이 논문은 환경 요인으로 열화된 저궤도(LEO, Low Earth Orbit) 위성 영상에 대해 강건한 차량 검출 방법을 제시한다. RGB 및 IR 영상으로부터 특징 표현을 향상시키기 위해, 디노이징 인코더와 다중 모달 융합(MF) 모듈에 멀티-헤드 스퀴즈-익사이트에이션(multi-head squeeze excitation)을 적용한다. 저해상도에서 소형 차량의 질감 손실을 보상하기 위해, YOLOv5 백본에 공간 주의 모듈(SAM)을 내장하고, 더 세밀한 표현을 학습하기 위해 수정된 광역 활성화 초해상도(WDSR, wide activation super-resolution) 분기를 부착한다. 열화된 영상에 대한 실험 결과, 제안된 모델은 평균정확도(mean average precision, mAP) 측면에서 YOLO 계열 및 SuperYOLO보다 우수함을 보였다.

본 논문에서는 심층 합성곱 신경망(DCNN)을 통해 시각 콘텐츠에 추가 데이터를 임베딩하고 추출하는, 방해를 최소화한 디스플레이-투-카메라(D2C) 통신 방식인 새로운 Dense D2C-Net을 제안한다. Dense D2C-Net의 인코딩 과정은 커버 이미지의 모든 계층 간 연결을 설정하고, 이미지의 시각적 품질을 유지하기 위해 특징 재사용을 촉진한다. 이진 데이터를 임베딩하기 위해 Y 채널을 사용하며, 이는 이미지 압축으로 인한 왜곡에 대한 내성이 높고 색 변환에 대한 민감도가 낮기 때문이다. 인코더 구조는 커버 이미지의 특징 맵과 입력 이진 데이터를 결합하는 하이브리드 계층을 포함하여 임베딩된 데이터를 효율적으로 은닉하며, 다수의 노이즈 계층의 추가는 전송된 데이터에 대해 광 무선 채널이 유발하는 왜곡을 효과적으로 완화한다. 디코더에서는 촬영된 이미지로부터 출력 이진 데이터를 추출하기 위해 일련의 2D 합성곱 계층을 사용한다. 본 연구는 스마트폰 카메라와 디지털 디스플레이를 이용한 실제 환경에서 실험을 수행하였으며, 전송 거리, 촬영 각도, 디스플레이 밝기, 카메라 해상도와 같은 다양한 매개변수에 대해 제안된 방식이 기존의 DCNN 기반 D2C 방식들에 비해 우수한 성능을 보임을 확인하였다.

자유공간광(Free space optical, FSO) 통신은 위성과 지상국 간 통신에서의 고대역폭 요구를 해결하기 위한 가장 필수적인 기술 중 하나가 될 잠재력을 지닌다. 본 연구에서는 위성–지상 FSO 업링크 및 다운링크 통신에서 대기가 미치는 영향을 고찰한다. 업링크와 다운링크 모두에 대해 다양한 대기 조건을 고려하기 위해, 안개 감쇠 계수, 굴절률 파라미터, 코히런스 길이, 난류 모델, 입사각 도달 변동과 같은 FSO 채널 요소를 도출한다. 기존 연구와 달리, 우리는 Fried 파라미터, 천정각(zenith angle), 섬광(scintillation) 지수, Rytov 분산의 변화를 기반으로 FSO 채널 분석을 제공한다. 광학 설정(optical settings)에서의 시뮬레이션 결과를 사용하여, 대기 감쇠 및 강도 변동과 같은 조건이 채널 성능에 미치는 영향을 분석한다. 이러한 고찰을 바탕으로, 난류의 영향을 완화하기 위해 1550 nm가 업링크 및 다운링크 FSO 채널 모두에서 선호되는 파장임을 확인하였으며, 수신기 개구가 클수록 입사각 도달 변화가 감소함을 알 수 있었다.

본 논문에서는 초음파 의료영상에 대한 새로운 딥 합성곱 신경망(DCNN) 기반 초해상도(SR) 기법인 대칭 시리즈 합성곱 신경망(SS-CNN)을 제안한다. 제안된 모델은 특징 추출 네트워크(FEN)와 업샘플링 레이어의 두 부분으로 구성된다. FEN에서 초음파 영상의 저해상도(LR) 대응 영상은 서로 다른 두 개의 DCNN으로 이루어진 대칭적인 시리즈를 통과한다. 두 DCNN의 후속 층들에서 얻은 저수준 특징 맵은 피드포워드 방식으로 연결(concatenation)되며, 재구성 품질의 향상을 보장하기 위한 견고한 특징 추출에 도움을 준다. 이후 최종 연결된 특징은 입력 맵으로서 후반의 2D 합성곱 층들에 전달되며, 입력 영상의 질감 정보는 스킵 연결(skip connections)을 통해 결합된다. 제안 모델의 두 번째 부분은 서브픽셀 합성곱(SPC) 레이어로, 다차원 커널과의 곱셈에 이어 주기적 셔플링(periodic shuffling) 연산을 수행하여 FEN의 출력을 업샘플링함으로써 고품질 SR 초음파 영상을 재구성한다. 공개적으로 이용 가능한 초음파 영상 데이터셋을 사용하여 SS-CNN의 성능을 검증하였다. 실험 결과, 제안된 모델은 봉우리 신호대잡음비(PSNR)와 구조적 유사성 지수(SSIM) 측면에서 기존 방법들에 비해 초음파 영상의 고품질 재구성을 달성하면서도 설득력 있는 SR 재구성 시간을 제공함을 보여준다.

이 논문은 환경 요인으로 열화된 저궤도(LEO, Low Earth Orbit) 위성 영상에 대해 강건한 차량 검출 방법을 제시한다. RGB 및 IR 영상으로부터 특징 표현을 향상시키기 위해, 디노이징 인코더와 다중 모달 융합(MF) 모듈에 멀티-헤드 스퀴즈-익사이트에이션(multi-head squeeze excitation)을 적용한다. 저해상도에서 소형 차량의 질감 손실을 보상하기 위해, YOLOv5 백본에 공간 주의 모듈(SAM)을 내장하고, 더 세밀한 표현을 학습하기 위해 수정된 광역 활성화 초해상도(WDSR, wide activation super-resolution) 분기를 부착한다. 열화된 영상에 대한 실험 결과, 제안된 모델은 평균정확도(mean average precision, mAP) 측면에서 YOLO 계열 및 SuperYOLO보다 우수함을 보였다.

본 논문에서는 심층 합성곱 신경망(DCNN)을 통해 시각 콘텐츠에 추가 데이터를 임베딩하고 추출하는, 방해를 최소화한 디스플레이-투-카메라(D2C) 통신 방식인 새로운 Dense D2C-Net을 제안한다. Dense D2C-Net의 인코딩 과정은 커버 이미지의 모든 계층 간 연결을 설정하고, 이미지의 시각적 품질을 유지하기 위해 특징 재사용을 촉진한다. 이진 데이터를 임베딩하기 위해 Y 채널을 사용하며, 이는 이미지 압축으로 인한 왜곡에 대한 내성이 높고 색 변환에 대한 민감도가 낮기 때문이다. 인코더 구조는 커버 이미지의 특징 맵과 입력 이진 데이터를 결합하는 하이브리드 계층을 포함하여 임베딩된 데이터를 효율적으로 은닉하며, 다수의 노이즈 계층의 추가는 전송된 데이터에 대해 광 무선 채널이 유발하는 왜곡을 효과적으로 완화한다. 디코더에서는 촬영된 이미지로부터 출력 이진 데이터를 추출하기 위해 일련의 2D 합성곱 계층을 사용한다. 본 연구는 스마트폰 카메라와 디지털 디스플레이를 이용한 실제 환경에서 실험을 수행하였으며, 전송 거리, 촬영 각도, 디스플레이 밝기, 카메라 해상도와 같은 다양한 매개변수에 대해 제안된 방식이 기존의 DCNN 기반 D2C 방식들에 비해 우수한 성능을 보임을 확인하였다.

자유공간광(Free space optical, FSO) 통신은 위성과 지상국 간 통신에서의 고대역폭 요구를 해결하기 위한 가장 필수적인 기술 중 하나가 될 잠재력을 지닌다. 본 연구에서는 위성–지상 FSO 업링크 및 다운링크 통신에서 대기가 미치는 영향을 고찰한다. 업링크와 다운링크 모두에 대해 다양한 대기 조건을 고려하기 위해, 안개 감쇠 계수, 굴절률 파라미터, 코히런스 길이, 난류 모델, 입사각 도달 변동과 같은 FSO 채널 요소를 도출한다. 기존 연구와 달리, 우리는 Fried 파라미터, 천정각(zenith angle), 섬광(scintillation) 지수, Rytov 분산의 변화를 기반으로 FSO 채널 분석을 제공한다. 광학 설정(optical settings)에서의 시뮬레이션 결과를 사용하여, 대기 감쇠 및 강도 변동과 같은 조건이 채널 성능에 미치는 영향을 분석한다. 이러한 고찰을 바탕으로, 난류의 영향을 완화하기 위해 1550 nm가 업링크 및 다운링크 FSO 채널 모두에서 선호되는 파장임을 확인하였으며, 수신기 개구가 클수록 입사각 도달 변화가 감소함을 알 수 있었다.

본 논문에서는 초음파 의료영상에 대한 새로운 딥 합성곱 신경망(DCNN) 기반 초해상도(SR) 기법인 대칭 시리즈 합성곱 신경망(SS-CNN)을 제안한다. 제안된 모델은 특징 추출 네트워크(FEN)와 업샘플링 레이어의 두 부분으로 구성된다. FEN에서 초음파 영상의 저해상도(LR) 대응 영상은 서로 다른 두 개의 DCNN으로 이루어진 대칭적인 시리즈를 통과한다. 두 DCNN의 후속 층들에서 얻은 저수준 특징 맵은 피드포워드 방식으로 연결(concatenation)되며, 재구성 품질의 향상을 보장하기 위한 견고한 특징 추출에 도움을 준다. 이후 최종 연결된 특징은 입력 맵으로서 후반의 2D 합성곱 층들에 전달되며, 입력 영상의 질감 정보는 스킵 연결(skip connections)을 통해 결합된다. 제안 모델의 두 번째 부분은 서브픽셀 합성곱(SPC) 레이어로, 다차원 커널과의 곱셈에 이어 주기적 셔플링(periodic shuffling) 연산을 수행하여 FEN의 출력을 업샘플링함으로써 고품질 SR 초음파 영상을 재구성한다. 공개적으로 이용 가능한 초음파 영상 데이터셋을 사용하여 SS-CNN의 성능을 검증하였다. 실험 결과, 제안된 모델은 봉우리 신호대잡음비(PSNR)와 구조적 유사성 지수(SSIM) 측면에서 기존 방법들에 비해 초음파 영상의 고품질 재구성을 달성하면서도 설득력 있는 SR 재구성 시간을 제공함을 보여준다.

본 논문에서는 잡종 풀링(hybrid pooling) 메커니즘을 사용하는 합성곱 신경망(CNN) 기반의 새로운 손가락 정맥 인식 네트워크인 FVR-Net을 제안한다. 본 방식은 시각적 품질과 무관하게 집단 간(interclass) 정맥 이미지 샘플로부터 이산적(discrete) 특징을 추출하기 위한 블록 단위 특징 추출 네트워크(block-wise feature extraction network)의 활용을 기반으로 한다. FVR-Net에 입력되는 이미지는 네트워크에 투입되기 전에 전처리를 거치며, 이를 통해 배경으로부터 정맥 패턴을 분할(segmentation)한다. 우리는 각 블록이 합성곱 계층(convolutional layer) 다음에 잡종 풀링을 포함하고, 해당 블록의 출력 활성화 맵(activation maps)을 연결(concatenation)한 뒤 네트워크 내의 다음 블록으로 특징을 전달하도록 하는 특징 추출 네트워크를 설계하였다. 잡종 풀링 층에서는 maxpooling과 average pooling의 두 개 다운샘플링(subsampling) 층을 병렬로 배치하였는데, 전자는 입력의 가장 이산적인 특징을 활성화하고 후자는 입력 볼륨의 전체 범위를 고려하여 특징의 더 나은 위치 파악(localization)에 접근할 수 있게 한다. 특징 추출 후, 해당 특징들은 분류를 위해 세 개의 완전 연결 층(FCLs; fully connected layers)으로 전달된다. 우리는 이미지의 시각적 품질을 기준으로 두 개의 공개 손가락 정맥 데이터셋에 대해 여러 실험을 수행하였다. 기존 연구와 비교했을 때, 제안 모델은 양호 및 불량 품질 이미지 각각에 대해 최대 97.84%와 97.22%의 정확도를 달성하며 우수한 인식 성능을 보인다. 또한 여러 네트워크 하이퍼파라미터를 변화시킴으로써, 손가락 정맥 생체인식 시스템에서 최상의 인식 정확도를 보장할 수 있는 최적 설정을 도출한다.

위치 자유공간 광통신(Free space optical, FSO)은 위성과 지상국 간의 고속 데이터 전송 수요를 충족할 수 있는 잠재력을 지니고 있으나, 송신기와 수신기 사이의 정확한 정렬을 요구하여 가시선(line-of-sight) 채널 링크를 설정해야 한다. 본 논문에서는 위성 진동과 약한 대기 난류에 의해 영향을 받는 FSO 위성-지상 통신에서 빔 가리기(조준) 오차를 감소시키기 위한 기계 학습(ML) 기반 접근법을 제안한다. ML 모델은 폐루프(closed-loop) FSO 시스템에서 조준 오차 변위(p o inting error displacement)를 줄이는 데 핵심적인 역할을 하는 최적 이득(gain)을 도출하기 위해 사용된다. FSO 환경을 설계하기 위해서는 송신기 및 수신기의 제어 및 시스템 행렬(system matrix) 구성요소, 광 채널의 잡음 매개변수, 조사도(irradiance), 그리고 신호의 섬광 지수(scintillation index) 등 여러 시스템 모델 매개변수를 사용한다. 폐루프 시스템의 이득 행렬(gain matrix)을 예측하기 위해 트리 기반 알고리즘과 같은 ML 방법 및 1D 컨볼루션 신경망(1D convolutional neural network, Conv1D)을 적용한다. 실험 결과, Conv1D 모델은 다른 ML 방법들에 비해 이득 값 예측에서 우수한 성능을 보이며, 빔 위치가 수신기 개구부(receiver aperture) 중심에 유지되도록 도와 조준 오차를 최소화한다. 또한 Conv1D 모델을 기반으로 폐루프 시스템을 구성한 경우, 조준 오차 변위의 오차 분산(error variance)은 맑은 날씨와 약한 안개 상태에서 각각 0.012 및 0.015로 산출되었다. 더불어 본 연구는 폐루프 FSO 시스템에서 입력 특성의 영향을 분석하고, 약한 난류 조건에서 폐루프 구성의 조준 오차 성능을 기존의 개루프(open-loop) 구성과 비교한다.

본 논문은 DenseNet과 squeeze-and-excitation(SE) 기반 채널 주의(channel attention) 메커니즘 및 하이브리드 풀링(HP) 메커니즘을 통합한 새로운 손가락 정맥 인식 모델 SE-DenseNet-HP를 제안한다. 손가락 정맥 패턴을 배경과 뚜렷하게 구분하기 위해 원본 손가락 정맥 영상을 영역-관심영역(region-of-interest, ROI) 추출, 대비 향상, 중간값 필터링, 적응 임계값 처리, 그리고 형태학적 연산을 통해 전처리한다. 이후 전처리된 영상은 강건한 특징 추출과 인식을 위해 SE-DenseNet-HP에 입력된다. DenseNet 기반 백본은 특징 맵 연결(feature map concatenation)을 통해 특징 전파를 향상시키고 특징 재사용을 유도함으로써 정보 흐름을 개선한다. SE 모듈은 채널 주의 메커니즘을 사용하여 손가락 정맥 패턴과 관련된 중요 특징을 강조하는 한편, 상대적으로 덜 중요한 특징은 억제한다. SE-DenseNet-HP의 전이(transition) 블록에서 사용되는 HP 아키텍처는 평균 풀링 방식과 최대 풀링 전략을 결합하여 가장 구별적인 정보와 문맥적 정보를 모두 보존한다. SE-DenseNet-HP는 양질의 FVUSM 및 HKPU 데이터셋에서 각각 99.35%와 93.28%의 인식 정확도를 달성하였으며, 이는 기존 방법론의 성능을 능가한다. 또한 FVUSM, HKPU, UTFVP 및 MMCBNU_6000 데이터셋에서 더 나은 일반화 성능을 보였고, 각각 0.03%, 1.81%, 0.43%, 1.80%의 현저하게 낮은 동등오류율(equal error rate, EER)을 달성하였다.

화면 표시 필드 통신(DFC)은 전자 디스플레이와 카메라 간의 원활한 통신을 가능하게 하는 신흥 기술이다. DFC는 영상 프레임의 주파수 영역 특성을 활용하여 데이터를 삽입하고 전송하며, 그 후 카메라에서 이를 복호화하고 해석한다. DFC는 기존의 디스플레이 및 카메라 인프라를 활용함으로써 화면-카메라 데이터 통신을 위한 새로운 해법을 제공한다. 이로써 비용 효율적이면서도 손쉽게 배치 가능한 솔루션이 된다. DFC는 보안 데이터 전송, 모바일 결제, 대화형 광고를 포함한 다양한 분야에 적용될 수 있으며, 데이터는 카메라를 화면을 향해 가리키는 것만으로 교환할 수 있다. 본 문헌은 DFC에 대한 포괄적인 조사(survey)를 제공하며, 최근 몇 년간 달성된 주요 이정표를 부각하고, 완전히 기능하는 DFC 시스템을 구축하기 위한 향후 과제를 논의한다. 우리는 먼저 화면–카메라 통신(SCC)의 더 넓은 주제를 소개하고, 이를 가시형 및 비가시형 SCC로 분류한다. 이어서 스펙트럼 영역 비가시형 SCC의 한 유형인 DFC를 상세히 탐구한다. 물리 계층에 중점을 두어 다양한 DFC 변형들을 소개한다. 마지막으로, 우리 연구실에서 수행한 유망한 실험 결과를 제시하고, 추가 연구 방향과 과제를 개괄한다.

합성개구레이더(Synthetic Aperture Radar, SAR) 영상의 선박 탐지는 다양한 해양 응용에서 중요하지만, 시점, 배경, 조명 가림, 다중 스케일과 같은 요인들로 인해 소형 선박 탐지는 여전히 어렵다. 본 논문에서는 SAR 영상에서 딥러닝 기반 선박 탐지 모델의 성능을 향상시키는 데 있어 다양한 어텐션 모듈의 효과에 대한 제거(ablation) 연구를 제시하였다. 객체 크기에 따라 가장 효과적인 어텐션 모듈을 파악하기 위해, 백본 네트워크로 ResNet34와 ResNet50을 사용하여 일련의 실험을 수행하였다. 또한 선박 탐지에 효과적인 영상 전처리 기법을 조사하였다. 실험 결과는 컨볼루션 블록 어텐션 모듈(convolutional block attention module, CBAM)이 ResNet34와 같은 단순한 네트워크에서 소형 객체 탐지에 더 우수함을 보여주었고, 공간 어텐션(spatial attention) 모듈은 ResNet50과 같은 복잡한 네트워크에서 더 나은 성능을 보였다. 더 나아가 객체 크기에 따라 영상 스케일을 조정하면, 특히 소형 선박에서 탐지 성능이 현저히 향상되었다. 이러한 결과는 어텐션 메커니즘을 네트워크 아키텍처와 객체 크기에 맞추는 것의 중요성을 강조할 뿐 아니라, 보다 효과적인 SAR 선박 탐지 모델을 설계하는 데 유용한 통찰을 제공한다. 본 결과는 SAR 선박 탐지 분야에서 효과적인 네트워크를 설계하는 데 기여할 수 있다.