilauea, Hawai'i, by using the SAR Interferometric Technique: Preliminary Report, Korean Journal of Remote Sensing, 34(6-4): 1545-1553 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.6.4.7

원문보기 상세보기
Johnson, J.M. and T.M. Khoshgoftaar, 2019. Survey on deep learning with class imbalance, Journal of Big Data, 6(1): 1-54. https://doi.org/10.1186/s40537-019-0192-5

상세보기
Joughin, I.R., D.P. Winebrenner, and D.B. Percival, 1994. Probability density functions for multilook polarimetric signatures, IEEE Transactions on Geoscience and Remote Sensing, 32(3): 562-574. https://doi.org/10.1109/36.297975

상세보기
Jung, H.-S., Z. Lu, J.S. Won, M.P. Poland, and A. Miklius, 2011. Mapping three-dimensional surface deformation by combining multiple-aperture interferometry and conventional interferometry: Application to the June 2007 eruption of Kilauea volcano, Hawaii, IEEE Geoscience and Remote Sensing Letters, 8(1): 34-38. https://doi.org/10.1109/LGRS.2010.2051793

상세보기
Kim, S. and Y.S. Kim, 2002. Two-dimensional phase unwrapping using wavelet transform, Electronics Letters, 38(1): 19-20. https://doi.org/10.1049/el:20020007

상세보기
LeCun, Y., Y. Bengio, and G. Hinton, 2015. Deep learning, Nature, 521(7553): 436-444. https://doi.org/10.1038/nature14539

상세보기
Lee, J. S., K.W. Hoppel, S.A. Mango, and A.R. Miller, 1994. Intensity and phase statistics of multilook polarimetric and interferometric SAR imagery, IEEE Transactions on Geoscience and Remote Sensing, 32(5): 1017-1028. https://doi.org/10.1109/36.312890

상세보기
Lee, S.P., Y.K. Chan, T.S. Lim, and V.C. Koo, 2016. Modelling and simulation for InSAR, International Journal of Geoinformatics, 12(2): 49-58.
Lee, W.-J., H.-S. Jung, and Z. Lu, 2015. Application of ERS and Envisat cross-interferometry to generation and accuracy assessment of digital elevation model over northern Alaska, Journal of Applied Remote Sensing, 9(1): 096065. https://doi.org/10.1117/1.JRS.9.096065

상세보기
Li, L., H. Zhang, Y. Tang, C. Wang, and F. Gu, 2022. InSAR Phase Unwrapping by Deep Learning Based on Gradient Information Fusion, IEEE Geoscience and Remote Sensing Letters, 19: 1-5. https://doi.org/10.1109/LGRS.2021.3127318

상세보기
Loffe, S. and C. Szegedy, 2015. Batch normalization: Accelerating deep network training by reducing internal covariate shift, Proc. of the 32nd International Conference on Machine Learning, Lille, France, Jul. 6-11, vol. 37, pp. 448-456. https://doi.org/10.48550/arXiv.1502.03167%20Focus%20to%20learn%20more
Loffeld, O., H. Nies, S. Knedlik, and W. Yu, 2007. Phase unwrapping for SAR interferometry-A data fusion approach by Kalman filtering, IEEE Transactions on Geoscience and Remote Sensing, 46(1): 47-58. https://doi.org/10.1109/TGRS.2007.909081

상세보기
Long, J., E. Shelhamer, and T. Darrell, 2015. Fully convolutional networks for semantic segmentation, Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, Boston, MA, USA, Jun. 7-12, pp. 3431-3440. https://doi.org/10.48550/arXiv.1411.4038
Mahsa, M. and T. Lee, 2018. Comparison of optimization algorithms in deep learning-based neural networks for hydrological forecasting: case study of nam river daily runoff, Journal of the Korean Society of Hazard Mitigation, 18(6): 377-384 (in Korean with English abstract). http://doi.org/10.9798/KOSHAM.2018.18.6.377

상세보기
Martinez-Espla, J.J., T. Martinez-Marin, and J.M. Lopez-Sanchez, 2009. A particle filter approach for InSAR phase filtering and unwrapping, IEEE Transactions on Geoscience and Remote Sensing, 47(4): 1197-1211. https://doi.org/10.1109/TGRS.2008.2008095

상세보기
Oliveira, G. L., 2019. Encoder-decoder Methods for Semantic Segmentation: Efficiency and Robustness Aspects, Albert-Ludwigs-Universitat Freiburg, Freiburg, Germany.
Pepe, A. and F. Calo, 2017. A review of interferometric synthetic aperture RADAR (InSAR) multi-track approaches for the retrieval of Earth's surface displacements, Applied Sciences, 7(12): 1264. https://doi.org/10.3390/app7121264

상세보기
Pu, L., X. Zhang, Z. Zhou, L. Li, L. Zhou, J. Shi, and S. Wei, 2021. A Robust InSAR Phase Unwrapping Method via Phase Gradient Estimation Network, Remote Sensing, 13(22): 4564. https://doi.org/10.3390/rs13224564

상세보기
Rabus, B. and M. Pichierri, 2018. A new InSAR phase demodulation technique developed for a typical example of a complex, multi-lobed landslide displacement field, Fels Glacier Slide, Alaska, Remote Sensing, 10(7): 995. https://doi.org/10.3390/rs10070995

상세보기
Rodriguez, E. and J.M. Martin, 1992. Theory and design of interferometric synthetic aperture radars, IEE Proceedings F: Radar and Signal Processing, 139(2): 147-159. https://doi.org/10.1049/ip-f-2.1992.0018

상세보기
Ronneberger, O., P. Fischer, and T. Brox, 2015. U-net: Convolutional networks for biomedical image segmentation, Proc. of 2015 International Conference on Medical Image Computing and Computer-Assisted Intervention, Munich, Germany, Oct. 5-9, pp. 234-241. https://doi.org/10.48550/arXiv.1505.04597
Rosen, P.A., S. Hensley, I.R. Joughin, F.K. Li, S.N. Madsen, E. Rodriguez, and R.M. Goldstein, 2000. Synthetic aperture radar interferometry, Proceedings of the IEEE, 88(3): 333-382. https://doi.org/10.1109/5.838084

상세보기
Shelhamer, E., J. Long, and T. Darrell, 2016. Fully convolutional networks for semantic segmentation, IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(4): 640-651. https://doi.org/10.48550/arXiv.1411.4038
Sica, F., F. Calvanese, G. Scarpa, and P. Rizzoli, 2020. A CNN-based coherence-driven approach for InSAR phase unwrapping, IEEE Geoscience and Remote Sensing Letters, 19: 4003705. https://doi.org/10.1109/LGRS.2020.3029565

상세보기
Spoorthi, G.E., R.K.S.S. Gorthi, and S. Gorthi, 2020. PhaseNet 2.0: Phase unwrapping of noisy data based on deep learning approach, IEEE Transactions on Image Processing, 29: 4862-4872. https://doi.org/10.1109/TIP.2020.2977213

상세보기
Spoorthi, G.E., S. Gorthi and R.K.S.S. Gorthi, 2018. A Deep Learning-based Model for Phase Unwrapping, Proc. of 2018 11th Indian Conference on Computer Vision, Graphics and Image Processing, Hyderabad, India, Dec. 18-22, pp. 1-8. https://doi.org/10.1109/TIP.2020.2977213

상세보기
Wang, K., Y. Li, Q. Kemao, J. Di, and J. Zhao, 2019. One-step robust deep learning phase unwrapping, Optics Express, 27(10): 15100-15115. https://doi.org/10.1364/OE.27.015100

상세보기
Wang, T., S. Wei, X. Shi, Q. Qiu, L. Li, D. Peng, R.J. Weldon, and S. Barbot, 2018. The 2016 Kaikoura earthquake: Simultaneous rupture of the subduction interface and overlying faults, Earth and Planetary Science Letters, 482: 44-51. https://doi.org/10.1016/j.epsl.2017.10.056

상세보기
Wu, Z., T. Wang, Y. Wang, R. Wang, and D. Ge, 2021. Deep-learning-based phase discontinuity prediction for 2-D phase unwrapping of SAR interferograms, IEEE Transactions on Geoscience and Remote Sensing, 60: 1-16. https://doi.org/10.1109/TGRS.2021.3121906

상세보기
Yu, H., Y. Lan, H. Lee, and N. Cao 2018. 2-D phase unwrapping using minimum infinity-norm, IEEE Geoscience and Remote Sensing Letters, 15(12): 1887-1891. https://doi.org/10.1109/LGRS.2018.2865601

상세보기
Yu, H., Y. Lan, Z. Yuan, J. Xu, and H. Lee, 2019. Phase unwrapping in InSAR: A review, IEEE Geoscience and Remote Sensing Magazine, 7(1): 40-58. https://doi.org/10.1109/MGRS.2018.2873644

상세보기
Yue, H., Z.E. Ross, C. Liang, S. Michel, H. Fattahi, E. Fielding, A. Moore, Z. Liu, and B. Jia, 2017. The 2016 Kumamoto Mw 7.0 earthquake: A significant event in a fault-volcano system, Journal of Geophysical Research: Solid Earth, 122(11): 9166-9183. https://doi.org/10.1002/2017JB014525

상세보기
Yun, S.H., H.A. Zebker, P. Segall, A. Hooper, and M. Poland, 2007. Interferogram formation in the presence of complex and large deformation, Geophysical Research Letters, 34: L12305. https://doi.org/10.1029/2007GL029745

상세보기
Zebker, H.A. and Y. Lu, 1998. Phase unwrapping algorithms for radar interferometry: residue-cut, least-squares, and synthesis algorithms, Journal of the Optical Society of America A, 15(3): 586-598. https://doi.org/10.1364/JOSAA.15.000586

상세보기
Zebker, H.A. and J. Villasenor, 1992. Decorrelation in interferometric radar echoes, IEEE Transactions on Geoscience and Remote Sensing, 30(5): 950-959. https://doi.org/10.1109/36.175330

상세보기
Zeyada, H.H., M.S. Mostafa, M.M. Ezz, A.H. Nasr, and H.M. Harb, 2022. Resolving phase unwrapping in interferometric synthetic aperture radar using deep recurrent residual U-Net, The Egyptian Journal of Remote Sensing and Space Science, 25(1): 1-10. https://doi.org/10.1016/j.ejrs.2021.12.001

상세보기
Zheng, D. and F. Da, 2011. A novel algorithm for branch cut phase unwrapping, Optics and Lasers in Engineering, 49(5): 609-617. https://doi.org/10.1016/j.optlaseng.2011.01.017

상세보기
Zhou, L., H. Yu, and Y. Lan, 2020. Deep convolutional neural network-based robust phase gradient estimation for two-dimensional phase unwrapping using SAR interferograms, IEEE Transactions on Geoscience and Remote Sensing, 58(7): 4653-4665. https://doi.org/10.1109/TGRS.2020.2965918

상세보기
Zhou, L., H. Yu, Y. Lan, and M. Xing, 2022b. Deep learning-based branch-cut method for InSAR two-dimensional phase unwrapping, IEEE Transactions on Geoscience and Remote Sensing, 60: 1-15. https://doi.org/10.1109/TGRS.2021.3099997

상세보기
Zhou, L., H. Yu, V. Pascazio, and M. Xing, 2022a. PU-GAN: A One-Step 2-D InSAR Phase Unwrapping Based on Conditional Generative Adversarial Network, IEEE Transactions on Geoscience and Remote Sensing, 60: 1-10. https://doi.org/10.1109/TGRS.2022.3145342

상세보기

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