최근 GAN(Generative Adversarial Network) 등장 이후 얼굴 표정 재연(face reenactment)의 연구가 활발해지고 있다. 얼굴 표정 재연은 입력으로 주어진 얼굴 이미지를 원하는 표정의 이미지 혹은 표정 정보를 갖는 벡터(vector)을 입력으로 주어 원하는 표정으로 합성하는 기술이다. 본 논문은 GAN 아키텍쳐(architecture)를 기반으로 회전 모듈 (rotate module)과 다양한 각도의 게임 캐릭터 표정을 표정 정보를 갖는 AUs(Action Units) vector를 통해 재연시키 는 방법을 제안한다. 입력으로 다양한 각도의 게임 캐릭터 얼굴이 주어지면 회전 모듈을 통해 정면화(frontalization) 시킨 이미지를 합성한다. 이를 통해, 다양한 각도의 게임 캐릭터들은 각도의 영향에서 벗어날 수 있다. 정면화 이미지는 원하는 표정으로 합성하기 위해 표정 정보를 갖는 AU벡터와 함께 생성자(generator)에 입력으로 주어진다. 이 때, 표정 정보를 갖고 있는 벡터는 AUs를 사용함으로써 다양한 표정과 세기(intensity)를 표현할 수 있다. 생성자는 표정 정보에 대한 관심 지역을 의미하는 관심 마스크(attention mask)를 생성하고 색상 정보를 의미하는 색상 마스크(color mask)를 생성한다. 이를 통해, 게임 캐릭터의 특징과 기타 부착물을 보존하며 표정을 재연한 이미지를 합 성할 수 있다. 관심 마스크와 색상 마스크를 이용하여 원하는 표정으로 재연한 재연 이미지를 합성하고 다시 회전 모듈을 통해 기존의 입력 이미지의 각도로 재회전하여 원하는 결과 이미지를 얻을 수 있다.

We present the first results of the invariant point (IVP) coordinates of the KVN Ulsan and Tamna radio telescopes. To determine the IVP coordinates in the geocentric frame (ITRF2014), a coordinate transformation method from the local frame, in which it is possible to survey using the optical instrument, to the geocentric frame was adopted. The least-square circles are fitted in three dimensions using the Gauss-Newton method to determine the azimuth and elevation axes in the local frame. The IVP in the local frame is defined as the mean value of the intersection points of the azimuth axis and the orthogonal vector between the azimuth and elevation axes. The geocentric coordinates of the IVP are determined by obtaining the seven transformation parameters between the local frame and the east-north-up (ENU) geodetic frame. The axis-offset between the azimuth and elevation axes is also estimated. To validate the results, the variation of coordinates of the GNSS station installed at KVN Ulsan was compared to the movement of the IVP coordinates over 9 months, showing good agreement in both magnitude and direction. This result will provide an important basis for geodetic and astrometric applications.

본 논문에서는 가변요소와 불변요소에 관한 사용자의 상태를 미하이 칙센트미하이의 플로우 이론을 이용하여 분석하고자 하였다. 연구를 위하여 우리는 pc플랫폼의 게임서비스 스팀의 가장 많은 유저수를 보유한 3개의 게임 “플레이어언노운즈 배틀그라운드”, “카운터 스트라크 글로벌 오펜시브”, “톰 클랜시의 레인보우 식스 시즈”을 선정하였다. 우리는 유저의 승패에 직접적으로 영향을 미치는 5가지 요소: 탄착군패턴, 반동패턴, 장비, 스폰 위치, 적 스폰 위치를 선별하였으며, 해당 요소가 가변, 불변요소를 얼마나 내포하였는지, 유저의 의 도에 따라 변화가 가능한지를 확인하고 분류하였다. 또한 우리는 미하이 칙센트미하이의 플로우 이론과 스팀 통계사이트 게임유저수 분석그래프를 통하여 유저풀의 변화를 분석하였다. 이 방법으로 우리는 각각의 게임이 가변요소와 불변요소의 비중에 따라 어떤 유저풀을 가지고 있는지 확인할 수 있었다. 이방법을 통해 우리는 유저심리와 게임개발 모델링에 관하여 공부하고 이것이 장차 앞으로의 게임 개발에 긍정적인 도움이 되기를 바란다.

Invariant 제약조건을 관리하기 위해서는 주로 데이터베이스 트리거를 사용하여 왔다. DB 트리거를 이용해서 제약조건을 관리하는 방법은 개념은 좋지만 시스템에 상당한 부하를 초래하며 성능 측면에서 비현실적이다. 또한, 현실적으로 Invariant는 항상 체크하는 것이 아니라 필요한 시점에서만 체크되어 관리되고 있다. 보통 Invariant는 관련된 비즈니스 프로세스 또는 단위업무를 수행할 때 체크된다. 더욱이 Invariant의 체크시점은 인력 및 장비의 가용성에 관계된 여러 경제적인 이유들로 인해 변경될 수 있다. 본 연구에서는 워크플로, BPMS등의 환경에서 비즈니스 Rule을 포함하는 Invariant 형태의 비즈니스 프로세스 제약조건을 통합 관리할 수 있는 방법론을 제시한다.

COBE's results on the anisotropy of the cosmic microwave background radiation (CMBR) is discussed. Some ambiguities in the linear GI cosmic perturbation theory are clarified. The problem of the last scattering surface and the deficiencies of the linear cosmic perturbation theory are mentioned. The possible ways to overcome the theoretical difficulties are discussed also.

선형시불변계에 있어서, 고차의 원시스템과 근사화되는 저차원모델 사이의 출력응답오차의 제곱의 적분을 평가함수로 취하여, 이 값을 최소로 하는 저차원모델의 파라미터를 구하는 하나의 근사화법을 제안하였다. 본 방법은 Astrom의 알고리즘과 Fletcher-Reeves의 공미경사법을 이용하여 저차원파라미터를 구한 것이다. 그 계산예로서는 발전기계통의 부하주파수제어에 이용되고 있는 4차원시스템을 저차원 근사화시켜서, 그 응답들을 비교.고찰하였다.

Visual place recognition is widely researched area in robotics, as it is one of the elemental requirements for autonomous navigation, simultaneous localization and mapping for mobile robots. However, place recognition in changing environment is a challenging problem since a same place look different according to the time, weather, and seasons. This paper presents a feature extraction method using a deep convolutional auto-encoder to recognize places under severe appearance changes. Given database and query image sequences from different environments, the convolutional auto-encoder is trained to predict the images of the desired environment. The training process is performed by minimizing the loss function between the predicted image and the desired image. After finishing the training process, the encoding part of the structure transforms an input image to a low dimensional latent representation, and it can be used as a condition-invariant feature for recognizing places in changing environment. Experiments were conducted to prove the effective of the proposed method, and the results showed that our method outperformed than existing methods.