https://scholar.dgist.ac.kr/handle/20.500.11750/15652 2026-04-24T15:58:31Z https://scholar.dgist.ac.kr/handle/20.500.11750/60255 Title: 이동감지 마커를 이용한 어깨 관절 위치 추정 방법 및 시스템 Author(s): 강복구; 이현기; 구교권 Abstract: 본 발명은 이동감지 마커를 이용한 어깨 관절 위치 추정 방법을 제공하며, 트래커 카메라를 이용하여 사용자의 손목에 부착되는 광학식 마커를 촬영하여 마커 이미지를 생성하는 단계와 마커 이미지로부터 도출되는 마커 정보를 이용하여 손목 위치 정보를 생성하는 단계와 마커 이미지로부터 일정한 프레임 간격으로 4개의 마커점을 생성하는 단계 및 손목 위치 정보를 이용하여 어깨 관절 위치 정보를 생성하는 단계를 포함할 수 있다. https://scholar.dgist.ac.kr/handle/20.500.11750/60137 Title: 3차원 뼈 모델을 재건하는 장치 및 방법 Author(s): 이현기; 하호건; 이종철 Abstract: 본 개시의 일 실시 예에 따른 3차원 뼈 모델 재건 방법은 각 단계의 적어도 일부가 프로세서에 의해 수행되는 단계로서, 환자의 뼈를 촬영한 적어도 한 장의 엑스레이 영상을 제공 받는 단계 및 엑스레이 영상을 딥 러닝에 기반한 학습 모델에 입력하여 뼈에 대한 SSM(Statistical Shape Model)의 파라미터를 출력하는 단계를 포함할 수 있다. https://scholar.dgist.ac.kr/handle/20.500.11750/60069 Title: 에너지 효율적 인지 연산을 위한 인공신경망 기반 뉴로모픽 디바이스 개발 Author(s): Lee, Chan-Kang; Kim, Yerim; Noh, Hee Yeon; Lee, Hyeon-Jun; Lee, Hyunki Abstract: 최근 인공지능(AI)의 급속한 발전은 인간의 인지 기능을 모방하는 지능형 시스템의 가능성을 확대하였으나, 기존 디지털 컴퓨팅 구조는 폰 노이만 병목 현상으로 인한 에너지 비효율성과 처리 지연 문제를 안고 있다. 이에 본 연구는 메모리와 연산을 통합한 뉴로모픽 컴퓨팅(neuromorphic computing) 개념을 기반으로, 저항 기반 하드웨어(resistance-based hardware)를 이용해 인지 기능을 수행하는 뉴로모픽 소자를 설계•개발하였다. 제안된 구조는 연산과 저장을 동일한 물리적 위치에서 수행함으로써, 기존 CPU•GPU 기반 연산 대비 높은 병렬성과 에너지 효율을 구현할 수 있다. 특히, 복잡한 행렬 연산 및 인공지능 알고리즘을 단일 저항 어레이(crossbar array) 내 전류 합산 형태로 직접 실행함으로써, 기존 소프트웨어 연산을 단순화된 하드웨어 구조로 대체할 수 있음을 보였다. 현재 단계에서는 실제 칩 기반의 전기적 측정 결과는 확보되지 않았으나, 하드웨어 구현을 위한 인공지능 알고리즘 학습 및 가중치 변환 실험을 완료하였으며, 이를 통해 저항값으로 매핑 가능한 신경망 모델을 구축하였다. 또한, 학습된 가중치를 물리적으로 구현하기 위한 positive–negative 저항 페어 구조 기반 크로스바 어레이 회로와 반도체 칩을 체결하기 위한 전용 PCB 하드웨어 보드 제작을 완료하였다. 해당 보드는 칩을 직접 장착하고 외부 계측 장비와 연결하여 전류 응답 및 신호 전달 특성을 분석할 수 있도록 설계되었다. 이를 통해 본 연구는 AI 학습 결과와 실제 칩 하드웨어 구현 간의 연결 구조를 완성한 초기 단계의 실증 기반 뉴로모픽 시스템 개발 가능성을 제시한다. 2025-11-27T15:00:00Z https://scholar.dgist.ac.kr/handle/20.500.11750/59379 Title: Noise-Resilient Masked Face Detection Using Quantized DnCNN and YOLO Author(s): Choi, Rockhyun; Lee, Hyunki; Kim, Bong-Seok; Kim, Sangdong; Kim, Min Young Abstract: This study presents a noise-resilient masked-face detection framework optimized for the NVIDIA Jetson AGX Orin, which improves detection precision by approximately 30% under severe Gaussian noise (variance 0.10) while reducing denoising latency by over 42% and increasing end-to-end throughput by more than 30%. The proposed system integrates a lightweight DnCNN-based denoising stage with the YOLOv11 detector, employing Quantize-Dequantize (QDQ)-based INT8 post-training quantization and a parallel CPU-GPU execution pipeline to maximize edge efficiency. The experimental results demonstrate that denoising preprocessing substantially restores detection accuracy under low signal quality. Furthermore, comparative evaluations confirm that 8-bit quantization achieves a favorable accuracy-efficiency trade-off with only minor precision degradation relative to 16-bit inference, proving the framework's robustness and practicality for real-time, resource-constrained edge AI applications. 2025-11-30T15:00:00Z