19HS4500, Content visual browsing technology in the online and offline enviroments,
Lee Seungjae
Abstract
□ 연구의 목적 및 내용 ○ 비주얼 검색을 통해 텍스트, 음성 중심의 기존 검색 시장을 혁신하여, 온·오프라인 공간에서 장소, 사람, 상품 등의 검색을 통해 미래 신시장을 창출하는 콘텐츠 비주얼 브라우징 핵심 원천 기술 개발 - 콘텐츠 속성 비주얼 검색 기술: 콘텐츠 내의 객체를 검출 및 객체를 설명할 수 있는 단어들로 묘사하여, 시각적 정보를 손쉽게 검색하는 기술 - 콘텐츠 특징 비주얼 검색 기술: 도시 환경의 대규모 객체 검색을 위해 실외환경에 적응적으로 특징을 추출하고 건물 등의 반복 패턴을 지능적으로 정합하여, 궁금한 장소를 현장 또는 콘텐츠 시청 중에 즉시적으로 찾아볼 수 있는 기술 - 실시간 콘텐츠 비주얼 검색 기술: 초고속 특징 추출과 고속 객체 인식 및 속성추출을 지원하여 스마트 기기를 통해 언제 어디서나 비주얼 정보를 검색할 수 있는 기술
o 콘텐츠 속성 비주얼 검색 기술 - 콘텐츠 속성 훈련을 위한 대규모 DB 구축 및 관리 기술 - 비주얼 속성 추출을 위한 객체 검출 기술 - 기계학습 기반 속성 추출 및 파라미터 최적화 기술 - 비주얼 속성 기반 패션 및 푸드 검색 기술 - 콘텐츠 속성 기반 고수준 콘텐츠 분석 기술
o 콘텐츠 특징 비주얼 검색 기술 - 가려짐 영역 (나무, 행인, 장식 등) 검출 기반 특징 추출 기술 - 기계학습 기반 적응적 특징 선별 기술 - 건물 및 도로 등 반복 패턴 지능 정합 기술 - 도시 규모 비주얼 위치 검색을 위한 특징 구조화 기술 - 영상 콘텐츠 내 GPS-free 촬영 위치 고속 검색 기술 - 동일 건물 내 정합 기반 특징 정제 기술
o 실시간 콘텐츠 비주얼 검색 기술 - 실시간 객체 검출 기술 - 모바일 환경에서의 고속 특징 추출 기술 - 모바일 환경에서의 고속 객체 인식 및 속성 추출 기술 - 온·오프라인 환경을 지원하는 비주얼 검색 기술
o 최종 결과물 - 콘텐츠 특징 기반 검색 시스템 (서버 탑재형 SW) : 비주얼 위치 검색 정확도 80% 이상 (건물 5,000동) - 콘텐츠 속성 기반 검색 시스템 (서버 탑재형 SW) : 객체 분류 정확도 (ILSVRC, 오분류율 5%이내), 객체 검출 정확도 (ILSVRC, mAP 0.64이상) - 온·오프라인 실시간 콘텐츠 비주얼 브라우징 시스템 (단말 탑재형 SW) : 특징 추출 속도 (0.5sec이내/image), 속성 추출 속도 (0.4sec이내/images)
□ 연구개발성과 < 1차년도 연구개발 성과 > 1. 콘텐츠 특징 비주얼 검색 기술 o 콘텐츠 위치 검색을 위한 DB 구축 (1단계) - 로드뷰 기반 DB 구축 프레임웍 : 파노라마 영상 기반 영상 구축 프레임웍 구현 및 Building ID Mask 생성 개발 - Hot Zone 건물 DB 구축 및 테스트 베드 구현 : 가로수길 Hot Zone 지역 선정 및 1500동 규모 DB 구축 : Query 영상의 Depth-ID 기반 Ground-truth list 생성 : 콘텐츠 위치 검색을 위한 Depth-ID 기반 DB 정제 o 콘텐츠 위치 검색을 위한 특징 추출 기술 - 기계 학습 기반 적응적 특징 선별 : Feature 특성 Joint PDF기반 특징 선별과 Depth ID 기반 특징 선택 개발 - 가려짐 영역 검출 기반 특징 추출 : 가려짐 영역(하늘, 나무, 자동차, 도로, 건물)에 대한 CNN기반 분류기 설계 및 테스트 o 콘텐츠 위치 검색을 위한 특징 정합 기술 - 건물 및 도로 등 반복 패턴 지능 정합 기술 : 영상 내 반복패턴 검출 및 Tree 구조 VQ기반 특징 분류기법 o 콘텐츠 위치 검색을 위한 특징 기반 검색 기술 - 도시 규모 비주얼 위치 검색을 위한 구조화 기술 (1) : Geo-tag 기반 DB 분산 구조화 및 도시 규모를 지원하는 특징 경량화 : 성능 검증을 위한 도시 거리 검색 시스템 구성 및 테스트 DB 수집 및 App 구현 : 가로수길 테스트 베드에서의 특징 기반 검색 정확도 측정 → 검색 반경 60m 및 DB 정제시 검색결과 Top-5에서 검색 정확도 78.96% 달성 (1차년도 목표 검색 정확도 75%) o 멀티 프레임 특징 기반 검색 기술 - 멀티 프레임 기반 특징 추출 기술 : RANSAC을 이용한 homography 추정을 통한 특징점 분류, 영역 재구성을 통한 추출 및 정합 (10 ~ 30% 개선) - 멀티 프레임 기반 특징 정합 기술 :특징 선별 및 vocabulary tree를 활용한 건물 검색 :멀티 프레임 이미지를 통한 테스트 시스템 구현 o 시범 서비스 구축 - 사용자 참여형 콘텐츠 특징 비주얼 검색 서비스 : 콘텐츠 특징 및 속성 기반 검색 시나리오 및 서버 구성 : 콘텐츠 특징 및 속성 검색 앱 개발
2. 콘텐츠 속성 비주얼 검색 기술 o 비주얼 속성 연구 개발 환경 구축 (1) - 푸드 및 패션 속성 정의 및 Annotation Tools : 타겟별 속성 정의에 따른 annotation 체계 수립 : 콘텐츠 특징 및 속성 DB 구축을 위한 Annotation Tools - 콘텐츠 속성 추출을 위한 저수준 특징 추출 기술 : 컬러 모델 기반 푸드 컬러 히스토그램 특징 추출 및 분석 개발 : 이미지 내 음식 위치 추정 기술 개발 : 저수준 특징(dense SIFT)을 이용한 푸드 분류 및 CNN 기반 테스트 (27종 1350장 DB(종별 50장)에서 train/test 50:50) → dense SIFT기반 SVM: 62.96% 분류 → CNN 기반 Alexnet: Top-1 89.96%, Googlenet: Top-1 88.48% - 비콘 연계형 사용자 기반 상점 검색 및 푸드 DB 구축 앱 : 안드로이드 기반 푸드 수집 App 개발 및 Food DB 수집
o 비주얼 속성을 위한 기계학습 프레임웍 구축 - 공개 SW 기반의 기계학습 훈련 서버구축 : Caffe 기반 GPU 훈련 서버 구축 및 환경 구축 : 공개 알고리즘(Alexnet, Googlenet, VGG등) 테스트 → Mini batch 기반 학습(CPU: 43일, GPU 기반 3일, Alexnet 기준) - 속성 훈련을 위한 학습 알고리즘 개발 : 영상 영역별 훈련 모델 동시학습 구조 및 통합 학습 기반 역전파 구조 개발 → ImageNet 학습 환경 구축 및 Batch Normalization 구현 → ImageNet DB 기준 Localization 학습 및 테스트 (ILSVRC 2015 11위)
< 2차년도 연구개발 성과 > 1. 콘텐츠 특징 비주얼 검색 기술 o 콘텐츠 위치 검색을 위한 DB 구축 (2단계 완료) - Hot zone 영역 확대 선정 및 DB 구축 : 건물 검색 DB 5,000동 규모 구축 달성 (5,152동 구축) : 건물 POI 맵핑, 동영상 콘텐츠 연계 및 광화문 지역 조형물 DB 구축
o 콘텐츠 위치 검색을 위한 특징 정합기술 개발 완료 - 동일 건물 그룹 내 정합 및 외부 영역 간 정합의 기하관계 검증을 통한 특징 정제 기술 개발 : 특징별 informative PDF 계산 및 informative feature 선별 : 나무, 차, 도로, 하늘 등 장애물 영역 특징 정제 효과 - 객체들의 가려짐 영역에 대한 특징 정제 기술 개발 : 객체(자동차,나무,사람 등) 탐지 정보를 이용한 가려짐 영역에 대한 특징 선별 기술 개발
o 콘텐츠 위치 검색을 위한 특징 기반 검색기술 개발 완료 - 도시 규모 비주얼 위치 검색을 위한 구조화 기술 개발 : 5,152동 검색 DB에서 특징 기반 검색 정확도 80% 이상 (86.23%) 달성 : 검색 속도 1.08 sec o Hot zone 기반 스마트 시티 검색 시범서비스 구축 완료 - Hot zone 기반 스마트 시티 서비스를 위한 도시 거리 검색 시스템 구성 : 모바일 App 및 증강현실 기기 (Google Glass) 통합 지원 : 동영상 콘텐츠 연동 및 POI 정보 제공
2. 콘텐츠 속성 비주얼 검색 기술 o 비주얼 속성 추출을 위한 객체 검출 기술 개발 완료 - 딥 네트워크 기반 객체 후보 검출 기술 개발 : Region proposal 방법을 통한 객체 후모 영역 생성 기술 개발 : 딥 네트워크 기반 객체 후보 영역 검증 기술 개발 : Regression 딥 네트워크 기반 후보영역 위치 제공 기술 개발 - 멀티 프레임 기반 객체 후보 검출 기술 개발 : 기계 학습 기반 관심 객체 검출 모델 구축 : 특징 트랙 기반 객체 후보 영역 생성 기술 개발
o 기계학습 고속화 및 최적화 기술 개발 완료 - 파라미터 최적화 기술 개발 : 성능 예측을 통한 파라미터 추론 - 고속 추론을 위한 학습 기법 개발 : 회소 표현 기반 고속 학습 방법 개발 - GPU 기반의 기계학습 고속화 개발 : 멀티 GPU 병렬 프로그래밍 및 메모리 공유 구조 설계
o 비주얼 속성 연구 개발 환경 구축 완료 - 패션 DB 구축 및 비주얼 속성 추출 평가 : 58,289장 패션 DB 및 Annotation, 평가 Set 구축 : 비주얼 속성 추출 속도 0.8sec 이하 (0.579sec) 달성 - 푸드 DB 구축 및 푸드 검색 테스트 베드 구축 : 푸드 DB 104종 및 Annotation 평가 Set 구축 (83,442장) : 선형판별기 기반 학습 모델 성능 : 35.1% (104종,14,000장 대상) : DNN 기반 학습 모델 성능 : 76.2% (104종 전체) : NVIDIA GTX 딥러닝 대회 참가 (분류정확도 89.9%, 대상 수상)
o 국제 이미지 분류 경쟁 대회 참가 및 목표 달성 완료 - ImageNet 대회 참가 : 분류 정확도 Top-5 오분류율 5% 이하(3.26%) 달성 : 위치 추정 정확도 Top-5 오위치 추정도 12% 이하(9.93%) 달성
3. 실시간 콘텐츠 비주얼 검색 기술 o 실시간 콘텐츠 비주얼 검색 연구 개발 환경 구축 완료 - 오프라인 환경 테스트 DB 구축 : 얍컴퍼니 플랫폼 기반 중점 DB 구축 지역 및 대상 선정
o 콘텐츠 특징 추출 고속화 완료 - 서버 환경에서 특징 추출 고속화 개발 : 멀티 코어 서버 환경 기반 특징 추출 분산 구조화 개발 : VGA 영상 기준 특징 추출 속도 80msec 이하(79.2 msec) 달성
< 3차년도 연구개발 성과 > 1. 콘텐츠 특징 비주얼 검색 기술 - 실내 위치 검색을 위한 하남 스타필드 DB 구축 및 성능 테스트 완료 : 하남스타필드 287개 상점 DB 구축 및 검색 정확도 Top-5 기준 83.82% - 상점 ID mask 기반 라벨링 및 상점 검출기 학습, 멀티 디바이스 크로스채널 검색 플랫폼 구축 : 콘텐츠 내 OOI (Object of Interest) 라벨 임베딩 : 동일 서버에서 멀티 디바이스 (웹페이지, 모바일 앱 등) 검색 지원을 위한 플랫폼 구축
2. 콘텐츠 속성 비주얼 검색 기술 - 비확률적 (non probabilistic) Fisher 커널 맵핑 기반 고차원 영상 표현 : 가로수길 거리 검색 DB (1차년도 구축지역) 대상 성능 테스트 - 객체 분류를 위한 융합 특징맵 기반 모델 학습 및 테스트 완료 : 객체 분류 성능 향상을 위한 속성 특징 맵의 융합 기반의 학습 모델 융합모델 개발 - 패션 25종 속성 정의 및 푸드 222종 속성정의 :상세 25종 속성의 예 (Blazer, Blouse, Cardigan, Chinos, Coat, Cutoffs, Dress, Henley, Hoodie, Jacket, Jeans, Jersey, Joggers, Jumpsuit, Kimono, Leggings, Parka, Poncho, Romper, Shorts, Skirt, Sweater, Sweatpants, Tank, Tee) :자체 색상 관련 속성 정의 (beige, black, blue, brown, gray, green, ivory, khaki, orange, pink, purple, red, sky, white, yellow) - 의상 영역 검출 및 Annotation Tool 개발 : 의상 영역 검출 지원 ∙상의, 하의 의상 영역에 대한 검출 기술 개발 - 푸드 222종 및 패션 25종 DB 구축 : 푸드 DB 222종 및 Annotation, 평가 set 구축 ∙총 222종의 푸드에 대한 약 191,519장의 DB 구축 및 Annotation 구축 :패션 DB 구축 ∙속성 카테고리별 상품 목록 기반 이미지 수집기 개발 - 딥러닝기반 패션모델 학습 및 속성분류율 71.3% : 상의, 구두 속성별 분류 성공률 70% 이상 → Resnet-200 모델 기반의 패션 및 구두 분류 기술 개발 → 공개 DB 기반 패션 속성 25종 평균 속성 분류 성공률 : 71.3% - 구축 DB 중 210종 푸드 분류율 88% : DNN 기반 속성 훈련 및 푸드 검색 테스트 베드 → DNN 기반 학습 모델 성능 : 88 % → 종 별 훈련 데이터 셋 일부 불균형 문제 존재 → 210개 Class, 135,277 장의 훈련 set, 33,819 장의 test set - 웹기반 패션 탐지 및 속성 검색 시스템 개발 : 패션 검출 및 속성 검색 연동 테스트 - 푸드 레시피 DB 구축 및 Yap서비스 연동 테스트 : 푸드 검색용 속성 및 메타데이터 구축 : 푸드 검색 서비스를 위한 모바일 앱(Yap) 연동 - ImageNet 대회 객체 검출 분야 평균 검출 정확도 세계 3위 : 객체 검출 분야 세계 3위, 평균 검출 정확도 0.61 달성 (공식성적) ∙평균 검출 정확도 (mAP) 기준 세계 3위, 국내 1위 성적
3. 실시간 콘텐츠 비주얼 검색 기술 - 멀티 세그먼트 객체 후보 검출 : Iterative region proposal을 이용한 객체 탐지 : 이동객체 Sparse optical flow기반 특징 전파 및 GPU 고속화 - 멀티스레딩 및 Neon을 통한 연산병렬화 및 특징점 특성 기반 특징 선택을 통한 고속화를 통한 특징 추출 속도 테스트 - 모바일 디바이스 갤럭시 S8기준 속성 추출 테스트 및 LPIRC대회2위
< 4차년도 연구개발 성과 > 1. 콘텐츠 특징 비주얼 검색 기술 - 프랜차이즈 DB 구축 및 상점 영역 검출기 설계 및 구현 : 간판 및 상점 영역 검출기 학습 및 특징 추출 연동 → 간판 검출기 학습 (검출 성능 (mAP): 0.894) → 상점 영역/로고 검출기 학습 (검출성능 (mAP): (상점) 0.940 (로고) 0.80) → 검출 영역 기반 특징 추출 설계 - 특징 융합 Multi-stage 검색 기술 개발: 구글 랜드마크 챌린지 참가 mAP 0.559로 209개 팀 중 8위 (국내 1위, 상위 4%) - 랜드마크 DB 구축 및 동영상 내 검색 시스템
2. 콘텐츠 속성 비주얼 검색 기술 - 패션 인식 학습용 DB 구축 및 패션 인식 알고리즘 개발 : 성인 16만, 아동 4.9만 건 구축 및 정제 : 패션 속성 33종 지원, 칼러 속성 분류 성공률: Top-1 85.9%, Top-2 96.2%, 가방 속성 3종 분류율: 80.9% - 푸드 DB 300종 구축 및 푸드 인식 알고리즘 개발 : 300종 19만장 DB 구축 및 복합이미지를 위한 84종 약 3만장 추가 구축 : 300종 대상 분류율: 87.79%달성 - 모바일프로세서 API를 위한 속성 추출 최적화 : ARM Neon+OpenCL 등의 Neural Network API 를 Caffe 소스에 반영 하여 OpenBLAS 와 ACL 라이브러리를 활용한 네트워크 구성 최적화 - 테스트베드를 위한 네이버 쇼핑 연동 항목 및 DB 구축 : 네이버 쇼핑 연동(13종) 플라워링하트 아동 연동(8종) 정의 - 패션 부가 정보 연동 플랫폼 설계 및 시범 서비스 구축
3. 실시간 콘텐츠 비주얼 검색 기술 - 모바일 기반 특징 추출 고속화 및 메모리 최적화 : 특징점 2단계 선택, Gradient map 계산 효율화 및 모바일 환경 최적화 : VGA 영상 기준 특징 추출 0.19sec 달성 및 비교 테스트 - Transfer Learning 기반 객체 검출 모델 경량화 및 고속화 : 모델간 임베딩 벡터의 유사도를 활용한 객체 검출 속도 개선 - 객체 내 정보 학습을 통한 Relation Network 기법 향상 : CNN+RN을 결합하여 COCO 및 Open Image Database에서 성능 개선 : 기존: random feature pair 추출 방식 또는 local pair 추출하는 방식 ⇒제안: position sensitive 방식으로 추출 (feature activation의 Top-k크기 기반 위치 특징 pair 이용하여 주변 환경 학습) - 영상 내 객체 검출 성능 향상을 위한 앙상블 기법 연구: mAP 0.6502 달성 : 각 class 별 expert 모델을 ensemble에 활용하여, 모든 class에서 성능 향상을 보임 (전체 class 평균 +5.3%의 검출 성능 향상) - 딥네트워크 계층 구조 기반 파라미터 최적화 : MobileNetV1기반 channel 및 depthwise 함수 최적화 : 상위 레이어 Pooling을 통한 연산량 개선 - SSD-MobileNetV1+기반 고속객체 알고리즘 개발 : Batch Normalization 학습 결과 통합 : 저전력이미지검색대회(LPIRC)참가 Track 3 1위,2위 달성 (전년대비 3배 이상 성능 개선) : 모바일 프로세서용 속성 추출 고속화 ∙ MobileNet 기반 분류 모델 최적화 및 푸드 분류 성능을 위한 단말 최적화 → VGA 파일 기준 분류 모델 추출 속도 0.08 - 0.13sec 확보 (목표: 0.4 sec) ∙ SSD-MobileNetV1+ 모델 기준 고속화 기법 적용 모바일 단말 포팅 및 테스트 → 고속화 적용 후 갤럭시 S9 엑시노스 측정 : 푸드 24종 모델 대상 Inference Time 속도 개선: 0.09-0.12sec 동작 - 객체 속성 연동 및 연관도 분석 : 검색 시나리오별 개방형 API 기반 비주얼 정보 수집 : 공개 API 기반 정보 검색 데모앱 설계 및 구현
< 5차년도 연구개발 성과 > 1. 실시간 콘텐츠 비주얼 검색 기술 - 모바일 프로세서용 특징 추출 고속화 (3) (모바일) : 디바이스 기반 특징 추출 최적화 및 고속화 → 디바이스에 따른 파라메터 최적화 진행, 특징점 300개 선택 기준 성능 분석 → 아이폰 X 기준 추출 속도: 109.38 msec (9.14 fps) : 2D 및 3D 물체별 정합 성능 테스트 → 기존 특징(ORB,SURF) 대비 정합 성능 검증 - 오프라인 환경에서의 이동형 객체 검출 고속화 : 고속 객체 검출을 위한 Transfer Learning 기반의 학습 → CIFAR 100기준의 특징 추출기 학습 및 성능 테스트 : Transfer Learning을 MobileNet 기반 RFBNet에 적용 객체 탐지 학습 → 실시간성을 유지하며, 작은 객체에 대한 탐지율 개선 : Transfer Learning을 적용한 inference 향상 기법 연구 → Knowledge 전달을 위한 meta-network 학습을 통한 분류 모델 성능 개선 및 bounding box regression 개선 - 오프라인 환경에서의 고속 객체 인식 및 속성 추출 : 패션 DB 추가 수집 및 정제 → 의상 분류를 위한 공개 DB(Deep Fashion)의 문제점 보완 및 성능 개선: 기존 76.95%, 개선 88.03% :푸드 검색을 위한 DB 추가 구축 및 인식 성능 개선 → 모바일용 AI 푸드 자동 분류 한식 200종: 10FPS → 한식 DB 400종 추가 구축 및 연관 정보 제공 : 모바일 환경을 고려한 프랜차이즈 검출 모델 경량화 → 5차년도 검출 모델 크기 : 15MB (4차년도: 192 MB) → 간판/상점 영역/로고 검출기 학습 및 검출 정확도 (mAP) (간판) 0.86(상점) 0.94 (로고) 0.72 * 4차년도 검출 정확도 (간판) 0.89 (상점) 0.94 (로고) 0.80 : 비주얼 실내 위치 검색 기술 고도화 → 3차년도 구축 DB 활용 (스타필드 하남) (Reference:25,596장 및 Query:1,366장) → 상점 ID Mask 기반 DB 정제 및 특징 선택 최적화, 검색 DB 오류 수정 → Top-5 정확도 93.86%
□ 연구개발성과의 활용계획 (기대효과) < 활용 계획 > o 미래 신 시장을 창출하는 콘텐츠 비주얼 브라우징 핵심 원천 기술을 개발하고, 이를 활용한 전략적 사업화 및 시범 서비스를 통한 생태계 구축 및 시장 파괴형 기술 확보 o 콘텐츠 비주얼 브라우징의 핵심기술(인간 수준보다 뛰어난 고성능 객체 분류, 도시 규모 실시간 검색, 실시간 콘텐츠 비주얼 검색) 확보 및 OsMu(One Source Multi-use) 전략을 통한 산업 응용 확대
< 기대 효과 > o 콘텐츠 비주얼 브라우징 핵심 원천 기술 조기 개발을 통해 미래 신시장 주도 및 2020년 경 141억 달러에 달하는 스마트 검색 분야 세계 시장 점유율 확대 가능 o 비주얼 브라우징의 핵심 적용 분야인 비주얼 쇼핑 관련, 2017년 가트너는 2020년 증강현실 기반 쇼핑인구가 1억명에 다를 것으로 예측 o 비주얼 검색을 통해서 스마트 기기 사용이 불편하거나 익숙하지 않은 국민들에게 정보 접근성을 제고하고, 콘텐츠 특징 및 속성 기반의 비주얼 브라우징 기술의 보급을 통한 창조적 아이디어의 실현 기회 마련
(출처 : 요약문 5p)
Copyright Policy
ETRI KSP Copyright Policy
The materials provided on this website are subject to copyrights owned by ETRI and protected by the Copyright Act. Any reproduction, modification, or distribution, in whole or in part, requires the prior explicit approval of ETRI. However, under Article 24.2 of the Copyright Act, the materials may be freely used provided the user complies with the following terms:
The materials to be used must have attached a Korea Open Government License (KOGL) Type 4 symbol, which is similar to CC-BY-NC-ND (Creative Commons Attribution Non-Commercial No Derivatives License). Users are free to use the materials only for non-commercial purposes, provided that original works are properly cited and that no alterations, modifications, or changes to such works is made. This website may contain materials for which ETRI does not hold full copyright or for which ETRI shares copyright in conjunction with other third parties. Without explicit permission, any use of such materials without KOGL indication is strictly prohibited and will constitute an infringement of the copyright of ETRI or of the relevant copyright holders.
J. Kim et. al, "Trends in Lightweight Kernel for Many core Based High-Performance Computing", Electronics and Telecommunications Trends. Vol. 32, No. 4, 2017, KOGL Type 4: Source Indication + Commercial Use Prohibition + Change Prohibition
J. Sim et.al, “the Fourth Industrial Revolution and ICT – IDX Strategy for leading the Fourth Industrial Revolution”, ETRI Insight, 2017, KOGL Type 4: Source Indication + Commercial Use Prohibition + Change Prohibition
If you have any questions or concerns about these terms of use, or if you would like to request permission to use any material on this website, please feel free to contact us
KOGL Type 4:(Source Indication + Commercial Use Prohibition+Change Prohibition)
Contact ETRI, Research Information Service Section
Privacy Policy
ETRI KSP Privacy Policy
ETRI does not collect personal information from external users who access our Knowledge Sharing Platform (KSP). Unathorized automated collection of researcher information from our platform without ETRI's consent is strictly prohibited.
[Researcher Information Disclosure] ETRI publicly shares specific researcher information related to research outcomes, including the researcher's name, department, work email, and work phone number.
※ ETRI does not share employee photographs with external users without the explicit consent of the researcher. If a researcher provides consent, their photograph may be displayed on the KSP.