이 논문에서는 제로 패딩에 대한 보상 알고리즘을 제안하여 딥 컨볼루션 신경망의 성능을 향상시키고자 한다. 컨볼루션 필터의 특성을 고려함으로써, 제안된 방법들은 제로 패딩 입력으로 인해 발생하는 컨볼루션 출력 오차를 효율적으로 보상한다. 우선 제안된 알고리즘들은 단일 이미지 초해상도(Single Image Super Resolution)를 위한 패치 기반 SRResNet에 대해 개발되었으며, 성능 비교는 SRResNet 모델을 사용하여 수행한다. 그러나 패딩 알고리즘들의 일반화된 특성으로 인해, 그 효능은 폐 CT 이미지 분할을 위한 U-Net에서도 검증한다. 제안된 알고리즘은 최근 개발된 부분 컨볼루션 기반 패딩(partial convolution based padding, PCP)이라 불리는 기존 알고리즘보다 더 나은 성능을 보인다.

단일 이미지 초해상도(SISR) 문제는 고도로 비결정적이기 때문에, 이를 효과적으로 해결하기 위해 딥러닝 신경망은 더 깊은 구조를 요구한다. 초해상도(SR) 문제에서 성공적으로 활용된 딥 신경망 중 하나가 ResNet이며, 이는 스킵 연결(skip connections)을 통해 더 깊은 네트워크의 역량을 구현할 수 있다. 그러나 네트워크에서의 제로 패딩(ZP) 기법은 SRResNet에서 스킵 연결의 이점을 제한하며, 순수 입력 데이터의 개수 대비 제로 패딩된 데이터의 개수 비율이 증가함에 따라 그 성능도 저하된다. 본 논문에서는 SR 문제를 해결하기 위해 ZP 대신 부분 합성곱 기반 패딩(Partial Convolution based Padding, PCP)을 적용한 ResNet을 고려한다. 딥러닝 신경망을 패치(patch) 이미지로 학습하는 것은 학습 이미지 데이터의 수 및 네트워크 복잡도와 같은 여러 측면에서 유리하므로, 패치 이미지 기반 SR 성능을 단일 전체 이미지 기반 성능과 비교한다. 실험 결과, 패치 기반 SRResNet의 SR 결과가 단일 전체 이미지 기반의 결과보다 우수했으며, PCP를 적용한 깊은 SRResNet의 성능이 ZP를 적용한 경우보다 더 우수함이 확인되었다.

본 연구는 음향, 자기, 깊이 센서로 구성된 다중 센서 복합체를 이용하여 혈관(선박/관로 등)의 위치를 결정하는 새로운 방법을 제안한다. 본 연구의 목적은 각 개별 센서의 한계를 극복할 수 있도록 이들의 데이터를 통합함으로써 신뢰성 있고 정밀한 시스템을 구축하는 데 있다. Gaussian Process Regression(GPR)은 다중 센서 시스템이 수집한 희소 데이터를 보간하기 위해 사용되며, Transformer 아키텍처에 기반한 딥러닝 모델은 혈관의 위치를 추정하는 데 활용된다. 본 시스템은 특히 소음이 큰 해양 환경에서 정확도와 견고성을 향상시키도록 설계되었다. 제안 방법은 수중 위치추정에서 실시간 적용 가능성이 있는 것으로 나타났으며, 특히 소음과 간섭이 높은 영역에서 그러하다.

본 논문에서는 환경 공기 온도가 변동할 때 적용할 데이터 보정 알고리즘을 제안한다. 본 논문에서 적외선 데이터를 보정하기 위해 초기 온도 또는 초기 적외선 영상 데이터를 사용함으로써, 표적 소스 시스템이 반드시 필요하지 않도록 한다. 적외선 검출기로부터 획득한 온도 데이터는 표면 온도에 따라 비선형 특성을 나타낸다. 이러한 비선형 특성을 처리하기 위해 테일러 급수(Taylor series) 접근법을 채택하였다. 제안된 알고리즘이 보드의 각 구성요소에 대한 환경 온도의 영향을 감소시킬 수 있음을 보인다. 이 알고리즘의 주요 장점은 기준 온도를 얻기 위해 블랙바디 소스와 같은 다른 기준 장치를 사용하는 대신, 보드 상의 구성요소에 대한 초기 온도만을 사용한다는 데 있다.

계통에 연계된 태양광 발전 전력 컨디셔닝 시스템(PVPCS)이 다수의 주거 지역에 설치됨에 따라, 전력 시스템에서의 계통 보호와 관련된 잠재적 문제들이 제기되고 있다. 이러한 수많은 문제들 중 하나가 섬(Island) 현상이다. 섬 분리(islanding) 확률이 극도로 낮기 때문에 실제에서는 비(非)문제가 될 수 있다는 주장이 있어 왔다. 그러나 다음과 같은 세 가지 반론이 있다. 첫째, 섬 분리의 낮은 확률은 PVPCS와 섬으로 분리된 국소 부하 간의 전력 정합이 100%라는 가정에 근거한다. 실제로는 전력 정합이 100%가 아니더라도 섬은 쉽게 형성될 수 있으며(예를 들어 전압/주파수의 저/과전압과 같은 전통적인 보호만을 사용하는 경우 전력 불일치는 최대 30%까지 가능), 30%의 전력 불일치 조건은 섬 분리 확률을 급격히 증가시킨다. 둘째, 전력 불일치가 더 크더라도, 차단(trip)을 유발할 만큼 전압 또는 주파수가 충분히 벗어나기까지의 시간과, 차단을 수행하는 데 필요한 시간(특히 기존의 개폐 장치가 작동해야 하는 경우)은 배전 회로에서의 전형적인 재투입(re-close) 시간보다 쉽게 더 길어질 수 있다. 셋째, 두(??) 확률 논증은 PVPCS에 대한 연구에 근거한다. 특히 PVPCS의 출력 전력이 국소 부하의 전력 소비량과 같다면, PVPCS가 섬 상태에서 전압과 주파수를 유지하는 것은 매우 어렵다. PVPCS의 의도치 않은 섬 분리는 전력품질 문제, 계통 보호 장치에 대한 간섭, 장비 손상, 그리고 인명 안전에 대한 위험까지 초래할 수 있다. 따라서 대(對) 섬 분리 성능의 검증이 강력하게 필요하다. 본 논문에서 저자들은 IEEE Std 1547(¿전력 시스템에 분산 자원을 상호연계하기 위한 표준¿)에서, 계통 연계 3상 PVPCS의 전력품질 및 대(對) 섬 분리 능력을 고려하여 개선된 RPV 방법을 제안한다. 그리고 시뮬레이션 및 실험 결과로 이를 검증한다.