FAQ 검색 시스템은 정보 검색 분야의 하나로, 사용자 질의로부터 적절한 질문-답변 쌍을 검색하는 작업을 수행한다. 최근 연구에서는 질의-질문 유사성과 질의-답변 관계를 각각 밀집 표현(dense representations)을 사용하여 심층 학습 모델을 별도로 학습하였다. 그러나 질문-답변 쌍의 문장에는 서로 다른 정보가 포함될 수 있으므로, 사용자의 질의에 대한 유사도를 측정할 때 두 문장을 동시에 활용하면 검색 성능을 향상시킬 수 있다. 본 논문에서는 단일 인코더를 사용하여 질의와 질문-답변 쌍 간의 관계를 학습함으로써 검색 성능을 개선할 수 있는 학습 방법을 제안한다. 우리는 StackFAQ 데이터셋에서 인간이 라벨링한 질의를 사용하여 P@5, MAP, MRR 성능을 평가하였다. 성능이 학습 방법의 개선을 통해 향상될 수 있음을 보이기 위해, 이전 연구와 동일한 모델 및 GPT-2로 생성한 동일한 질의 데이터셋을 사용하여 학습하고 검증하였다. 더 나아가 GPT-3.5로 생성한 질의를 사용해 학습하면 성능을 추가로 향상시킬 수 있음을 보였다.

본 논문에서는 고주파 영역에 강인한 새로운 3D 장면 재구성 네트워크를 제안한다. 이는 정확하고 다양한 3D 정보를 추출하기 위해 다중 3D 특징 볼륨을 활용한다. 기존의 복셀 표현 기반 방법은 경사진 서랍 부품 및 책상 모서리와 같은 고주파 영역에서 성능이 좋지 않았다. 또한 벽과 바닥처럼 특징점이 적은 저주파 영역에서도 성능이 저조했다. 이러한 문제를 해결하기 위해, RGB 이미지로부터 에지 표면 법선(edge surface normal) 영상을 추출하고 새로운 분기(branch)를 구성하는 방식으로 다양한 백본 네트워크를 제안한다. 에지 영상은 고주파 영역에 대한 정보를 제공할 수 있으며, 표면 법선 영상은 에지 영상에서의 정보 부족을 보완할 수 있다. 그 결과, 3D 정보뿐 아니라 고주파 영역의 값도 추가될 수 있다. 이러한 입력을 새로운 분기에 적용하면, ConvNeXt 및 Swin Transformer와 같은 다양한 백본 네트워크가 정확한 3D 정보를 유지하는 2D 이미지 특징을 추출한다. 우리는 고주파 영역에서의 강인한 성능을 달성하기 위해, 백본 네트워크의 계층적 구조와 unprojection을 사용하여 전체 장면으로부터 세밀한 장면을 표현할 수 있는 네트워크를 설계하였다. 제안한 방법은 ScanNet 데이터셋에서 정량적이고 정형화된(정형화된) 3D 재구성 결과에서 이전 방법들보다 우수함을 보인다.

최근 들어 딥러닝(Deep Learning)과 기계학습(Machine Learning) 알고리즘을 이용한 수화 인식에 관한 연구가 많이 진행되고 있다. 다양한 종류의 정보를 요구하는 수화의 특성 때문에 단어 단위 수화 인식은 다양한 방법론들이 제시되었다. 수화 인식에 대한 기법은 이미지 기반의 방법과 자세 기반의 방법으로 나뉜다. 초반에는 이미지 기반의 합성곱 신경망을 이용하는 방법들이 제시되어 준수한 성능을 보였다. 이미지 기반의 방법들은 주로 수화의 전체적인 정보에 집중하였다. 그 이후에는 행동 인식 분야에서 많이 사용하던 자세 기반의 관절 정보를 이용한 그래프 합성곱 신경망을 적용하였다. 이때, 얻은 정보들은 대부분 수화에서 관계성에만 집중하였다, 하지만 단일 스트림 신경망으로 얻을 수 있는 정보로는 다양한 종류의 정보가 필요한 수화 특징을 잡아내는 데 부족했고, 많은 논문이 다중 신경망을 통해 수화 인식에 필요한 다양한 정보를 얻었다. 본 논문에서는 수화 인식에서 중요한 얼굴과 손의 지역적인 정보를 얻기 위한 데이터 형태인 관절 좌표 이미지 패치와 트랜스포머 네트워크를 활용한 다중스트림 네트워크를 제안한다.

FAQ 검색 시스템은 정보 검색 분야의 하나로, 사용자 질의로부터 적절한 질문-답변 쌍을 검색하는 작업을 수행한다. 최근 연구에서는 질의-질문 유사성과 질의-답변 관계를 각각 밀집 표현(dense representations)을 사용하여 심층 학습 모델을 별도로 학습하였다. 그러나 질문-답변 쌍의 문장에는 서로 다른 정보가 포함될 수 있으므로, 사용자의 질의에 대한 유사도를 측정할 때 두 문장을 동시에 활용하면 검색 성능을 향상시킬 수 있다. 본 논문에서는 단일 인코더를 사용하여 질의와 질문-답변 쌍 간의 관계를 학습함으로써 검색 성능을 개선할 수 있는 학습 방법을 제안한다. 우리는 StackFAQ 데이터셋에서 인간이 라벨링한 질의를 사용하여 P@5, MAP, MRR 성능을 평가하였다. 성능이 학습 방법의 개선을 통해 향상될 수 있음을 보이기 위해, 이전 연구와 동일한 모델 및 GPT-2로 생성한 동일한 질의 데이터셋을 사용하여 학습하고 검증하였다. 더 나아가 GPT-3.5로 생성한 질의를 사용해 학습하면 성능을 추가로 향상시킬 수 있음을 보였다.

본 논문에서는 고주파 영역에 강인한 새로운 3D 장면 재구성 네트워크를 제안한다. 이는 정확하고 다양한 3D 정보를 추출하기 위해 다중 3D 특징 볼륨을 활용한다. 기존의 복셀 표현 기반 방법은 경사진 서랍 부품 및 책상 모서리와 같은 고주파 영역에서 성능이 좋지 않았다. 또한 벽과 바닥처럼 특징점이 적은 저주파 영역에서도 성능이 저조했다. 이러한 문제를 해결하기 위해, RGB 이미지로부터 에지 표면 법선(edge surface normal) 영상을 추출하고 새로운 분기(branch)를 구성하는 방식으로 다양한 백본 네트워크를 제안한다. 에지 영상은 고주파 영역에 대한 정보를 제공할 수 있으며, 표면 법선 영상은 에지 영상에서의 정보 부족을 보완할 수 있다. 그 결과, 3D 정보뿐 아니라 고주파 영역의 값도 추가될 수 있다. 이러한 입력을 새로운 분기에 적용하면, ConvNeXt 및 Swin Transformer와 같은 다양한 백본 네트워크가 정확한 3D 정보를 유지하는 2D 이미지 특징을 추출한다. 우리는 고주파 영역에서의 강인한 성능을 달성하기 위해, 백본 네트워크의 계층적 구조와 unprojection을 사용하여 전체 장면으로부터 세밀한 장면을 표현할 수 있는 네트워크를 설계하였다. 제안한 방법은 ScanNet 데이터셋에서 정량적이고 정형화된(정형화된) 3D 재구성 결과에서 이전 방법들보다 우수함을 보인다.

최근 들어 딥러닝(Deep Learning)과 기계학습(Machine Learning) 알고리즘을 이용한 수화 인식에 관한 연구가 많이 진행되고 있다. 다양한 종류의 정보를 요구하는 수화의 특성 때문에 단어 단위 수화 인식은 다양한 방법론들이 제시되었다. 수화 인식에 대한 기법은 이미지 기반의 방법과 자세 기반의 방법으로 나뉜다. 초반에는 이미지 기반의 합성곱 신경망을 이용하는 방법들이 제시되어 준수한 성능을 보였다. 이미지 기반의 방법들은 주로 수화의 전체적인 정보에 집중하였다. 그 이후에는 행동 인식 분야에서 많이 사용하던 자세 기반의 관절 정보를 이용한 그래프 합성곱 신경망을 적용하였다. 이때, 얻은 정보들은 대부분 수화에서 관계성에만 집중하였다, 하지만 단일 스트림 신경망으로 얻을 수 있는 정보로는 다양한 종류의 정보가 필요한 수화 특징을 잡아내는 데 부족했고, 많은 논문이 다중 신경망을 통해 수화 인식에 필요한 다양한 정보를 얻었다. 본 논문에서는 수화 인식에서 중요한 얼굴과 손의 지역적인 정보를 얻기 위한 데이터 형태인 관절 좌표 이미지 패치와 트랜스포머 네트워크를 활용한 다중스트림 네트워크를 제안한다.

최근 딥러닝 알고리즘을 기반으로 한 생체인식 시스템에 대한 수요가 증가하고 있으며, 관련 연구가 활발히 진행되고 있다. 보행(gait)은 지문과 같은 고유한 특성을 가지며, 비접촉 상태에서 원거리로부터 얻을 수 있다는 점에서 주목받고 있다. 보행 인식은 사람의 보행 패턴을 분석하여 개인을 식별하는 것을 의미하며, 범죄 수사와 같은 다양한 분야에 적용될 수 있다. 그러나 보행 인식의 정확도는 시점 각도의 변화와 의복 등 외부 요인의 영향을 받아 저하된다. 이러한 문제를 해결하기 위해, 우리는 시점 불변(view-invariant) 특징을 학습하는 골격 실루엣(skeleton silhouette) 기반 분해형 보행 인식 네트워크를 제안한다. 또한 CASIA-B 데이터셋에서의 실험 결과를 이전 방법들과 비교하여 제시한다.

본 연구에서는 초등학교 로봇 활용 SW 교육에서 진행되는 활동 및 학습 내용에 따른 학습자의 흥미를 알아보고자 하였다. 이를 위해 서울 소재의 A 청소년수련관에서 실시하는 로봇 활용 SW 교육에 참여한 초등학생 15명을 대상으로 엔트리와 햄스터 로봇을 활용하여 4주간 수업을 진행하고 기술통계분석을 실시하였다. 연구 결과, 학생들은 햄스터 로봇과 관련된 활동들을 전반적으로 흥미롭게 여기는 것으로 나타났다. 구체적으로, 남학생들은 가속도 센서, 밝기 센서와 관련된 활동의 흥미가 높고, 여학생은 소리, 움직임과 관련된 활동의 흥미가 높은 것으로 나타나 성별의 차이가 관찰되었다. 본 연구는 활동 및 학습 내용에 따른 학생들의 흥미를 알아보고, 성별의 차이를 분석하여, 학교 현장에서 활용할 수 있는 구체적인 자료를 제공하였다는 데 연구의 의의를 찾을 수 있다.

본 논문에서는 책, 음악, 영화 등과 같이 단일 항목을 추천하는 기존 방법의 한계를 극복하고, 패션, 요리 등과 같이 연관성에 따른 항목의 조합, 즉 그룹을 추천하는 방법을 다룬다. 협업 필터링은 사용자 간의 유사도를 측정하여 비슷한 성향의 사용자들이 선택한 항목을 추천하는 방법이며, 사용자의 성향을 예측할 수 있다는 장점이 있다. 본 논문에서는 이러한 협업 필터링과 연관 규칙을 바탕으로 빈발 항목 집합을 생성하고, 그룹 간의 유사도에 따라 그룹을 추천하는 알고리즘을 제안한다. 제안하는 방법의 타당성을 검증하기 위하여 의류 전자상거래에서 4개월 동안 소비자가 구매한 목록 데이터로 실험을 수행하였다. This paper deals with a method to recommend the combination of items as a group according to similarity to handle application area such as fashion and cooking, while the previous methods recommend single item such as a book, music or movie. Collaborative filtering is a method to recommend an item selected by users with similar tendency based on similarity between users. In this paper, the proposed method generates a set of frequent items based on collaborative filtering and association rules and recommends a group by similarity between groups. To show the validity of the proposed method, experiments are performed with purchase data collected from e-commerce for four months.