실감형 콘텐츠의 변형에 강인한 특징점을 이용한 딥 러닝 기반 콘텐츠 인식 메커니즘 :A Content Recognition Mechanism Based on Deep Learning Using Robust Fingerprint Against Deformation of Immersive Content

박병찬

추천

검색

자료유형: 학위논문

저자정보: 박병찬 (숭실대학교, 숭실대학교 대학원)

지도교수: 김석윤

발행연도: 2023

저작권: 숭실대학교 논문은 저작권에 의해 보호받습니다.

이용수4

이 논문의 연구 히스토리 (3)

2023

실감형 콘텐츠의 변형에 강인한 특징점을 이용한 딥 러닝 기반 콘텐츠 인식 메커니즘

박병찬 컴퓨터학과 2023.01 학위논문

2020

딥 러닝을 이용한 실감형 콘텐츠 특징점 추출 및 식별 방법

박병찬 , 장세영 , 유인재 외 3명 전기전자학회논문지 2020.06 학술저널

딥 러닝을 이용한 실감형 콘텐츠 특징점 인식률 향상 방법

박병찬 , 장세영 , 유인재 외 3명 전기전자학회논문지 2020.06 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

실감형 콘텐츠는 5G 이동 통신 서비스가 시작됨에 따라 이동통신사의 자체 미디어 플랫폼을 통해 본격적으로 유통됨과 동시에 온라인 환경에서 저작권 보호 기술 해체 및 영상을 기하학적 변형하여 웹하드, 토렌트 등을 통해 대량으로 불법 복제 및 유통되고 있다. 실감형 콘텐츠는 초고화질을 지원하며, 360°의 전 방향을 두 대 이상의 카메라를 통해 촬영한 영상을 스티칭 기술을 이용하여 하나의 영상으로 만들어 영상의 크기가 크며, 다양한 프로젝션 기술을 적용하여 렌더링 되어 영상의 왜곡 영역 존재하는 등의 특징으로 기존 영상에 적용되는 저작권 보호 기술인 필터링 기술을 그대로 사용하기엔 무리가 있다. 또한, 초고화질에 따른 추출되는 특징점의 증가로 기존 필터링 방법을 이용할 경우 영상인식 속도가 느려지며, 인식률 또한 저하되는 문제가 있어 실감형 콘텐츠의 특징에 적합한 필터링 기술이 필요하다.
본 논문에서는 실감형 콘텐츠의 적용된 다양한 프로젝션의 영향으로 인한 왜곡 영역의 존재, 초고화질 및 고프레임 지원으로 인한 대용량인 실감형 콘텐츠의 특징으로 인하여 기존 필터링 기술을 적용할 수 없는 문제를 해결하기 위해 기존 영상의 강인성 지표를 응용 및 실감형 콘텐츠의 특징을 고려한 실감형 콘텐츠만의 강인성 지표를 제안한다. 또한, 이러한 강인성 지표를 기반으로 실감형 콘텐츠 필터링 기술을 적용하기 위한 실감형 콘텐츠의 변형에 강인한 특징점 추출 방법을 제안하여 실감형 콘텐츠의 변형에 강인한 특징점 추출 및 인식 방법을 제안한다.
본 논문에서는 제안하는 방법은 실감형 콘텐츠의 강인성 지표를 기반으로 공격이 예상되는 변형 항목을 원본 실감형 콘텐츠에 미리 가하고 사전 변형 특징점을 추출하여 원본 실감형 콘텐츠의 특징점과 K-Nearest Neighbor Matching 및 RANSAC을 통해 매칭된 특징점을 변형에 강인한 특징점인 우수 특징점을 추출한다.
본 논문에서는 제안하는 방법은 실감형 콘텐츠의 강인성 지표를 기반으로 공격이 예상되는 변형 항목을 원본 실감형 콘텐츠에 미리 가한 사전 변형 프레임의 특징점과 원본 실감형 콘텐츠의 특징점을 K-Nearest Neighbor Matching 및 RANSAC을 통해 매칭하여 실감형 콘텐츠의 변형에 강인한 특징점인 우수 특징점으로 추출한다. 이러한 우수 특징점을 각 변형 항목별로 추출하여 원본 데이터셋으로 구축하고 변형 공격된 실감형 콘텐츠가 질의 되었을 때, 질의 데이터를 추출하여 원본 데이터와 유사도 검사를 통해 원본 실감형 콘텐츠로 인식하는 방법인 실감형 콘텐츠 변형에 강인한 특징점을 이용한 딥 러닝 기반 콘텐츠 인식 메커니즘을 제안한다.
질의 실감형 콘텐츠 18,000개를 제안하는 필터링 시스템에 적용하여 실험하였고 약 1초의 빠른 인식 속도와 97%의 높은 인식률의 결과를 확인하였다.

Immersive contents are distributed in earnest through mobile carriers'' own media platforms as the 5G mobile communication service begins, at the same time copyright protection technology is dismantled and images are geometrically transformed, and they are illegally copied and distributed in large quantities through web hardware and torrents in large quantities through webhards, torrents, etc. The immersive content supports ultra-high definition and uses stitching technology to create a single image from images taken in all directions of 360° through two or more cameras, so the image is essentially large in size and rendered using various projection technologies. Hence, it is difficult to use the existing filtering technology, which is a copyright protection technology applied to conventional 2-D images, due to the presence of a distortion area of the image. In addition, when using the existing filtering method, the image recognition speed slows down and the recognition rate also deteriorates due to the large size of extracted feature points according to ultra-high definition. Therefore a new filtering technology suitable for the characteristics of immersive contents is required.
This dissertation proposes a set of robustness indicators for immersive contents considering the characteristics of immersive contents in order to solve the problem that the existing 2-D filtering technology cannot be applied due to the presence of distortion areas owing to the various projections and the large size of immersive contents arising from ultra-high definition and high frame support, which hinders the application of the existing filtering technology for immersive contents. In addition, based on the proposed robustness indicators, the feature point extraction and recognition method is proposed that is robust against deformation of immersive contents to apply for immersive content filtering technology.
In this dissertation, the proposed method extracts pre-modified feature points by applying a variant item that is expected to use in the attacks to the original immersive content in advance, based on the robustness indicators of the immersive contents, and K-Nearest Neighbor Matching and RANSAC matched feature points are extracted as excellent feature points, which are feature points that are robust to deformation. This dissertation proposes a deep learning-based content recognition mechanism using the feature points that are robust to content transformation. The proposed method constructs the original dataset by extracting the excellent feature points for each modified item, and when the modified immersive content is queried, it extracts the query data and recognizes it as the original immersive content through a comparison test with the original data.
In order to verify the validity of the proposed mechanism, 18,000 query immersive contents have been applied to the sample filtering system for experiment. The experimental results shows a high recognition rate at a recognition speed of about 1 second and a fast recognition speed of mre than 97%.

제 1 장 서 론 1
1.1 연구 배경 및 목적 1
1.2 연구 방법 및 범위 5
1.3 논문의 구성 7
제 2 장 관련 연구 9
2.1 프로젝션 방법 9
2.1.1 개요 9
2.1.2 Equirectangular Projection 9
2.1.3 Cubemap Projection 11
2.1.4 Cubemap Projection에서 Equirectangular Projection 변환 방법 13
2.2 변형에 강인한 특징점 추출을 위한 특징점 추출 및 인공지능 기술 14
2.2.1 개요 14
2.2.2 YOLO(You Only Look Once) 14
2.2.3 SURF(Speeded Up Robust Features) 16
2.2.4 K-Nearest Neighbor Matching 20
2.2.5 Homography 21
2.2.6 RANSAC을 이용한 호모그래피 추정 22
2.3 디지털 비디오 콘텐츠 성능평가 강인성 지표 24
2.3.1 개요 24
2.3.2 비디오 콘텐츠 필터링 성능평가 강인성 지표 25
제 3 장 실감형 콘텐츠의 변형 유형과 강인성 지표 31
3.1 실감형 콘텐츠 강인성 지표 31
3.2 실감형 콘텐츠의 강인성 지표를 도출하기 위한 기존 강인성 지표 응용 34
3.2.1 로고 삽입 34
3.2.2 자막 삽입 34
3.2.3 영상 압축 35
3.2.4 코덱 변형 36
3.2.5 화변비율 변형 36
3.2.6 해상도 변형 37
3.2.7 프레임 비율 감소 37
3.2.8 회전 38
3.2.9 반전 39
3.2.10 흑백 변형 39
3.2.11 밝기 변형 40
3.2.12 대조 효과 변형 41
3.2.13 복합 변형 41
3.2.14 기타 42
3.3 실감형 콘텐츠를 위한 강인성 지표 42
3.3.1 프로젝션 변형 42
3.3.2 모노스코픽 자르기 43
3.3.3 스테레오스코픽 자르기 43
3.3.4 기본 시점 이동 44
제 4 장 딥 러닝 기반 변형에 강인한 실감형 콘텐츠 특징점 추출 및 인식 방법 45
4.1 실감형 콘텐츠의 변형에 강인한 특징점 추출 방법 45
4.1.1 실감형 콘텐츠의 변형에 강인한 특징점 추출 개요 45
4.1.2 실감형 콘텐츠의 대표 프레임 추출 과정 46
4.1.3 실감형 콘텐츠의 전처리 과정 55
4.1.3 실감형 콘텐츠의 변형에 강인한 특징점 추출 과정 61
4.2 실감형 콘텐츠의 변형에 강인한 특징점 추출 방법을 이용한 원본 특징점 추출 방법 68
4.2.1 원본 실감형 콘텐츠의 변형에 강인한 특징점 추출 과정 68
4.2.2 원본 실감형 콘텐츠 대표 프레임 추출 및 전처리 과정 69
4.2.3 원본 실감형 콘텐츠 특징점 추출 과정 71
4.3 비교 검색 방법 72
4.3.1 질의 실감형 콘텐츠 특징점 추출 및 인식 과정 72
4.3.2 질의 실감형 콘텐츠 전처리 과정 73
4.3.3 질의 실감형 콘텐츠 특징점 추출 과정 75
4.3.4 비교 검색 과정 78
제 5 장 실험 및 분석 82
5.1 실험 환경 및 데이터셋 82
5.1.1 실험 환경 82
5.1.2 실험을 위한 데이터셋 구축 85
5.2 실험 방법 및 결과 86
5.2.1 실험 방법 86
5.2.2 실험 결과 및 분석 89
5.3 우수성 평가 99
제 6 장 결 론 102
참고문헌 104

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)