A robot usually adopts ANN (artificial neural network)-based object detection and instance segmentation algorithms to recognize objects but creating datasets for these algorithms requires high labeling costs because the dataset should be manually labeled. In order to lower the labeling cost, a new scheme is proposed that can automatically generate a training images and label them for specific objects. This scheme uses an instance segmentation algorithm trained to give the masks of unknown objects, so that they can be obtained in a simple environment. The RGB images of objects can be obtained by using these masks, and it is necessary to label the classes of objects through a human supervision. After obtaining object images, they are synthesized with various background images to create new images. Labeling the synthesized images is performed automatically using the masks and previously input object classes. In addition, human intervention is further reduced by using the robot arm to collect object images. The experiments show that the performance of instance segmentation trained through the proposed method is equivalent to that of the real dataset and that the time required to generate the dataset can be significantly reduced.

In the ground environment, mobile robot research uses sensors such as GPS and optical cameras to localize surrounding landmarks and to estimate the position of the robot. However, an underwater environment restricts the use of sensors such as optical cameras and GPS. Also, unlike the ground environment, it is difficult to make a continuous observation of landmarks for location estimation. So, in underwater research, artificial markers are installed to generate a strong and lasting landmark. When artificial markers are acquired with an underwater sonar sensor, different types of noise are caused in the underwater sonar image. This noise is one of the factors that reduces object detection performance. This paper aims to improve object detection performance through distortion and rotation augmentation of training data. Object detection is detected using a Faster R-CNN.

새롭게 개정된 2015 교육과정에서 정보 교과는 중학교에서 필수 교과로 지정되어 학생들의 컴퓨팅 사고력과 협력적 문제 해결력을 개발하도록 장려한다. 이에 따라 많은 연구자들이 관련 연구들을 진행하고 있다. 여러 간행물들, 연구 논문들 및 교사들의 인식을 검토한 결과 컴퓨팅 사고 수업에서 알고리즘 및 코딩에 중점을 두고 있었다. 컴퓨팅 사고는 컴퓨터를 사용하여 문제를 해결 하는데 필수적인 사고 과정이다. 그러나 사고력 활동이 미리 구조화된 문제에 의해 제약받는 측면이 많이 있음을 관찰할 수 있었다. 본 연구에서는 이러한 문제를 해결하기 위해 구조화되지 않은 열린 문제를 제공함으로써 데이터 활용 능력(data literacy)을 강조한 문제해결 수업을 제안하였다. 또한 데이터 활용 능력 강조 수업이 기존의 구조화된 문제를 활용한 수업에 비하여 학습동기와 학업성취도에 통계적으로 유의한 효과가 있음을 검증하였다. 따라서 컴퓨팅 사고 기반의 문제해결 수업에서 미리 구조화된 문제를 프로그래밍 하는데 초점을 맞춘 수업보다 데이터 활용 능력을 증진하는 문제해결 활동을 활용한 수업이 보다 효과적임을 밝힐 수 있었다.

본 연구는 학습동기가 미약하고 논리적 사고력이 부족하여 추상적인 개념의 데이터베이스 교과에 대해 낮은 학습동기와 낮은 학업성취도를 보이는 학습자에 대한 데이터베이스 교과에서 놀이식 선행조직자 수업을 통한 데이터베이스 개념학습이 학업성취도에 미치는 영향을 알아보기 위한 것이다. 연구 문제를 해결하기 위하여 데이터베이스의 개념학습 단원 중 놀이의 형태로 가능한 부분을 추출한 후 놀이식 선행조직자를 개발하였다. 개발된 놀이식 선행조직자를 바탕으로 경기도 인천에 위치한 고등학교 3학년 2개 학급 각각 대상으로 진행하였다. 본 연구에서는 실험집단 30명과 통제집단 30명으로 선정하였으며, 실험집단은 놀이식 선행조직자를 활용한 교수-학습을 진행하였으며, 통제집단은 설명식 선행조직자를 활용한 교수-학습으로 하여 실험을 진행하였다. 본 연구의 실험 결과, 실험집단과 통제집단 사이의 학업성취도에 유의미한 차이가 나타났다. 따라서 놀이식 선행조직자를 활용한 데이터베이스 개념학습이 학습자의 학업성취도 향상에 유의미한 효과가 있음을 알 수 있었다.