https://dspace.hansung.ac.kr/handle/2024.oak/491 2026-06-13T10:56:42Z https://dspace.hansung.ac.kr/handle/2024.oak/10671 Title: 다시점 영상에서 객체 추적 및 세그멘테이션을 위한 프레임워크 Author(s): 용지현 Abstract: 단일 카메라 기반 영상은 시야 제한과 객체 가림(Occlusion)으로 인해 복잡한 장면에서의 객체 인식 및 추적 성능이 제한된다. 다시점 영상은 이러한 한계를 완화할 수 있으나, 한 프레임에서 처리해야 하는 이미지 수가 증가함에 따라 실시간 객체 추적 및 세그멘테이션에서는 높은 계산 복잡도와 방대한 데이터를 처리해야 하는 문제가 발생한다. 본 논문에서는 다시점 영상의 대표적 사례인 플렌옵틱 이미지와 멀티 카메라 이미지를 연구 대상으로 활용하여 이에 적합한 효율적인 객체 추적 및 세그멘테이션 프레임워크를 제안한다. 먼저, 플렌옵틱 이미지 환경에서는 기존 2D 비디오 기반 객체 추적기를 플렌옵틱 구조에 적합하도록 재구성하였다. 또한, 한 프레임 내 다수의 포컬 플레인 이미지 중 필수 정보만을 선별하는 포컬 플레인 이미지 선택 전략을 도입하고, 프레임워크 내부의 딥러닝 기반 특징 추출 모듈과 전처리 단계를 멀티코어로 구성된 CPU와 GPU 환경에서 병렬화하여 계산 효율을 극대화하였다. 또한 본 논문에서는 멀티 카메라 이미지 환경에서는 low-rank projection matrix를 적용한 경량화된 Video Multi-Object Segmenter와 경량화된 Mask refiner를 원본 모델과 동적으로 조합하여 사용하는 효율적인 세그멘테이션 프레임워크를 제안한다. 연속된 프레임 간 코사인 유사도를 적용하여 현재 프레임의 이미지들의 경량화 정도를 적응적으로 조정함으로써, 더욱 fine-grained한 모델 적용을 가능하게 한다. 이때 다중 GPU 환경에서는 경량화 모델들과 원본 모델들이 혼재되어 수행된다. 이로 인해 발생하는 GPU 간 실행 시간 불균형은 프레임 단위 지연을 초래할 수 있다. 이를 해결하기 위하여 매 프레임마다 시스템 내부 GPU들의 하드웨어적인 연결 상태를 고려하여 GPU 간 데이터 이동을 최적으로 수행한다. 이를 통해 각 GPU의 프레임당 세그멘테이션 실행 시간을 균형적으로 유지함으로써, 전체 시스템의 평균 프레임 실행 시간을 최소화하도록 설계하였다. 실험 결과, 제안한 플렌옵틱 이미지 기반 추적 프레임워크는 기존 대비 81.7%의 실행 시간을 단축하였으며, 멀티 카메라 이미지 기반 세그멘테이션 프레임워크는 경량 모델 사용에 따른 IoU 감소를 2.86% 이내로 유지하면서 프레임당 실행 시간을 34.3% 절감하였다. 【주요어】플렌옵틱, 스레드 풀, 멀티 스트림, 멀티뷰, low-rank 근사, 적응형 GPU 부하 재분배|Single-camera-based video suffers from limited object recognition and tracking performance in complex scenes due to restricted field of view and occlusion. Multi-view video can mitigate these limitations, but the increased number of images to process per frame leads to high computational complexity and the need to handle massive data volumes in real-time object tracking and segmentation. This paper proposes efficient object tracking and segmentation frameworks for two representative types of multi-view video: plenoptic imaging and multi-camera imaging. First, in the plenoptic imaging setting, we restructure existing 2D video-based object trackers to better align with the characteristics of plenoptic images. In addition, we introduce an image selection strategy that extracts only the essential focal plane images from the numerous ones available in each frame, and we maximize computational efficiency by parallelizing the deep learning-based feature extraction module and preprocessing stages across a multi-core CPU and GPU environment. Second, in the multi-camera imaging setting, we propose an efficient segmentation framework that dynamically switches between lightweight and original models, and uses Video Multi-Object Segmenter with a low-rank projection matrix and a lightweight Mask Refiner. Furthermore, cosine similarity between consecutive frames is used to accurately determine the extent of motion or variation of target objects. This information enables adaptive adjustment of the lightweight level for the current frame, allowing fine-grained model selection. In a multi-GPU setting, the coexistence of lightweight and original models can lead to execution time imbalance across GPUs, causing frame-level latency. To mitigate this, the proposed framework optimally manages inter-GPU data transfers at each frame by considering the hardware connectivity of GPUs. As a result, the segmentation execution time per frame is balanced across GPUs, minimizing the overall average per-frame execution time. Experimental results demonstrate that the proposed framework maintains the IoU drop within 2.86% due to lightweight model usage, while achieving a 34.3% reduction in average per-frame execution time. 【Keywords】Plenoptic, Thread pool, Multi-stream, Multi-view, low-rank approximation, Adaptive GPU load redistribution 2025-12-31T15:00:00Z https://dspace.hansung.ac.kr/handle/2024.oak/10669 Title: 다중 딥러닝 모델 실행 효율화를 위한 경량화 기법 및 블록 레벨 스케줄링 연구 Author(s): 김혁수 Abstract: 임베디드 환경에서 다중 딥러닝 모델을 동시에 수행할 경우, 모델 간 자원 경쟁으로 인해 실행 지연이 발생하며 이는 지연 시간에 민감한 시스템에서 치명적인 성능 저하로 이어질 수 있다. 이러한 문제를 완화하기 위해서는 모델 경량화 기법을 적용하는 것이 필수적이며, 대표적으로 Quantization과 Pruning이 이에 해당한다. 그러나 이들 기법의 적용 사례는 대부분 분류 모델에 집중되어 있어, 검출 및 추적 모델에 동일한 경량화 기법을 적용한 연구는 상대적으로 드물다. 이를 확장하기 위해 본 논문은 효율적인 DNN 모델을 실행하기 위해 두 가지 측면에서 접근한다. 첫째, 서버 시스템 환경에서 다양한 시각 지능 모델을 대상으로 Pruning과 Quantization을 단독 또는 조합하여 모델 크기, 파라미터 수, 정확도 변화를 체계적으로 분석하였다. 실험 결과, 두 경량화 기법을 같이 적용했을 때 일부 모델에서 더 높은 파라미터 감소 효과를 보이면서도 정확도 손실을 최소화하였다. 또한, 모델 구조 변경 없이 추론 과정을 최적화하는 TensorRT 기반 런타임 최적화 기법을 적용하여, 추가적인 연산 그래프 최적화와 커널 융합을 통해 기존 경량화 기법만으로는 확보하기 어려운 추론 속도 향상과 메모리 효율 개선 효과를 확인하였다. 둘째, 임베디드 환경에서 다중 DNN 작업을 동시에 수행할 때 실행 지연을 최소화하기 위해 블록 단위 동적 스케줄링 및 블록 수준 동적 전환 기법을 제안한다. 해당 기법은 모델을 기능적 단위인 블록으로 분할하여 실행 단위로 구성하고, 병렬 실행 시 오히려 지연을 유발하는 블록을 식별하여 순차 실행으로 전환한다. 또한 각 블록의 실행 지연 정도를 정량화하는 지표인 LAG를 활용해, 지연이 크게 예상되는 블록을 런타임에 경량화된 블록으로 대체하여 지연 시간과 정확도 간의 균형을 실시간으로 유지한다. 대표적인 임베디드 환경인 NVIDIA AGX Jetson Xavier 보드에서 이질적인 다중 DNN을 동시에 실행한 실험 결과, 제안 기법은 최대 29.3%의 지연 시간 감소와 기준 정확도의 90% 이상 유지할 수 있는 성능을 달성하였다. 【주요어】임베디드 딥러닝, LAG, EMA, 모델 압축, 블록 교체, 다중 DNN 스케줄링|In embedded environments, running multiple deep learning models concurrently can lead to execution delays due to resource contention among models, ultimately causing severe performance degradation in latency-sensitive systems. To mitigate this issue, applying model lightweighting techniques becomes essential, with quantization and pruning being the most representative approaches. However, the application of these techniques has been largely limited to classification models, and it is relatively uncommon to apply the same lightweighting methods to detection and tracking models. Therefore, this paper addresses efficient DNN execution from two complementary perspectives. First, in a server-based environment, pruning and quantization were applied individually and in combination to various vision models to analyze changes in model size, parameter count, and accuracy. Experimental results show that combining the two lightweighting techniques yields greater parameter reduction than using either technique alone, while keeping accuracy degradation minimal. Second, to minimize execution delays in multi-DNN concurrent environments, we propose a block-level dynamic scheduling and block-level dynamic replacement technique. In this method, each model is divided into functional units called blocks, which serve as the fundamental execution units. The scheduler identifies blocks that cause additional latency when executed in parallel and selectively switches them to sequential execution. Moreover, using a metric that quantifies the execution delay of each block, blocks expected to incur significant latency are dynamically replaced at runtime with lightweight alternatives to maintain a real-time balance between latency and accuracy. Experiments conducted on a representative embedded platform, the NVIDIA AGX Jetson Xavier, show that the proposed method achieves up to a 29.3% reduction in latency while preserving more than 90% of the baseline accuracy when executing heterogeneous DNNs simultaneously. 【Keywords】Embedded Deep Learning, LAG, EMA, Model Compression, Block Switching, Multi-DNN Scheduling 2025-12-31T15:00:00Z https://dspace.hansung.ac.kr/handle/2024.oak/10658 Title: 화장품 소재로서 고열처리 전복껍질 추출물의 지루성 피부 개선 효과 Author(s): 김규랑 Abstract: 현재 다양한 재료들이 그 효능을 인정받아 기능성 화장품의 원료로 활용되고 있다. 전복껍질 유래 성분 역시 기능성 소재로서 잠재성이 보고 된 바 있으나, 이를 실제 화장품 제형에 적용하여 인체 효능을 검증한 연 구는 매우 제한적이며, 제품 개발 또한 초기 단계에 머물러 있다. 이에 본 연구는 고열처리 전복껍질 추출물(H300)의 지루성 피부 개선 효과를 확 인하고, 재료 분석과 세포 기전 분석을 통해 그 과학적 근거를 검토함으로 써 화장품 소재로서의 활용 가능성을 평가하고자 하였다. 지루성 피부 경 향을 보이는 20대 남성을 대상으로 2주간 H300 또는 비가열 추출물 (NH300)을 1일 2회 도포하는 인체 적용 시험을 실시한 결과, H300 도포 군에서는 피부 수분 증가, 피지 감소, 홍반 완화, 염증 감소 등 지루성 피 부와 연관된 주요 피부 지표가 NH300 대비 더 빠르고 일관되게 개선되었 다. ROI 및 확대 촬영 분석에서도 H300은 모공, 각질, 색조 균질성, 민감 도 등 육안적 지표에서 뚜렷한 개선 경향을 보였으며, 주관적 만족도 역시 H300에서 더 높게 나타났다. 이러한 임상 결과는 세포 기반 기전 연구에서 확인된 결과들과 일치하 였다. 각질세포에서는 H300이 스트레스 조건에서 세포사멸과 염증 신호를 억제하고 항산화 능력을 회복시켰으며, sebocyte에서는 HSL, perilipin, AMPK, PKA를 중심으로 하는 지질 합성 조절 경로가 안정화되며 피지 합성을 억제하였다. 대식세포에서는 M1 염증성 분극이 억제되고 M2 항염 증 분극이 촉진되는 양상을 보여, H300이 피부 면역 미세환경 조절에도 관여함을 확인할 수 있었다. 한편 고열처리 공정이 전복껍질의 결정 구조와 칼슘 방출 특성에 미치 는 영향을 규명하기 위해 재료분석을 실시하였다. 재료 분석 결과, 고열처 리 공정은 전복껍질의 결정 구조를 바늘형에서 다면체 미세입자로 재편성 하고, 방해석(calcite) 중심의 고결정 구조로 전환시켜 Ca²⁺ 방출량을 크게 증가시키며 이후 안정적인 용출을 유지하는 특성을 나타냈다. 이는 각질세 포 분화, 장벽 형성, 염증 신호 조절 등에 관여할 수 있는 지속적인 칼슘 공급 기전의 기반으로 작용할 가능성이 높다. 이와 같이 고열처리 전복껍질 추출물(H300)은 임상적으로 지루성 피 부 상태를 개선하는 효과를 보였고, 이는 세포 수준의 항염, 피지 조절 및 장벽 관련 기전과 재료학적 특성이 복합적으로 작용한 결과로 해석된다. 전복껍질 기반 화장품 개발 및 인체 효능 검증이 매우 제한적인 상황 에서, 본 연구는 고열처리 전복껍질의 구조 변화, 기전 가능성, 인체 효능 을 통합적으로 제시하였다는 점에서 학문적·산업적 가치가 크다. 본 연구 는 H300이 지루성 및 지성 피부를 겨냥한 기능성 화장품 소재로 활용될 수 있음을 제시하며, 향후 다양한 피부 유형과 장기적 적용을 고려한 확장 연구가 필요함을 시사한다. 2025-12-31T15:00:00Z https://dspace.hansung.ac.kr/handle/2024.oak/10659 Title: AI 뷰티앱 기반 개인화마케팅이 소비행동에 미치는 영향 Author(s): 서은희 Abstract: AI 뷰티앱 기반 개인화마케팅이 소비행동에 미치는 영향: 소비가치인식과 감정반응 매개효과 한 성 대 학 교 대 학 원 미 디 어 디 자 인 학 과 뷰 티 디 자 인 매 니 지 먼 트 전 공 서 은 희 최근 AI는 전 세계의 모든 세대에 큰 영향력을 미치고 있으며, AI 기반 마케팅에서는 사용자의 검색 이력이나 구매패턴을 바탕으로 그들이 가장 필요로 하는 맞춤형 콘텐츠와 광고를 적시에 제공함으로써, 소비자의 참여와 만족도를 향상시키고 있다. 이에 본 연구는 AI 뷰티앱 기반의 개 인화마케팅이 소비자 행동에 미치는 영향을 분석하고, 이 과정에서 소비가 치인식과 감정반응의 매개효과를 검증하였다. 또한 AI 뷰티앱을 통해 소 비자가 경험하는 감정적·가치적 변화를 분석함으로써, 보다 효과적인 개인 화된 뷰티 마케팅 전략을 수립하기 위한 기초자료를 제시하고자 하였다. 본 연구의 목적을 달성하기 위해 2025년 5월 1일부터 6월 30일까지 2개월간 AI 뷰티앱 사용 경험이 있는 소비자를 대상으로 자료를 수집하였 으며, 총 481부의 설문지가 최종 분석에 활용되었다. 수집된 온라인 및 오프라인 자료는 자료 코딩 과정을 거쳐 SPSS Ver. 28.0 프로그램을 활 용하여 가설에 대한 실증적 검증을 수행하였다. 연구 결과는 다음과 같다. 뷰티앱 사용 특성에서, 사용 유형은 피부 분석 및 스킨케어 추천 앱, 사진 보정 필터 앱, 헤어스타일·헤어 컬러 체험 앱 등이 주요 범주로 나타 났다. 뷰티앱 사용 목적은 피부 결점 보완 방법 탐색, 스타일링을 위한 활 용, 그리고 외모를 보다 매력적으로 보이게 하기 위한 목적이 높은 비중을 보였다. 한편, 뷰티앱에 대한 전반적 만족도는 75.3%가 ‘만족한다’고 응답 하여 비교적 높은 수준으로 나타났다. 기술통계 분석 결과, 개인화마케팅에 대해서는 ‘유용하다’, ‘시간과 경 제적 비용을 절감한다’는 인식이 높게 나타났다. 소비가치인식 영역에서는 ‘새롭고 유용한 정보’라는 응답이 우세하였으며, 감정반응에서는 ‘사용이 어렵지 않다’, ‘원하는 콘텐츠를 활용하고 싶다’는 긍정적 반응이 높게 나 타났다. 또한 소비행동에서는 ‘호의적이며 긍정적 태도가 형성된다’는 응 답이 다수를 차지하였다. 측정도구의 타당성을 평가하기 위해 요인분석을 실시한 결과, 개인화마 케팅과 소비가치인식, 감정반응, 소비행동은 모두 타당성과 적성 신뢰도가 있는 것으로 나타났다. 변수 간 관계를 파악하기 위해 상관분석을 실시하였다. 분석 결과, 개 인화마케팅, 소비행동, 소비가치인식, 감정반응의 모든 변수 간에 유의한 상관관계가 존재하는 것으로 확인되었다. 인구통계학적 특성에 따른 변수의 차이를 분석한 결과, 40대 여성은 감정반응 수준이 더 높은 것으로 나타났으며, 40대 남성은 소비행동 중 소비태도 인식 수준이 더 높은 것으로 확인되었다. 학력별로는, 대학원 졸 업자의 감정반응에 대한 관심과 만족도가 높게 나타났고, 전문대 및 대학 원 졸업자는 감정반응의 몰입 수준과 소비행동의 소비태도가 상대적으로 높았다. 반면, 소비행동의 구전의도는 고등학교 졸업 이하 집단에서 가장 낮은 수준을 보였다. 소득 수준에 따라서는, 월 200만원 이상 500만원 미 만 소득 집단에서 감정반응의 몰입과 소비행동의 구전의도가 높게 인식되 는 것으로 나타났다. 인구통계학적 특성에 따른 교차분석 결과, 여성이 주로 사용하는 뷰티 앱은 피부 분석 및 스킨케어 추천 앱, 남성의 경우에는 두피 탈모 관련 앱 의 사용 비중이 높게 나타났다. 모든 나이대에서 피부 분석 및 스킨케어 추천 앱의 비중이 높았으나, 50대 이상에서는 헤어스타일과 헤어컬러 체 험 앱의 비중이 가장 높았다. 응답자의 대부분이 주로 사용하는 뷰티앱은 피부 분석 및 스킨케어 추천 앱과 사진 보정 필터 앱의 순이었다. 한편, 200만원 이하의 저소득층에서는 사진 보정 필터 앱을 주로 사용하였고, 중간 소득층에서는 피부 분석 및 스킨케어 추천 앱, 400만원 이상의 고소 득층에서는 헤어스타일과 헤어컬러 체험 앱 순으로 나타났다. 사무/관리 직, 전문직, 학생 직업군에서 주로 사용하는 뷰티앱은 피부 분석 및 스킨 케어 추천 앱이었으나, 서비스직은 사진 보정 필터 앱이 가장 높았다. 연구 가설 검증 결과, 개인화마케팅은 소비가치인식, 소비행동, 감정반 응에 정(+)의 영향을 미치는 것으로 나타났다. 또한, 소비가치인식은 소 비행동에 정(+)의 영향을, 감정반응은 소비행동에 정(+)의 영향을 미치 는 것으로 나타났다. 매개효과 검증 결과, AI 뷰티앱 사용자를 대상으로 한 개인화마케팅과 소비행동 간의 관계에서 소비가치인식은 부분매개효과가 나타났고, AI 뷰 티앱 사용자를 대상으로 한 개인화마케팅과 소비행동 간의 관계에서 감정 반응은 부분매개효과가 나타났다. 본 연구의 결과로서, AI 뷰티앱 기반 개인화마케팅의 다양한 변수들의 영향관계와 매개효과 검증을 통하여, 마케팅은 소비자의 가치 인식을 높이 는 가치 중심의 개인화마케팅으로 진화해야 함을 확인할 수 있었다. 이에 따라 브랜드는 기능적 가치와 더불어 감성적 가치를 설계하는 ‘감정 친화 형 마케팅’으로 전략을 강화할 필요가 있다. 본 연구의 시사점으로, 소비가치인식이 행동의도를 넘어 실질적 소비행 동에 미치는 영향 구조를 확장한 연구로 평가된다. 【주요어】 개인화마케팅, 소비가치인식, 감정반응, 소비행동 2025-12-31T15:00:00Z