보행환경은 개인의 영역이자 공공 공간으로서 시민들의 일상생활에 매우 중요한 요소이다. 보행환경의 중요성이 인지되면서 국가적 차원에서도 보행환경 실태조사를 전국 지자체가 5년마다 시행하도록 법으로 규정하는 등 체계적인 실태조사가 필요한 실정이다. 하지만 보행환경에 대한 실태조사는 일부 지역을 대상으로 현장 조사에 의지하는 등 실태조사 방법론에 있어서는 기존의 한계를 벗어나지 못하고 있다. 본 연구는 고해상도 거리 영상과 딥러닝 기술을 활용한 보행환경 평가 지표 개발을 목표로 하였다. 보행환경 평가 지표 개발을 위해 보행환경 평가와 관련된 국내외 문헌 및 딥러닝 기술을 활용한 보행환경 평가 연구를 리뷰를 토대로 보행환경 평가 지표 초안을 개발하고, 도출된 보행환경 평가 지표의 구체적 데이터 구축 가능성을 확인하기 위해 거리 영상의 시멘틱 세그멘테이션(semantic segmentation) 결과 정확도와 영상 외 필요한 자료에 대한 취득 가능성을 검토한 후 최종 보행환경 평가 지표를 제안하였다. 도출된 보행환경 평가 지표는 안전성, 편리성, 쾌적성, 접근성 4개 카테고리에 8개 지표를 활용하는 것을 제안하였다. 본 연구의 결과는 현장 관찰 조사나 설문조사에 기반한 기존 보행환경 연구의 한계점을 탈피하고 고해상도 거리 영상과 딥러닝 기술을 활용한 도시 연구의 지능화 계기를 마련하고 보행환경 평가 업무를 보다 효율적으로 수행할 수 있는 초석이 될 것으로 기대한다.

2D 퍼즐은 인기있는 보드게임이다. 2D 퍼즐을 완성하는 기술은 많이 연구되었다. 하지만 2D만으로는 대상 을 효과적으로 표현하기 어렵다는 한계가 있다. 본 연구에서는 영상으로부터 높이를 가진 2D+ 레고 퍼즐을 생성하는 방법을 제안한다. 이를 위해서 본 연구에서는 영상의 높이 맵과 분할 맵의 정보를 활용한다. 우리 는 2D+ 퍼즐에 적용하기위해 다양한 대상의 높이 및 영역 정보를 적절하게 처리해야한다. 이러한 이유로, 우리는 깊이 맵과 분할영역 맵을 추출하기 위해 모델에 심층 학습 모델을 적용한다. 높이 맵을 추출하기 위 해 우리는 CelebAMask-HQ dataset으로 학습한 BiseNet을 채택했다. 그리고 분할 맵을 얻기 위해 NYU Depth V2 dataset으로 학습한 DenseDepth를 사용했다. 입력 영상에 대해서 저해상도 영상 및 높이 맵과 분할 맵을 추출하고, 저해상도 영상을 레고 브릭의 색 팔레트를 적용한 영상에 대해서 높이 맵과 분할 맵 정보를 적용해서 높이를 가진 2D+ 픽셀 아트 영상을 생성한다. 그리고, 이 픽셀 아트 영상에 대해서 같은 높이와 같은 색을 가진 픽셀들에 대해서 최대한 큰 브릭을 적용하는 그리디 알고리즘을 적용해서 2D+ 레 고 퍼즐을 완성한다. 본 연구에서는 다양한 초상화를 대상으로 2D+ 레고 퍼즐을 완성하는 예를 제시하였으 며, 그 중 하나를 직접 제작하여 그 결과를 제시한다.

This paper analyses consumers’ perception of the country image of Italy across 7 emerging countries: Brazil, China, India, Indonesia, Russia, South Africa, and Turkey. Drawing from the international marketing and tourism literature (De Nisco, Papadopoulos and Heslop, 2017; Roth and Diamantopoulos, 2009), 4 main structural dimensions of the Italian country image were chosen as focus of investigation: general country image, product-country image, tourism destination image and cultural heritage image. The empirical research was based on a survey conducted on a sample of 4,550 respondents intercepted through an online panel. Two preliminary exploratory factor analysis (EFA) were ran to refine the scales and to summarize the data into structural factors. The first EFAs grouped measurement scales in 7 components: tourism destination image; general country image; product country image; product accessibility; evaluation of hedonic products; evaluation of utilitarian products; and evaluation of Italy as a tourism destination. The second EFA identified 3 distinct components of the cultural heritage image construct, i) art, literature, history, movies, ii) sociality, cooking, handcrafts and iii) traditions, expression, celebrations. Using the dimensions resulting from the EFA as data input, a latent class analysis was then employed. A 4-cluster solution emerged and the four segments reveal how the general country, product, tourism and cultural heritage components of place image are related and of how they jointly affect consumers’ intentions. Moreover, the study provides additional evidence of country of origin effects from the perspective of consumers from emerging markets, where both the

We address improved plant image segmentation based on histograms which requires using a vegetation index and threshold. Image segmentation is the most important step for extracting targets, such as vegetation, from images; this affects successful detection of plant information. Forty-two field images were acquired from a soybean field using an RGB camera. Through K-means clustering analysis, we built a new vegetation index        and generated gray-scale images. Otsu and Triangle thresholds were used to convert contrast images to binary. Optimal threshold values were generally located between the Otsu and Triangle threshold values. The combined threshold method shows 98.79% and 0.95% of mean accuracy and standard deviation, respectively, whereas the Otsu and Triangle method results show 98.17±1.71% and 97.85±1.87%, respectively. These results show that the combined method has significant segmentation potential through one-way ANOVA. Then we compared the results with K-means clustering using two-sample t-test. The K-means method’s mean accuracy is 98.18±1.79%, with no significant difference between the proposed and K-means methods. However, the proposed method’s processing time is 0.60±0.01 s, i.e., twice faster than the K-means method (1.72±0.24 s).

산업의 발달로 인한 생활습관과 신체활동 부족 등으로 한국인의 비만인구가 급증하고 있다. 전산화단층 영상을 이용한 기존의 지방량 계산 프로그램에서 반자동방식의 프로그램이 사용되고 있다. 관련 문제를 해결하기 위한 방법들이 제시되고 있으나 본 연구에서는 모폴로지 연산을 이용한 알고리즘을 제시하고 절차가 간단하고 비교적 계산량이 적은 새로운 방법으로 문제를 해결하고자 한다. 모폴로지 연산을 통해 침식과 팽창을 반복한 결과 영상으로부터 문제점이 해결된 것을 알 수 있어 결과로부터 각 조직 간의 경계를 더욱 정교하게 얻을 수 있었다. LoG (Laplace of Gaussian) 함수를 이용해서 각 조직간 경계 부분을 분할하였다. 각 경계는 명확하게 구분이 되었으며, 피하지방을 계산하기 위해 충분한 정보를 제공하였다. 개발된 분할결과를 사용하여 향후 자동 지방량 계산을 할 수 있다. 정확한 분할 도구를 제공함으로써 의사에게 편리함을 주고 재검사로 인한 피폭과 검사비용을 줄이는데 도움이 될 것으로 판단한다.

Pavement condition deteriorates due to various environmental issues. This can be seen on the pavement surface as a form of distress. A crack can be considered as a typical form of pavement distress in which it may reveal a critical condition of the road. Therefore, automatic and accurate detection of pavement crack and segmentation are crucial for pavement condition assessment and maintenance.

This paper proposes a convolutional neural network model for distinguishing areas occupied by obstacles from a LiDAR image converted from a 3D point cloud. The channels of a LiDAR image used as input consist of the distances to 3D points, the reflectivities of 3D points, and the heights of 3D points from the ground. The proposed model uses a LiDAR image as an input and outputs a result of a segmented LiDAR image. The proposed model adopts refinement modules with skip connections to segment a LiDAR image. The refinement modules with skip connections in the proposed model make it possible to construct a complex structure with a small number of parameters than a convolutional neural network model with a linear structure. Using the proposed model, it is possible to distinguish areas in a LiDAR image occupied by obstacles such as vehicles, pedestrians, and bicyclists. The proposed model can be applied to recognize surrounding obstacles and to search for safe paths.

본 논문에서는 구면 영상에서 영역 분할 정보를 사용하여 바닥 영역을 검출하는 방법을 제시 한다. 평면 영상에서의 Watershed 영역 분할 방법을 수정하여 구면 영상의 영역 분할에 적용할 수 있도록 하였다. 영역들을 분할한 뒤 가정된 바닥 영역 픽셀의 색상과 질감을 그 외의 영역 들과 비교하여 바닥 영역을 검출한다. 구면 파노라마 영상에서는 구면 왜곡으로 인하여 평면에 서의 바닥 검출 방법을 그대로 적용할 수 없다. 구면 왜곡을 고려한 바닥 영역 검출을 위하여 바닥 영역의 외곽선을 검출하는 알고리즘을 설계하였다. 실험에서 지상물이 없는 경우와 있는 경우의 모두에서 적절하게 바닥 영역을 검출할 수 있는 결과를 보였다.

The role of rural towns as a leisure space has recently been increasing with changes in the consumption trends in domestic tourism. Based on the tourists visiting the town of Sunheul-ri, Jocheon-eup, a rural Village in Jeju Island, this study categorized the market according to the images formed by the tourists of rural towns, and analyzed the preferred mode of participation in rural field activities for each category. We analyzed the characteristic factors of the images of rural tourism formed by the tourists, extracted three factors for cluster analysis, and then formed three groups: “Group of Rural Experience Activity” “Group of Rural Environment and Service” and “Group of Rest in the Rural” After analyzing the preferred activity in each image-category group, we found no significant differences among the groups in ordinary activities such as viewing the scenery, experiencing and learning about the natural environment, and culinary experiences. However, there were significant differences among the groups regarding participation in experiential tour programs with the purpose of active tourism. The “Group of Rural Experience Activity” sought to actively participate in various activity programs, whereas the “Group of Rest in the Rural” comparatively had a weaker preference for such active programs. We thus learnt that tourists’ preferred activities are different according to the types of images formed by the tourists visiting rural towns. Therefore, to strengthen the competitive advantage of the rural tourist destinations of Jeju Island, it is necessary to provide various activity programs that are appropriate for the rural regions of Jeju and to accord with the expectations associated with each market segment category by positioning the programs according to the characteristics of the images held by the tourists.

This paper proposes a building recognition algorithm using watershed image segmentation algorithm and integrated region matching (IRM). To recognize a building, a preprocessing algorithm which is using Gaussian filter to remove noise and using canny edge extraction algorithm to extract edges is applied to input building image. First, images are segmented by watershed algorithm. Next, a region adjacency graph (RAG) based on the information of segmented regions is created. And then similar and small regions are merged. Second, a color distribution feature of each region is extracted. Finally, similar building images are obtained and ranked. The building recognition algorithm was evaluated by experiment. It is verified that the result from the proposed method is superior to color histogram matching based results.