http://repository.sungshin.ac.kr/handle/2025.oak/455 2026-03-25T03:50:45Z http://repository.sungshin.ac.kr/handle/2025.oak/7106 Title: 한국형 AAC 그림 상징 시퀀스의 딥러닝 기반 텍스트 문장생성 Author(s): 조희 Abstract: 보완대체의사소통(Augmentative and Alternative Communication; AAC)은 그림, 몸짓과 같은 비구어적 방법을 사용한 의사소통 방법으로, 구어를 사용한 의사소통에 어려움이 있는 사람들은 AAC 상징을 사용하여 자신의 의사를 표현한다. 모바일기기와 소프트웨어의 발전으로 AAC 사용자들의 어플리케이션 활용도가 높아져, AAC 어플리케이션 이외에도 다양한 사회적 네트워크 서비스 사용에 대한 욕구가 클 것으로 생각된다. 하지만 현실적으로 일반인들의 AAC 이해도가 높지 않아, 일상생활에서 AAC 상징을 사용한 의사소통에 어려움이 있다. 본 논문은 국내 AAC 사용자들이 다양한 모바일 플랫폼에서 원활한 의사소통을 할 수 있도록, 딥러닝을 활용하여 한국형 AAC 그림 상징 시퀀스를 한국어 문장으로 생성하는 것을 목적으로 한다. 학습을 위한 데이터로 한국형 AAC 그림 상징 시퀀스 데이터를 구축하였으며, 상징 식별자 기반 시퀀스와 상징 어휘 기반 시퀀스로 표현할 수 있다. 전처리 과정에서 토큰화 방법으로 상징 단위 토큰화 방법과 형태소 단위 토큰화 방법을 사용하였으며, 학습 모델로 게이트 순환 유닛을 사용한 시퀀스-투-시퀀스 모델과 어텐션 메커니즘을 적용한 모델 2가지를 활용하여 토큰화 방법에 따른 모델별 문장생성 성능을 비교하였다. 결과적으로 상징 어휘 기반 시퀀스는 형태소 단위 토큰화 방법을 사용한 어텐션 기반 시퀀스-투-시퀀스 모델에서 가장 높은 성능을 보인 것을 확인하였다. |Augmentative and Alternative Communication(AAC) is a method of communication using non-verbal methods such as images and gestures. People with language impairment use the AAC symbols to express their intentions. As smart devices and mobile applications become popular, the number of AAC applications has been increasing. Current AAC applications are effective in face-to-face communication. However, they are not suitable for non-face-to-face communication on various social network services because ordinary people have a low understanding of AAC. The purpose of this study is to generate the Korean sentence from the Korean AAC symbol image sequences based on deep learning so that Korean AAC users can communicate easily with ordinary people on various mobile platforms. For training data, we constructed the Korean AAC symbol sequences. The Korean AAC symbol sequences can be expressed in the sequences based on symbol identifier(id) or symbol vocabulary. We tokenized the AAC sequences by using morpheme and AAC symbol. Then, using the tokenized AAC sequences, we conducted and compared two deep learning models, the Sequence-to-Sequence model using GRU and the Sequence-to-Sequence model with attention. As a result, we found that the Sequence-to-Sequence model with attention using the morpheme unit tokenization was the best for translating the AAC symbol sequence to the Korean sentences. 2020-12-31T15:00:00Z http://repository.sungshin.ac.kr/handle/2025.oak/6757 Title: 특징 기반의 점묘화 동영상 생성 기법 연구 Author(s): 오슬기 Abstract: 본 논문에서는 영상의 특징 요소가 반영된 점묘화 동영상을 생성하는 시스템을 제안한다. 그동안 컴퓨터 그래픽스(Computer Graphics) 분야에서 점묘 기법 연구는 대부분 단일 이미지를 대상으로 한 연구가 주를 이루었으며, 상대적으로 동영상을 대상으로 한 연구는 미비한 상태이다. 기존의 동영상을 대상으로 한 점묘화 연구[1]는 이미지의 밝기에 따라 점의 밀도를 조절하여 점을 고르게 분포하고, 부가적으로 영상의 특징 표현을 위해 에지(edge) 부분에 점이나 패턴을 추가하는 기법을 제시했다. 하지만 이 방법만으로는 움직이는 대상의 특징을 효과적으로 나타내기 어렵다. 본 연구에서는 단일 이미지 점묘화 기법 중 헤드컷(head-cut) 일러스트 작품처럼 방향성 있는 점 배치를 통해 영상의 특징을 강조한 연구[2]에서 착안하여, 움직이는 대상의 특징 요소를 반영한 점묘화 동영상 생성 시스템을 제안한다. 점묘화 동영상 생성 시스템은 크게 이미지 전처리, 특징 요소를 반영한 점의 배치, 점묘화 동영상 렌더링의 세 단계로 구성된다. 이미지 전처리 단계에서는 점의 밀도를 결정하기 위한 그레이 이미지와 특징 흐름을 반영하기 위한 특징 라인 이미지, 그리고 동영상의 시간적 일관성을 유지하기 위한 프레임 간 차이 이미지를 생성한다. 특징 요소를 반영한 점의 배치 단계에서는 영상의 밝기와 에지 정보를 사용하여 점의 초기 위치를 결정하고, 특징 라인에 영향을 받도록 점을 분포시킨다. 점묘화 동영상 렌더링 단계에서는 각 프레임 별 점의 좌표와 색상 정보를 바탕으로 점을 렌더링 하고 점묘화 동영상을 생성한다. 본 논문에서 제안하는 기법을 통해 움직이는 대상의 특징 표현이 향상된 점묘화 동영상을 생성할 수 있다.| This thesis proposes a system for generating a stippled video expressing feature elements in input video. In many fields of computer graphics, previous stippling techniques have mainly aimed at a single image. On the other hand, studies targeting a video are inadequate. Previous work[1] focused on the brightness of the image in the step of dot distribution and additionally suggested a method to add some of patterns or dots to represent sharp areas of the image. However, this approach is not enough to express the features of moving object effectively. I was inspired from a directional point placement method[2] of the study which is targeting a single image. In this paper, I present a system for generating stippled video. this system mainly consists of three steps. The first step is image preprocessing that generates four images such as gray image, feature line image, difference image. a gray image determines the density of points and a feature line image is produced in order to affect to feature flow also two difference images between a previous frame and a current frame are created to maintain time coherence of the video. The second step determines the initial position of points by using brightness and edge information of image then distributes the points by using the feature line image. The final step is the rendering of stippled video. This step performs rendering dots for each frame and synthesizing video. This method could make stippled video having the better feature representation of the moving object. 2014-12-31T15:00:00Z http://repository.sungshin.ac.kr/handle/2025.oak/6683 Title: 클러스터링 알고리즘을 사용한 비감독형 소프트웨어 품질 예측 모델 Author(s): 박미경 Abstract: 소프트웨어 산업이 발전하면서 개발 프로세스 개선 및 평가 방법이 주목받고 있다. 고수준의 품질을 보장하기 위해서 품질에 영향을 미치는 핵심 부분들을 초기 프로세스에서 선정하고 이에 맞게 한정된 자원들을 분산 배치하여야 하므로 품질 예측 모델이 중요해지고 있다. 소프트웨어 품질 예측 모델을 통해 소프트웨어 프로세스에서 구현이 완료된 후에 나타날 문제를 미리 예측하여 고품질의 높은 신뢰성을 갖춘 시스템 구축 등을 가능하다. 소프트웨어의 특성을 나타내는 입력 모듈에 대해 결함 여부를 예측하는 결함 예측 모델 연구들은 대부분 훈련 데이터 집합이 필요한 감독형 모델에 관련된 것들이었다. 이와 달리, 과거 데이터 집합이 없거나 데이터 집합이 있더라도 현재 프로젝트와 성격이 다른 경우는 비감독형 모델이 필요하지만, 이들에 관한 연구는 모델 구축의 어려움 등으로 인해 극소수만이 존재한다. 모델 제작의 어려움 중 하나는 비감독형 모델을 구축하기 위해 사용되는 클러스터링 알고리즘의 클러스터 개수가 휴리스틱 하게 선택되어야 하는 것이며, 이 수는 예측 모델의 성능에 많은 영향을 미치게 된다. 본 논문에서는 1) 기존 비감독형 모델 연구들에서 사용되었던 K-means 알고리즘뿐만 아니라 사용하지 않은 대표적인 클러스터링 알고리즘인 EM, DBSCAN을 사용한 비감독형 모델과 2) 비감독형 모델 구축 프로세스에서 가장 많은 비용과 노력이 드는 분석 단계의 효율적인 수행을 위해 클러스터 수가 자동으로 결정되는 X-means, EM 알고리즘을 사용한 비감독형 모델들을 제작한다. 이를 실제 프로젝트 데이터 집합에 적용하고 모델의 성능 평가 및 기존의 연구들과의 비교를 통해 제작 모델들의 효용성을 보인다.|As the software industry advances, improvement of software development process and evaluation methods are under the spotlight. In order to ensure a high quality of software, it is needed to select the core part in initial process and place the limited resources properly. Therefore, software quality prediction model is becoming more important. Most previous studies of software fault prediction model which determines the fault-proneness of input modules have focused on supervised learning model using training data set. However, unsupervised learning model is needed in case supervised learning model cannot be applied: either past training data set is not present or even though there exists data set, current project type is changed. Building an unsupervised learning model is extremely difficult that is why only a few studies exist. One of the difficulties is to decide the number of clusters. In this paper, we build unsupervised models using representative clustering algorithms, EM and DBSCAN, that have not been used in prior studies and compare these models with the previous model using K-means algorithm. Also, to solve the problem of selecting the number of clusters, we build unsupervised models using clustering algorithms, EM and X-means, which determine the number of clusters automatically and compare them with results of earlier studies. 2015-12-31T15:00:00Z http://repository.sungshin.ac.kr/handle/2025.oak/6677 Title: 클라우드 환경에서 안전한 OSMU(One-Source Multi-Use) 시스템의 설계 및 구현 Author(s): 김재중 Abstract: 다양한 무선단말기기를 통한 언제, 어디서나 인터넷을 접속할 수 있는 환경이 제공되면서 이미지, 오디오, 데이터, 비디오 등의 디지털 컨텐츠를 확보하고 가공하여 서로 다른 기기로 전송하는 서비스 역시 빠르게 확산되고 있다. 그러나 이러한 서비스는 스마트 폰, 스마트 패드 등의 N-screen 기반의 통합사용자 인증정책이나 방안이 미흡하고, 하나의 컨텐츠에 대하여 다양한 단말기기에서 안전하게 이용할 수 있는 멀티 사용 환경을 제공을 못하고 있다. 이를 해결하기 위해 본 논문은 클라우드 환경에 맞는 신뢰할 수 있는 통합사용자 인증 및 관리가 가능한 안전한 원소스 멀티유즈(Secure One-Source Multi-Use: SOSMU) 시스템을 제안하고자 한다. 설계된 SOSMU 시스템은 단말장치의 리소스나 성능을 고려하여 하나의 컨텐츠를 다양한 단말장치에서 재생할 수 있도록 하는 보안 및 인증기능이 적용된 시스템이다. SOSMU 시스템의 구성은 통합인증메커니즘(Consolidated Authentication Mechanism: CAM), 위험관리메커니즘(Risk Management Mechanism: RMM), 체계적인 정책 설정 및 관리 메커니즘(Policy Compliance Mechanism: PCM) 등으로 구성된다. 첫째, 통합인증 메커니즘(CAM)을 크리덴셜(인증서 등)에 대한 관리 및 사용 방법에 따라서 사용자가 가지고 있는 스마트기기를 이용한 통합인증모델(S-CAM)과 중앙 집중적인 크리덴셜 서버(Credential Server)를 이용한 통합인증모델(C-CAM)로 나누어 제시한다. 둘째, 위험관리 메커니즘(RMM)은 서비스별 사용자 인증 방법을 분석을 통하여 1등급부터 5등급까지의 사용자 인증 등급화 방안 모델(User Authentication Level Model)을 제시하여 각 응용서비스마다 위험평가를 통해 해당서비스에 적합한 사용자 인증의 선택 및 사용 방안을 제시한다. 셋째, 정책 컴플라이언스 메커니즘(PCM)은 정책엔진(Policy Engine)을 통하여 통합적인 정책관리를 수행하고 사용자 정책, 단말기기 정책, 컨텐츠 정책, 데이터 정책으로 나누어 정의한다. SOSMU 시스템은 사용자와 기기에 대한 통합인증 메커니즘, 사용자 인증등급모델이 적용된 위험관리 메커니즘, 체계적인 정책관리 메커니즘을 지원함으로써 컨텐츠에 대한 효율적인 원소스 멀티유즈 환경을 제공뿐만 아니라 다양한 모바일 기기에서 더 안전한 보안 및 개인정보보호를 제공한다. 2013-12-31T15:00:00Z