주요 연구 내용: VR FPS 게임의 사운드 스트림을 실시간으로 캡처하여 Long-Short-Term Memory (LSTM) 모델로 총성, 피격, 폭발 등 의미론적 이벤트로 분류한다. 이후 분류된 이벤트에 맞춰 미리 디자인된 전신 햅틱 패턴을 생성하여 햅틱 슈트를 통해 사용자에게 전달하는 시스템을 제안함.
주요 결과 및 결론: 사용자 연구를 통해 제안된 의미론적 사운드-햅틱 변환 시스템이 기존의 단순 신호 처리 기반 변환 방식(NS-ALL)이나 의미는 맞지만 패턴이 무작위인 방식(S-RAND)에 비해 일치성, 방해 요소, 선호도 측면에서 월등히 높은 사용자 경험 점수를 기록함. 이는 사운드의 의미를 정확히 분류하고 그에 맞는 햅틱 패턴을 제공하는 것이 몰입감 향상에 중요함을 시사함.
기여점: 게임 프로그램과 독립적으로 작동하면서 실시간으로 사운드의 의미를 파악하여 전신 햅틱 피드백을 자동으로 생성하는 시스템을 개발함. 또한, 사용자 연구를 통해 의미론적 변환과 적절한 햅틱 패턴 디자인이 VR 게임 경험을 크게 향상시킬 수 있음을 실험적으로 증명함.
주요 연구 내용: 2003년부터 현재까지 발표된 딥러닝 기반 직물 결함 검출 관련 논문 38개를 체계적으로 검토하고 분류함. 연구들은 주로 합성곱 신경망(CNN), 생성적 적대 신경망(GAN), 오토인코더(Autoencoder), 순환 신경망(LSTM)과 같은 주요 딥러닝 아키텍처를 기반으로 분석되었음.
주요 결과 및 결론: 딥러닝, 특히 CNN 기반 방법론이 직물 결함 검출에서 95% 이상의 높은 성공률을 보이며 매우 효과적임을 확인함. 가장 많이 활용된 공개 데이터셋은 TILDA였으나, 연구의 일반화와 재현성을 위해 표준화된 대규모 데이터베이스 구축의 필요성을 제기함.
기여점: 본 논문은 딥러닝 기반 직물 결함 검출 분야를 전문적으로 다룬 최초의 최신 리뷰 연구임. 주요 딥러닝 아키텍처의 장단점을 비교 분석하고, 사용된 데이터셋과 성능을 종합적으로 정리하여 해당 분야 연구자들에게 유용한 참고 자료와 향후 연구 방향을 제시함.
주요 연구 내용: 폴리에스터 섬유 염색 공정 최적화를 위해 376건의 실험 데이터를 수집하고, 이를 다층퍼셉트론(MLP), CNN, LSTM 딥러닝 모델에 학습시켜 최종 염색 색상(L*, a*, b*)을 예측함. 각 모델의 성능은 K-겹 교차 검증을 통해 평가 및 비교됨.
주요 결과 및 결론: 세 가지 모델 중 염색 공정의 순차적 특성을 반영한 LSTM 모델이 가장 우수한 예측 성능을 보임. LSTM 모델은 CMC(2:1) 색차 평균이 0.6479로 가장 낮았고, L*, a*, b* 각 값에 대한 R-Square 값도 가장 높아 분산 설명력이 뛰어났음.
기여점: 본 연구는 딥러닝 기술을 염색 공정에 적용하여 객관적인 색상 예측 모델을 개발함. 특히 LSTM 모델의 우수성을 입증함으로써, 작업자의 숙련도에 대한 의존도를 낮추고 재염 발생을 줄여 염색 공정의 효율성과 품질을 최적화할 수 있는 가능성을 제시함.