비파괴검사(Non-Destructive Testing, NDT)에서 결함 탐지 정확도를 향상시키기 위한 유용한 도구로서 심층 신경망이 기대된다. 본 논문에서는 시간에 따라 변하는 자속 밀도의 분포를 영상화한 고급 NDT(이하 자기 영상)에서 결함 탐지 정확도를 향상시키기 위한 심층 신경망 기반 기법을 연구하였다. 심층 신경망은 높은 성능을 달성하기 위해 대규모 데이터에 대한 학습이 필요하나, 자기 영상 기반 NDT의 여러 현장에서 유용한 학습 데이터를 대량으로 확보하기는 쉽지 않다. 따라서 본 연구에서는 흩어져 있는 결함 정보를 특정 영역으로 사상(mapping)함으로써 제한된 양의 학습 데이터만으로도 결함 탐지 정확도를 향상시키는 방법을 탐구하였다. 본 논문에서는 자기 영상 기반 NDT를 위해 변환된 영상을 이용하여 심층 신경망을 학습시켰는데, 변환된 영상은 자기 영상 신호의 교류(AC) 성분은 보존하고, 직류(DC) 오프셋 값은 단일 기준 값에 맞추도록 구성하였다. 여기서 결함 정보는 주로 AC 성분에 포함된다. 실험 결과, 변환된 영상을 사용해 학습한 심층 신경망은 변환이 적용되지 않은 영상으로 학습한 기존 심층 신경망에 비해 결함 탐지 정확도를 유의하게 향상시켰음이 입증되었다.

생물체가 오염물질에 노출될 경우 유해한 영향을 유발할 수 있으므로, 일부 생물체는 다양한 전략을 활용하여 지속적인 노출을 피하려고 한다. 본 연구의 목적은 새우 Palaemon varians가 트리클로산 농도 구배를 감지하고 오염이 덜한 영역으로 회피할 수 있는 능력을 평가하는 것이었다. 이를 위해 2개의 다중 구획 노출 시스템(선형 시스템 및 HeMHAS-Heterogeneous Multi-Habitat Assay System)을 사용하였고, 그 결과를 비교하였다. 마지막으로, 생물학적 군집과 종별 민감도 분포를 통해 민감도 프로파일을 작성하고, 다른 종말점과의 비교를 통해 회피 반응의 민감도를 평가하고자 했다. 트리클로산 구배를 따라 나타난 새우의 분포는 농도에 의존하였으며, 선형 시스템에서는 54 μg/L에서 3%를 넘지 않았고, HeMHAS에서는 81 μg/L에서 7%를 넘지 않았다. 두 시스템 모두에서 개체의 25%가 가장 낮은 농도의 구획을 선호하였다. 개체군의 절반은 약 40–50 μg/L의 농도를 회피하는 것으로 보인다. 중요한 회피(약 20%)를 유발하기 시작(역치)할 수 있는 트리클로산 농도는 18 μg/L로 추정되었다. 트리클로산에 대한 민감도 프로파일은 새우의 회피가 미세조류 성장 및 구피의 회피보다 덜 민감함을 보여주었으나, 95% 이상의 종에서 안전하다고 간주되는 농도에서도 발생할 수 있을 가능성이 있다. 요약하면 (i) HeMHAS는 이질적인 오염 시나리오를 시뮬레이션하는 데 적합한 시스템임이 입증되었고, (ii) 트리클로산은 P. varians에서 회피 반응을 유발했으며, (iii) 회피는 다른 생태독성학적 반응에 비해 매우 민감하였다.

다양한 조명 환경에서의 강건한 얼굴 인식은 성공적인 상용화를 위해 필수적이지만, 이를 달성하기는 어렵다. 조명 변화에 대해 강건한 얼굴 인식을 위해서는 일반적으로 전처리 단계로서 얼굴 영상의 조명 정규화가 필요하다. 지금까지 제안된 대부분의 조명 정규화 방법은 얼굴 영상에 나타나는 드리운 그림자(cast shadow)를 처리할 수 없다. 본 논문에서는 조명 분리 얼굴 정체성 텍스처 부분공간(illumination-separated face identity texture subspace)을 기반으로 한 새로운 얼굴 조명 정규화 방법을 제안한다. 이 부분공간은 조명 변화의 영향을 분리하도록 구성되었기 때문에, 얼굴 영상을 부분공간에 투영하면 양호한 조명 정규화된 얼굴 영상을 얻을 수 있다. 실험을 통해, 제안된 얼굴 조명 정규화 방법이 드리운 그림자뿐만 아니라 부착 그림자(attached shadow)도 효과적으로 제거하며, 우수한 얼굴 조명 정규화를 달성함을 보인다.

AAM(active appearance model)은 얼굴 및 얼굴 특징의 위치 파악에 성공적으로 적용되어 왔다. 그러나 그 성능은 초기 파라미터 값에 민감하다. 본 논문에서는 견고한 얼굴 정렬을 위한 2단계 AAM을 제안하며, 먼저 얼굴의 내부 얼굴-AAM 모델을 얼굴의 내부 얼굴 특징 점들에 적합시킨 다음, 전체 얼굴-AAM 모델의 파라미터를 최적화하여 전체 얼굴 및 얼굴 특징을 국소화한다. 실험 결과, 2단계 AAM을 사용하는 제안된 얼굴 정렬 방법은 표준 AAM 기반 얼굴 정렬 방법에 비해 배경 및 머리 자세(head pose)에 대해 더 신뢰성이 높은 것으로 나타났다.

본 논문에서는 AAM과 Gabor 특징을 이용한 얼굴 인식 알고리즘을 제안한다. Gabor 특징 벡터는 영상에서 나타나는 형상, 스케일, 회전, 왜곡, 조명 및 자세의 작은 변화에 대해 견고하다고 잘 알려져 있으며, 다수의 객체 탐지 및 인식 알고리즘의 특징 벡터로 널리 사용된다. Gabor 특징 벡터를 이용하는 얼굴 인식 알고리즘 중에서 두드러진 방법인 EBGM은 Gabor 특징 벡터를 추출하기 전에 얼굴 특징점의 국소화(localization)가 필요하다. 그러나 EBGM에서 사용하는 국소화 방법은 Gabor jet의 유사도(similarity)에 기반하며 초기값에 민감하다. 얼굴 특징점이 잘못 국소화되면 얼굴 인식률이 저하된다. AAM은 얼굴 특징점 국소화에 성공적으로 적용되어 있음이 알려져 있다. 본 논문에서는 먼저 AAM을 사용하여 얼굴 특징점을 거칠게 추정하고, AAM으로부터 얻은 거친 얼굴 특징점으로 초기점을 설정한 뒤, Gabor jet 유사도 기반 얼굴 특징점 국소화 방법으로 얼굴 특징점을 정밀하게 보정하는 얼굴 특징점 국소화 방법을 고안한다. 또한, 얼굴 특징점 국소화를 위한 이 고안된 방법과 Gabor 특징 벡터를 이용하는 얼굴 인식 알고리즘을 제안한다. 실험을 통해, AAM과 Gabor jet 유사도 모두에 기반한 연쇄(cascaded) 국소화 방법이 Gabor jet 유사도만을 기반으로 한 국소화 방법보다 더 견고함을 관찰하였다. 또한, 이 고안된 국소화 방법과 Gabor 특징 벡터를 사용하는 제안된 얼굴 인식 알고리즘이, EBGM과 같이 Gabor jet 유사도 기반 국소화 방법과 Gabor 특징 벡터를 사용하는 기존 얼굴 인식 알고리즘보다 더 나은 성능을 보임이 제시된다.

눈 위치 파악은 얼굴 인식 및 관련 응용 분야에 필요하다. 지금까지 보고된 대부분의 눈 위치 파악 알고리즘은 성공적인 응용을 위해 정밀도와 계산 시간 측면에서 여전히 개선이 요구된다. 본 논문에서는 초기 점에 대해 더 견고한, 다중 스케일 Gabor 특징 벡터 기반의 눈 위치 파악 방법을 제안한다. Gabor 특징 벡터에 기반한 눈 위치 파악은 먼저 각 눈(왼쪽 또는 오른쪽)에 대해 n개의 Gabor 제트와 n개의 모델 얼굴 영상에서 얻은 각 눈의 평균 눈 좌표로 구성된 Eye Model Bunch를 구성한 뒤, 실제 눈 좌표가 Eye Model Bunch 내의 Gabor 제트 중에서 Gabor 제트 유사도 매칭이 가장 좋은 위치와 매우 근접할 가능성이 높다는 점을 활용하여 입력 얼굴 영상에서 눈을 국소화한다. 이러한 유사한 아이디어는 EBGM(Elastic Bunch Graph Matching) 등에서 이미 제안된 바 있다. 그러나 EBGM에서 사용되는 방법은 초기값에 대해 견고하지 않은 것으로 알려져 있으며 요구되는 성능을 달성하기 위해서는 광범위한 탐색 범위가 필요할 수 있는데, 이러한 광범위한 탐색 범위는 계산 부담을 크게 증가시킨다. 본 논문에서는 계산 부담을 소폭 증가시키는 다중 스케일 접근을 제안하며, 먼저 원본 얼굴 영상을 다운샘플링하여 얻은 거친 얼굴 영상에서 Gabor 특징 벡터를 기반으로 눈을 국소화한 다음, 거친 스케일 영상에서 국소화된 눈 좌표를 초기 점으로 사용하여 원본 해상도의 얼굴 영상에서 Gabor 특징 벡터를 기반으로 눈을 국소화한다. 여러 실험과 다른 논문에서 보고된 다른 눈 위치 파악 방법들과의 비교 결과는 본 논문에서 제안한 방법의 효율성을 보여준다.