RISS 검색 - 학위논문 상세보기

One of the primary reasons behind the recent success of deep neural networks (DNNs) lies in the development of high-performance parallel computing systems and the availability of enormous amounts of data for training a complex model. Nonetheless, solving such advanced machine learning problems in real world applications requires a more sophisticated model with a vast number of parameters and training data, which leads to substantial amounts of computational overhead and power consumption. Given these circumstances, spiking neural networks (SNNs) have attracted growing interest as the third generation of neural networks due to their event-driven and low-powered nature. SNNs were introduced to mimic how information is encoded and processed in the human brain by employing spiking neurons as computation units. SNNs utilize temporal aspects in information transmission as in biological neural systems, thus providing sparse yet powerful computing ability.

SNNs have been successfully applied in several applications, but these applications only include relatively simple tasks such as image classification, and are limited to shallow neural networks and datasets. One of the primary reasons for the limited application scope is the lack of scalable training algorithms attained from non-differential spiking neurons. In this dissertation, we investigate deep SNNs in a much more challenging regression problem (i.e., object detection), and propose a first object detection model in deep SNNs which is able to achieve comparable results to those of DNNs in non-trivial datasets. Furthermore, we introduce novel approaches to improve performance of the object detection model in terms of accuracy, latency and energy efficiency. This dissertation contains mainly two approaches: (a) object detection model in deep SNNs, and (b) improving performance of object detection model in deep SNNs. Consequently, the two approaches enable fast and accurate object detection in deep SNNs.

The first approach is an object detection model in deep SNNs. We present a spiked-based object detection model, called Spiking-YOLO. To the best of our knowledge, Spiking-YOLO is the first spiked-based object detection model that is able to achieve comparable results to those of DNNs on a non-trivial dataset, namely PASCAL VOC and MS COCO. In doing so, we introduce two novel methods: a channel-wise weight normalization and a signed neuron with imbalanced threshold, both of which provide fast and accurate information transmission in deep SNNs. Our experiments show that Spiking-YOLO achieves remarkable results that are comparable (up to 98%) to those of Tiny YOLO (DNNs) on PASCAL VOC and MS COCO. Furthermore, Spiking-YOLO on a neuromorphic chip consumes approximately 280 times less energy than Tiny YOLO, and converges 2.3 to 4 times faster than previous DNN-to-SNN conversion methods.

The second approach aims to provide a more effective form of computational capabilities in SNNs. Even though, SNNs enable sparse yet efficient information transmission through spike trains, leading to exceptional computational and energy efficiency, the critical challenges in SNNs to date are two-fold: (a) latency: the number of time steps required to achieve competitive results and (b) synaptic operations: the total number of spikes generated during inference. Without addressing these challenges properly, the potential impact of SNNs may be diminished in terms of energy and power efficiency. We present a threshold voltage balancing method for object detection in SNNs, which utilizes Bayesian optimization to find optimal threshold voltages in SNNs. We specifically design Bayesian optimization to consider important characteristics of SNNs, such as latency and number of synaptic operations. Furthermore, we introduce two-phase threshold voltages to provide faster and more accurate object detection, while providing high energy efficiency. According to experimental results, the proposed methods achieve the state-of-the-art object detection accuracy in SNNs, and converge 2x and 1.85x faster than conventional methods on PASCAL VOC and MS COCO, respectively. Moreover, the total number of synaptic operations is reduced by 40.33% and 45.31% on PASCAL VOC and MS COCO, respectively.

국문 초록 (Abstract)

오늘 날 딥러닝의 큰 성공은 고성능 병렬 컴퓨팅 시스템의 발전과 복잡한 모델을 학습하기 위해 필요한 많은 양의 데이터가 수집되어 접근이 가능해진 점이라고 할 수 있다. 하지만 실제 세상에 존재하는 더 어려운 문제들을 풀고자할 때는 더욱 더 섬세하고 복잡한 모델과 이 모델을 성공적으로 학습할 수 있는 방대한 양의 데이터를 필요한다. 하지만 이러한 점들은 모델 수행 시 연산 오버헤드와 전력 소모를 급격하게 증가시킬 수 밖에 없다. 이러한 문제점들을 극복하는 여러 방법들 중 하나로 스파이킹 뉴럴 네트워크가 최근 많은 주목을 받고 있다. 스파이킹 뉴럴 네트워크는 제 3세대 인공 신경망으로 불리며 이벤트 중심의 동작을 기반으로 하여 저전력이 가장 큰 장점이다. 스파이킹 뉴럴 네트워크는 실제 인간의 뇌에서 뉴런들 간 정보를 전달하는 방식을 모방하며 스파이킹 뉴런을 연산 단위로 사용하고 있다. 스파이킹 뉴럴 네트워크는 생물학적 신경계와 동일하게 시간적 정보를 활용할 수 있기 때문에 매우 뛰어난 연산 능력을 가지고 있다.

하지만 스파이킹 뉴럴 네트워크는 이미지 분류와 같은 비교적 쉬운 응용에만 주로 사용되고 있으며 얕은 인공 신경망과 간단한 데이터셋에서만 주로 수행되고 있다. 이러한 제약이 존재하는 가장 큰 요인 중 하나는 스파이크 뉴럴 네트워크에 적합한 학습 알고리즘이 아직 존재하지 않기 때문이다. 스파이크로 정보를 전달하고 연산을 수행하기 때문에 미분이 불가능하다. 따라서 딥 뉴럴 네트워크에서 주로 사용되는 역전파 알고리즘의 사용이 불가능하다. 본 논문에서 딥 스파이킹 뉴럴 네트워크를 이미지 분류보다 더 어려운 회귀 문제 (객체 인식)에 적용해 보고, 딥 뉴럴 네트워크의 성능에 버금가는 객체 인식 모델을 스파이킹 뉴럴 네트워에서 처음으로 제안한다. 더 나아가, 객체 인식 모델의 성능과 지연시간, 에너지 효율성을 향상 시킬 수 있는 여러 방법들을 제안한다. 본 논문은 크게 두 가지 주제로 나누어 설명한다: (a) 딥 스파이킹 뉴럴 네트워크에서의 객체 인식 모델, (b) 딥 스파이킹 뉴럴 네트워크에서의 객체 인식 모델의 성능 및 효율성 향상. 제안하는 방법들을 통해 빠르고 정확한 객체 인식 모델을 딥 스파이킹 뉴럴 네트워크에서 수행할 수 있다.

첫 번째 방법은 딥 스파이킹 뉴럴 네트워크에서의 객체 인식 모델이다. 객체 인식 모델은 Spiking-YOLO로 부르고, 저자들이 아는 바에 의하면 PASCAL VOC, MS COCO와 같은 데이터 셋에서 딥 뉴럴 네트워크의 성능에 버금가는 결과를 보여준 첫 번째 스파이킹 뉴럴 네트워크를 기반으로 하는 객체 인식 모델이다. Spiking-YOLO에서는 크게 두 가지 방법을 제안한다. 첫번 째는 채널 별 가중치 정규화이고 두번째는 불균형 한계 전압을 가지는 양음수 뉴런이다. 두 가지 방법을 통해 빠르고 정확한 정보를 딥 스파이킹 뉴럴 네트워크에서 전달 가능하게 한다. 실험 결과, Spiking-YOLO는 PASCAL VOC와 MS COCO 데이터셋에서 딥 뉴럴 네트워크의 객체 인식률의 98%에 뛰어난 성능을 보였다. 또한 Spiking-YOLO가 뉴로모픽 칩에 구현되었음 가정하였을 때, Tiny YOLO보다 약 280의 에너지를 적게 소모하였고 기존의 DNN-to-SNN 전환 방법들 보다 2.3배에서 4배 더 빠르게 수렴하는 것을 확인할 수 있었다.

두 번째 방법은 스파이킹 뉴럴 네트워크에 조금 더 효율적인 연산 능력을 부여하는데 중점을 주고 있다. 비록 스파이킹 뉴럴 네트워크가 희박한 양의 스파이크로 정보를 효율적으로 전달하며 연산 오버헤드와 에너지 소모가 적지만, 두 가지 매우 중요한 문제들이 존재한다: (a) 지연속도: 좋은 성능을 내기 위해 필요한 타임스탭, (b) 시냅틱 연산수: 추론 시 생성된 총 스파이크의 수. 이러한 문제들을 적절히 해결하지 못한다면 스파이킹 뉴럴 네트워크의 큰 장점이라고 할 수 있는 에너지와 전력 효율성이 크게 저하될 수 있다. 이를 해결하기 위해 본 논문에서는 한계 전압 균형 방법론을 새로 제안한다. 제안하는 방법론은 베이시안 최적화 알고리즘을 사용하여 가장 최적의 한계전압 값을 찾는다. 또한 베이시안 최적화 알고리즘을 지연속도나 시냅틱 연산수 등의 스파이킹 뉴럴 네트워크의 특성을 고려할 수 있게 디자인한다. 더 나아가, 두 단계의 한계 전압을 제안하여 높은 에너지 효율을 가지며 더 빠르고 더 정확한 객체 인식 모델을 가능하게 한다. 실험 결과에 따르면 제안하는 방법들을 통해 state-of-the-art 객체 인식률을 달성하였고 기존의 방법들보다 PASCAL VOC에서는 2배, MS COCO에서는 1.85배 빠르게 수렴하는 것을 확인하였다. 또한 시냅틱 연산수도 PASCAL VOC에서는 40.33%, MS COCO에서는 45.31%를 줄일 수 있었다.

목차 (Table of Contents)

1 Introduction 1
2 Background 10
2.1 Object detection 10
2.2 Spiking Neural Networks 16
2.3 DNN-to-SNN conversion 18
2.4 Hyper-parameter optimization 21
3 Object detection model in deep SNNs 25
3.1 Introduction 25
3.2 Channel-wise weight normalization 27
3.2.1 Conventional weight normalization methods 27
3.2.2 Analysis of limitations in layer-wise weight normalization 29
3.2.3 Proposed weight normalization method 30
3.2.4 Analysis of the improved firing rate 38
3.3 Signed neuron with imbalanced threshold 39
3.3.1 Limitation of leaky-ReLU implementation in SNNs 39
3.3.2 The notion of imbalanced threshold 41
3.4 Evaluation 43
3.4.1 Spiking-YOLO detection results 43
3.4.2 Spiking-YOLO energy efficiency 57
4 Improving performance and efficiency of deep SNNs 60
4.1 Introduction 60
4.2 Threshold voltage balancing through Bayesian optimization 62
4.2.1 Motivation 62
4.2.2 Overall process and setup 67
4.2.3 Design of Bayesian optimization for SNNs 69
4.3 Fast and accurate object detection with two-phase threshold voltages 74
4.3.1 Motivation 74
4.3.2 Phase-1 threshold voltages: fast object detection 76
4.3.3 Phase-2 threshold voltages: accurate detection 76
4.4 Evaluation 79
4.4.1 Experimental setup 79
4.4.2 Experimental results 79
5 Conclusion 85
5.1 Dissertation summary 86
5.2 Discussion 88
5.2.1 Overview of the proposed methods and their usages 88
5.3 Challenges in SNNs 90
5.4 Future Work 92
5.4.1 Extension to various applications and DNN models 92
5.4.2 Further improve efficiency of SNNs 93
5.4.3 Optimization of deep SNNs 94
Bibliography 95
Abstract (In Korean) 110

참고문헌 (Reference)

1 Itay HubaraMatthieu CourbariauxDaniel SoudryRan El-YanivYoshua Bengio, "Binarized neural networks", In NIPS, 2016
2 Joseph RedmonSantosh DivvalaRoss GirshickAli Farhadi, "You only look once : Unified", real-time object detection . In CVPR, 2016
3 G Kendall, "A new measure of rank correlation", Biometrika , 30 ( 1/2 ) : 81 ? 93, 1938
4 Joseph Redmon, "Yolo : Real-time object detection", https : //pjreddie.com/ darknet/yolov2/, 2016
5 Kaiming HeGeorgia Gkioxari, "Piotr Doll ? r , and Ross Girshick", Mask r-cnn . In ICCV, 2017
6 Wei LiuDragomir AnguelovDumitru ErhanChristian SzegedyScott ReedCheng-Yang FuAlexander C Berg, "Ssd : Single shot multibox detector", In ECCV, 2016
7 Joseph RedmonAli Farhadi, "Yolov3 : An incremental improvement", arXiv preprint arXiv:1804.02767, 2018
8 James ZouMikael HussAbubakar AbidPejman MohammadiAli TorkamaniAmalio Telenti, "A primer on deep learning in genomics", Nature genetics51 ( 1 ) :12 ? 18, 2019
9 Tom B BrownBenjamin MannNick RyderMelanie SubbiahJared KaplanPrafulla DhariwalArvind NeelakantanPranav ShyamGirish SastryAmanda Askell, "Language models are few-shot learners", arXiv preprint arXiv:2005.14165, 2020
10 Chenxi LiuBarret ZophMaxim NeumannJonathon ShlensWei HuaLi-Jia LiLi Fei-FeiAlan YuilleJonathan HuangKevin Murphy, "Progressive neural architecture search", Proceedings of the European Conference on Computer Vision ( ECCV ) , pages 19 ? 34, 2018
11 Daniel BolyaChong ZhouFanyi XiaoYong Jae Lee, "Yolact : Real-time instance segmentation", Proceedings of the IEEE international conference on computer vision , pages 9157 ? 9166, 2019
12 Jaehyun KimHeesu KimSubin HuhJinho LeeKiyoung Choi, "Deep neural networks with weighted spikes", Neurocomputing , 311:373 ? 386, 2018
13 Yiwen GuoAnbang YaoYurong Chen, "Dynamic network surgery for efficient dnns", In NIPS, 2016
14 Tsung-Yi LinMichael MaireSerge BelongieJames HaysPietro PeronaDeva RamananPiotr Doll ? rC Lawrence Zitnick, "Microsoft coco : Common objects in context", 2014
15 Seongsik ParkSeijoon KimSeil LeeHo BaeSungroh Yoon, "Quantized memory-augmented neural networks", In AAAI, 2018
16 Geoffrey HintonOriol VinyalsJeff Dean, "Distilling the knowledge in a neural network", arXiv preprint arXiv:1503.02531, 2015
17 Rundong LiYan WangFeng LiangHongwei QinJunjie YanRui Fan, "Fully quantized network for object detection", IEEE Conf . Comput . Vis . Pattern Recognit . ( CVPR ) , pages 2810 ? 2819, 2019
18 Arthur W TogaPaul M ThompsonSusumu MoriKatrin AmuntsKarl Zilles, "Towards multimodal atlases of the human brain", Nature Reviews Neuroscience7 ( 12 ) :952 ? 966, 2006
19 Yoshua Bengio, "Random search for hyper-parameter optimization", J. Mach . learning research , 13 ( Feb ) :281 ? 305, 2012
20 Ross Girshick, "[26] Ross Girshick. Fast r-cnn. In ICCV, 2015.", Fast r-cnn . In ICCV, 2015
21 Pavlo MolchanovArun MallyaStephen TyreeIuri FrosioJan Kautz, "Importance estimation for neural network pruning", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition , pages 11264 ? 11272, 2019
22 Zohar KarninTomer KorenOren Somekh, "Almost optimal exploration in multi-armed bandits", International Conference on Machine Learning , pages 1238 ? 1246, 2013
23 Yuhui ShiRussell C Eberhart, "Parameter selection in particle swarm optimization", International conference on evolutionary programming , pages 591 ? 600 . Springer, 1998
24 Zachary F MainenTerrence J Sejnowski, "Reliability of spike timing in neocortical neurons", Science , 268 ( 5216 ) :1503 ? 1506, 1995
25 Mark EveringhamLuc Van GoolChristopher KI WilliamsJohn WinnAndrew Zisserman, "The pascal visual object classes ( voc ) challenge", Int . J. Comp . Vis.88 ( 2 ) :303 ? 338, 2010
26 Yunchao GongLiu LiuMing YangLubomir Bourdev, "Compressing deep convolutional networks using vector", quantization . In CVPR, 2014
27 Yujie WuLei DengGuoqi LiJun ZhuYuan XieLuping Shi, "Direct training for spiking neural networks : Faster", larger , better . In AAAI, 2019
28 Kaiming HeXiangyu ZhangShaoqing RenJian Sun, "“ Deep residual learning for image recognition ”", Proceedings of the IEEE conference on computer vision and pattern recognition , pages 770 ? 778, 2016
29 Karl ZillesKatrin Amunts, "Centenary of brodmann ’ s map ? conception and fate", Nature Reviews Neuroscience11 ( 2 ) :139 ? 145, 2010
30 Koen EA Van de SandeJasper RR UijlingsTheo GeversArnold WM Smeulders, "Segmentation as selective search for object recognition", 20112011
31 Alexey BochkovskiyChien-Yao WangHong-Yuan Mark Liao, "Yolov4 : Optimal speed and accuracy of object detection", arXiv preprint arXiv:2004.10934, 2020
32 Yihui HeXiangyu ZhangJian Sun, "Channel pruning for accelerating very deep neural networks", In ICCV, 2017
33 Hesham MostafaBruno U PedroniSadique SheikGert Cauwenberghs, "Fast classification using sparsely active spiking networks", 20172017
34 Jun Haeng LeeTobi DelbruckMichael Pfeiffer, "Training deep spiking neural networks using backpropagation", Frontiers in neuroscience , 10:508, 2016
35 Priya GoyalPiotr DollrRoss GirshickPieter NoordhuisLukasz WesolowskiAapo KyrolaAndrew TullochYangqing JiaKaiming He, "Accurate , large minibatch sgd : Training imagenet in 1 hour", arXiv preprint arXiv:1706.02677, 2017
36 James S , Rmi BardenetYoshua Bengio, "Bal ? zs K ? gl . Algorithms for hyper-parameter optimization", NeurIPS ) , pages 2546 ? 2554, 2011
37 Peiliang LiXiaozhi ChenShaojie Shen, "Stereo r-cnn based 3d object detection for autonomous driving", Proc . IEEE Conf . Comput . Vis . Pattern Recognit . ( CVPR ) , pages 7644 ? 7652, 2019
38 Widodo BudihartoAlexander AS GunawanJarot S SurosoAndry ChowandaAurello PatrikGaudi Utama, "Fast object detection for quadcopter drone using deep learning", ICCCS ) , pages 192 ? 195 . IEEE, 20182018
39 Jasper SnoekHugo LarochelleRyan P Adams, "Practical bayesian optimization of machine learning algorithms", NeurIPS ) , pages 2951 ? 2959, 2012
40 Esteban RealAlok AggarwalYanping HuangQuoc V Le, "Regularized evolution for image classifier architecture search", Proceedings of the aaai conference on artificial intelligence , volume 33 , pages 4780 ? 4789, 2019
41 Yasuhiro MochizukiTomokatsu OnagaHideaki ShimazakiTakeaki ShimokawaYasuhiro TsuboRie KimuraAkiko SaikiYutaka SakaiYoshikazu IsomuraShigeyoshi Fujisawa, "Similarity in neuronal firing regimes across mammalian species", Journal of Neuroscience36 ( 21 ) :5736 ? 5747, 2016
42 Phillip IsolaJun-Yan ZhuTinghui ZhouAlexei A Efros, "Image-toimage translation with conditional adversarial networks", Proceedings of the IEEE conference on computer vision and pattern recognition , pages 1125 ? 1134, 2017
43 Alex KrizhevskyIlya SutskeverGeoffrey E Hinton, "Imagenet classification with deep convolutional neural networks", Communications of the ACM , 60 ( 6 ) :84 ? 90, 2017
44 Yi WeiXinyu PanHongwei QinWanli OuyangJunjie Yan, "Quantization mimic : Towards very tiny cnn for object detection", IEEE Eur . Conf . Comput . Vis . ( ECCV ) , pages 267 ? 283, 2018
45 Stefan FalknerAaron KleinFrank Hutter, "Bohb : Robust and efficient hyperparameter optimization at scale", Proc . Int . Conf . Mach . Learning ( ICML ), 2018
46 Song HanHuizi MaoWilliam J Dally, "Deep compression : Compressing deep neural networks with pruning", trained quantization and huffman coding . In ICLR, 2016
47 Michael PfeifferThomas Pfeil, "Deep learning with spiking neurons : opportunities and challenges", Frontiers in neuroscience , 12, 2018
48 Mark Horowitz, "1.1 computing ’ s energy problem ( and what we can do about it )", 20142014
49 Tianhong LiJianguo LiZhuang LiuChangshui Zhang, "Few sample knowledge distillation for efficient network compression", Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition , pages 14639 ? 14647, 2020
50 Yoshua Bengio, "Gradient-based optimization of hyperparameters . Neural computation", 12 ( 8 ) :1889 ? 1900, 2000
51 Seijoon KimSeongsik ParkByunggook NaSungroh Yoon, "Spikingyolo : Spiking neural network for real-time object detection", Proc . 34th AAAI Conf . Artif . Intell . ( AAAI ), 2020
52 Dario AmodeiSundaram AnanthanarayananRishita AnubhaiJingliang BaiEric BattenbergCarl CaseJared CasperBryan CatanzaroQiang ChengGuoliang Chen, "Deep speech 2 : End-to-end speech recognition in english and mandarin", International conference on machine learning , pages 173 ? 182, 2016
53 Seongsik ParkSeijoon KimByunggook NaSungroh Yoon, "T2fsnn : Deep spiking neural networks with time-to-first-spike coding", Proc . Design Auto . Conf ., DAC2020
54 Bing XuNaiyan WangTianqi ChenMu Li, "Empirical evaluation of rectified activations in convolutional network", In CVPR, 2015
55 Frank HutterHolger H HoosKevin Leyton-Brown, "Sequential modelbased optimization for general algorithm configuration", Proc . Int . Conf . learning Intell . Opt. , pages 507 ? 523 . Springer, 2011
56 Hongxiang FanShuanglong LiuMartin FeriancHo-Cheung NgZhiqiang QueShen LiuXinyu NiuWayne Luk, "A real-time object detection accelerator with compressed ssdlite on fpga", Conf . Field- Program . Tech . ( FPT ) , pages 14 ? 21 . IEEE, 20182018
57 Abhronil SenguptaYuting YeRobert WangChiao LiuKaushik Roy, "Going deeper in spiking neural networks : Vgg and residual architectures", Frontiers in Neuroscience , 13:95, 2019
58 Zhen DongZhewei YaoAmir GholamiMichael W MahoneyKurt Keutzer, "Hawq : Hessian aware quantization of neural networks with mixedprecision", Proceedings of the IEEE International Conference on Computer Vision , pages 293 ? 302, 2019
59 Zihang DaiZhilin YangYiming YangJaime CarbonellQuoc V LeRuslan Salakhutdinov, "Transformer-xl : Attentive language models beyond a fixed-length context", arXiv preprint arXiv:1901.02860, 2019
60 Bing HanKaushik Roy, "Deep spiking neural network : Energy efficiency through time based coding", In Proc . IEEE Eur . Conf . Comput . Vis . ( ECCV ), 2020
61 Mingxing TanQuoc V Le, "Efficientnet : Rethinking model scaling for convolutional neural networks", In Proc . Int . Conf . Mach . Learning ( ICML ), 2019
62 Nima DehghaniAdrien PeyracheBartosz TelenczukMichel Le Van QuyenEric HalgrenSydney S CashNicholas G HatsopoulosAlain Destexhe, "Dynamic balance of excitation and inhibition in human and monkey neocortex", Scientific reports6:23176, 2016
63 W Pirie, "Spearman rank correlation coefficient encyclopedia of statistical sciences", 2004
64 Peter U DiehlDaniel NeilJonathan BinasMatthew CookShih-Chii LiuMichael Pfeiffer . Fast-classifying, "high-accuracy spiking deep networks through weight and threshold balancing", In IJCNN, 2015
65 Guillaume BellecDarjan SalajAnand SubramoneyRobert LegensteinWolfgang Maass, "Long short-term memory and learning-to-learn in networks of spiking neurons", In NIPS, 2018
66 Jinkyu KimJohn Canny, "Interpretable learning for self-driving cars by visualizing causal attention", Proceedings of the IEEE international conference on computer vision , pages 2942 ? 2950, 2017
67 Jacinto C NascimentoJorge S Marques, "Performance evaluation of object detection algorithms for video surveillance", IEEE Trans . Multimedia , 8 ( 4 ) : 761 ? 774, 2006
68 Jibin WuEmre YılmazMalu ZhangHaizhou LiKay Chen Tan, "Deep spiking neural networks for large vocabulary automatic speech recognition", Frontiers in Neuroscience , 14:199, 2020
69 Wei FangLin WangPeiming Ren, "Tinier-yolo : A real-time object detection method for constrained environments", IEEE Access , 8:1935 ? 1944, 2019
70 Jun-Yan ZhuTaesung ParkPhillip IsolaAlexei A Efros, "Unpaired image-to-image translation using cycle-consistent adversarial networks", Proceedings of the IEEE international conference on computer vision , pages 2223 ? 2232, 2017
71 Hugh R WilsonJack D Cowan, "Excitatory and inhibitory interactions in localized populations of model neurons", Biophysical journal12 ( 1 ) :1 ? 24, 1972
72 Stefan LessmannRobert StahlbockSven F Crone, "Optimizing hyperpa- 102 rameters of support vector machines by genetic algorithms", IC-AI , pages 74 ? 82, 2005
73 Yingyezhe JinWenrui ZhangPeng Li, "Hybrid macro/micro level backpropagation for training deep spiking neural networks", In NIPS, 2018
74 Yongqiang CaoYang ChenDeepak Khosla, "Spiking deep convolutional neural networks for energy-efficient object recognition", International Journal of Computer Vision , 113 ( 1 ) :54 ? 66, 2015
75 Peter U DiehlMatthew Cook, "Unsupervised learning of digit recognition using spike-timing-dependent plasticity", Frontiers in computational neuroscience , 9:99, 2015
76 Rachel HuangJonathan PedoeemCuixian Chen, "Yolo-lite : a real-time object detection algorithm optimized for non-gpu computers", 20182018
77 Lei ZhangShengyuan ZhouTian ZhiZidong DuYunji Chen, "Tdsnn : From deep neural networks to deep spike neural networks with temporalcoding", Proc . 33rd AAAI Conf . Artif . Intell . ( AAAI ) , volume 33 , pages 1319 ? 1326, 2019
78 Babak AlipanahiAndrew DelongMatthew T WeirauchBrendan J Frey, "Predicting the sequence specificities of dna-and rna-binding proteins by deep learning", Nature biotechnology33 ( 8 ) :831 ? 838, 2015
79 Joseph RedmonAli Farhadi, "[78] Joseph Redmon and Ali Farhadi. Yolo9000: Better, faster, stronger. In CVPR, 2017.", Yolo9000 : Better , faster , stronger . In CVPR, 2017
80 Shaoqing RenKaiming HeRoss GirshickJian Sun, "“ Faster r-cnn : Towards realtime object detection with region proposal networks ”", In NIPS, 2015
81 Wenrui ZhangPeng Li, "Temporal spike sequence learning via backpropa- gation for deep spiking neural networks", Proc . 33th Annu . Conf . Adv . Neural Inf . Process . Syst . ( NeurIPS ), 2020
82 Jacob DevlinMing-Wei ChangKenton LeeKristina Toutanova, "“ Bert : Pretraining of deep bidirectional transformers for language understanding ”", arXiv preprint arXiv:1810.04805, 2018
83 Ross GirshickJeff DonahueTrevor DarrellJitendra Malik, "“ Rich feature hierarchies for accurate object detection and semantic segmentation ”", In CVPR, 2014
84 William ChanNavdeep JaitlyQuoc LeOriol Vinyals . Listen, "attend and spell : A neural network for large vocabulary conversational speech recognition", 20162016
85 Chi-Sang PoonKuan Zhou, "Neuromorphic silicon neurons and large-scale neural networks : challenges and opportunities", Frontiers in neuroscience5 : 108, 2011
86 Fernando Nogueira, "Bayesian Optimization : Open source constrained global optimization tool for Python , 2014 ?", URL https : //github.com/fmfn/ BayesianOptimization, null
87 Yong-Deok KimEunhyeok ParkSungjoo YooTaelim ChoiLu YangDongjun Shin, "Compression of deep convolutional neural networks for fast and low power mobile applications", In CVPR, 2015
88 Caiwen DingShuo WangNing LiuKaidi XuYanzhi WangYun Liang, "Req-yolo : A resource-aware , efficient quantization framework for object detection on fpgas", Proc . ACM/SIGDA Int . Symp . Field-Program . Gate Arrays ( FPGA ) , pages 33 ? 42, 2019
89 Wolfgang Maass, "Networks of spiking neurons : the third generation of neural network models . Neural networks", 10 ( 9 ) :1659 ? 1671, 1997
90 Paul A MerollaJohn V ArthurRodrigo Alvarez-IcazaAndrew S CassidyJun SawadaFilipp AkopyanBryan L Jackson, "A million spiking-neuron integrated circuit with a scalable communication network and interface", Science345 ( 6197 ) :668 ? 673, 2014
91 Zhaoyin JiaAshutosh SaxenaTsuhan Chen, "Robotic object detection : Learning to improve the classifiers using sparse graphs for path planning", Proc . 22nd Int . Joint Conf . Artif . Intell . ( IJCAI ), 2011
92 Bodo RueckauerIulia-Alexandra LunguYuhuang HuMichael PfeifferShih-Chii Liu, "Conversion of continuous-valued deep networks to efficient event-driven networks for image classification", Frontiers in neuroscience11 : 682, 2017
93 Rony AzouzCharles M Gray, "Dynamic spike threshold reveals a mechanism for synaptic coincidence detection in cortical neurons in vivo", Proc . National Acad . Sciences97 ( 14 ) :8110 ? 8115, 2000
94 Korbinian Brodmann, "Vergleichende Lokalisationslehre der Grosshirnrinde in ihren Prinzipien dargestellt auf Grund des Zellenbaues", Barth , 1909, null
95 Bing HanGopalakrishnan SrinivasanKaushik Roy, "Rmp-snn : Residual membrane potential neuron for enabling deeper high-accuracy and low-latency spiking neural network", Proc . IEEE Conf . Comput . Vis . Pattern Recognit . ( CVPR ) , pages 13558 ? 13567, 2020
96 Sergey ZagoruykoNikos Komodakis, "Paying more attention to attention : Improving the performance of convolutional neural networks via attention transfer", In ICLR, 2017
97 Ana I MaquedaAntonio LoquercioGuillermo Gallego, "Narciso Garc ? a , and Davide ScaramuzzaEvent-based vision meets deep learning on steering prediction for self-driving cars", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition , pages 5419 ? 5427, 2018
98 Mohammad Javad ShafieeFrancis LiBrendan Chwyl, "Tiny ssd : A tiny single-shot detection deep convolutional neural network for real-time embedded object detection . In Proc", 20182018
99 Seongsik ParkSeijoon KimHyeokjun ChoeSungroh Yoon, "Fast and efficient information transmission with burst spikes in deep spiking neural networks . In 2019 56th ACM/IEEE Design", Auto . Conf . ( DAC ) , pages 1 ? 6 . IEEE, 2019
100 Bichen WuForrest IandolaPeter H JinKurt Keutzer, "Squeezedet : Unified , small , low power fully convolutional neural networks for real-time object detection for autonomous driving", Proc . IEEE Conf . Comput . Vis . Pattern Recognit . Workshop ( CVPRW ) , pages 129 ? 137, 2017

분석정보

활용도 분석

논문 주제 분석

연구자 주제 분석

View

상세정보조회

usage

원문다운로드

대출신청

복사신청

EDDS신청

동일 주제 내 활용도 TOP

연도별 연구동향

연도별 활용동향

연관논문

연구자 네트워크 맵

공동연구자 (0)
유사연구자 (0) 활용도상위20명

연관 공개강의

원문보기
음성서비스 신청
인용하기

내책장담기

닫기

표가 있는 항목은 반드시 기재해 주셔야 합니다.

동일자료를 같은 책장에 담을 경우 담은 시점만 최신으로 수정됩니다.

책장선택
새 책장 만들어 자료 담기
선택한 자료

취소 내책장에 담기

새책장 만들기

닫기

표가 있는 항목은 반드시 기재해 주셔야 합니다.

새책장 명
새책장 설명

책장설명은 [내 책장/책장목록]에서 수정할 수 있습니다.
새책장 카테고리
- 카테고리
  취소
- 카테고리
  취소
- 카테고리
  취소
책장카테고리 설정은 최소1개 ~ 최대3개까지 가능합니다.
Default 설정
설정
선택한 자료

취소 새 책장 만들어 자료 담기

관심분야 검색

닫기

트리 또는 검색을 통해 관심분야를 선택 하신 후 등록 버튼을 클릭 하십시오.

관심분야 검색 결과
대분류	중분류	관심분야명
검색결과가 없습니다.

선택된 분야 (선택분야는 최소 하나 이상 선택 하셔야 합니다.)

카테고리
취소
카테고리
취소
카테고리
취소

등록

소장기관 정보

닫기

담당자
부서명
연락처
홈페이지
전자메일
주소
상호대차
문헌복사

문헌복사 및 대출서비스 정책은 제공도서관 규정에 따라 상이할수 있음

권호소장정보

닫기

오류접수

닫기

오류접수

[ 논문 정보 ]

[ 신청자 정보 ]

아이디
전화번호
- - SMS알림요청동의
오류내용

※ 개인정보 노출 방지를 위해 민감한 개인정보 내용은 가급적 기재를 자제하여 주시기 바랍니다.
(상담을 위해 불가피하게 개인정보를 기재하셔야 한다면, 가능한 최소한의 개인정보를 기재하여 주시기 바랍니다.)
메일주소
작성하신 내용을 완료하시려면 [보내기] 버튼을, 수정하시려면 [수정]버튼을 눌러주세요.

취소 오류접수 수정 보내기

오류 접수 확인

닫기

오류 접수 확인

고객님, 오류접수가 정상적으로 신청 되었습니다.

문의하신 내용은 3시간 이내에 메일로 답변을 드릴 수 있도록 하겠습니다.

다만, 고객센터 운영시간(평일 09:00 ~ 18:00) 이외에는

처리가 다소 지연될 수 있으니 이 점 양해 부탁 드립니다.

로그인 후, 문의하신 내용은 나의상담내역에서 조회하실 수 있습니다.

[접수 정보]

접수일시
답변받을 이메일

나의 상담내역 바로가기

음성서비스 신청

닫기

음성서비스 신청

[ 논문 정보 ]

[ 신청자 정보 ]

아이디
전화번호
- - SMS 및 카카오알림 동의
메일주소
작성하신 내용을 완료하시려면 [신청] 버튼을, 수정하시려면 [수정]버튼을 눌러주세요.

취소 음성서비스 신청 수정 신청

음성서비스 신청 확인

닫기

음성서비스 신청 확인

서비스 신청이 완료되었습니다.

신청하신 내역에 대한 처리 완료 시 메일로 별도 안내 드리도록 하겠습니다.

음성서비스 신청 증가 등의 이유로 처리가 다소 지연될 수 있으니, 이 점 양해 부탁드립니다.

감합니다.

[신청 정보]

신청일시
답변받을 이메일

41061 대구광역시 동구 동내로 64(동내동1119) KERIS빌딩

고객센터 (평일: 09:00 ~ 18:00)1599-3122

PC 버전 바로가기

회원가입

학술연구정보서비스 검색

MYRISS

회원서비스

About RISS

RISS 처음 방문 이세요?

고객센터

RISS 활용도 분석

최신/인기 학술자료

해외자료신청(E-DDS)

공지사항

해외전자정보서비스 검색

Databases & Journals

해외전자자료 이용안내

이용약관

닫기

학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)

제 1 장 총칙
1. 제 1 조 (목적)
  - 이 약관은 한국교육학술정보원(이하 "교육정보원"라 함)이 제공하는 학술연구정보서비스의 웹사이트(이하 "서비스" 라함)의 이용에 관한 조건 및 절차와 기타 필요한 사항을 규정하는 것을 목적으로 합니다.
2. 제 2 조 (약관의 효력과 변경)
  1. ① 이 약관은 서비스 메뉴에 게시하여 공시함으로써 효력을 발생합니다.
  2. ② 교육정보원은 합리적 사유가 발생한 경우에는 이 약관을 변경할 수 있으며, 약관을 변경한 경우에는 지체없이 "공지사항"을 통해 공시합니다.
  3. ③ 이용자는 변경된 약관사항에 동의하지 않으면, 언제나 서비스 이용을 중단하고 이용계약을 해지할 수 있습니다.
3. 제 3 조 (약관외 준칙)
  - 이 약관에 명시되지 않은 사항은 관계 법령에 규정 되어있을 경우 그 규정에 따르며, 그렇지 않은 경우에는 일반적인 관례에 따릅니다.
4. 제 4 조 (용어의 정의)
  이 약관에서 사용하는 용어의 정의는 다음과 같습니다.
  1. ① 이용자 : 교육정보원과 이용계약을 체결한 자
  2. ② 이용자번호(ID) : 이용자 식별과 이용자의 서비스 이용을 위하여 이용계약 체결시 이용자의 선택에 의하여 교육정보원이 부여하는 문자와 숫자의 조합
  3. ③ 비밀번호 : 이용자 자신의 비밀을 보호하기 위하여 이용자 자신이 설정한 문자와 숫자의 조합
  4. ④ 단말기 : 서비스 제공을 받기 위해 이용자가 설치한 개인용 컴퓨터 및 모뎀 등의 기기
  5. ⑤ 서비스 이용 : 이용자가 단말기를 이용하여 교육정보원의 주전산기에 접속하여 교육정보원이 제공하는 정보를 이용하는 것
  6. ⑥ 이용계약 : 서비스를 제공받기 위하여 이 약관으로 교육정보원과 이용자간의 체결하는 계약을 말함
  7. ⑦ 마일리지 : RISS 서비스 중 마일리지 적립 가능한 서비스를 이용한 이용자에게 지급되며, RISS가 제공하는 특정 디지털 콘텐츠를 구입하는 데 사용하도록 만들어진 포인트
제 2 장 서비스 이용 계약
1. 제 5 조 (이용계약의 성립)
  1. ① 이용계약은 이용자의 이용신청에 대한 교육정보원의 이용 승낙에 의하여 성립됩니다.
  2. ② 제 1항의 규정에 의해 이용자가 이용 신청을 할 때에는 교육정보원이 이용자 관리시 필요로 하는
    사항을 전자적방식(교육정보원의 컴퓨터 등 정보처리 장치에 접속하여 데이터를 입력하는 것을 말합니다)
    이나 서면으로 하여야 합니다.
  3. ③ 이용계약은 이용자번호 단위로 체결하며, 체결단위는 1 이용자번호 이상이어야 합니다.
  4. ④ 서비스의 대량이용 등 특별한 서비스 이용에 관한 계약은 별도의 계약으로 합니다.
2. 제 6 조 (이용신청)
  1. ① 서비스를 이용하고자 하는 자는 교육정보원이 지정한 양식에 따라 온라인신청을 이용하여 가입 신청을 해야 합니다.
  2. ② 이용신청자가 14세 미만인자일 경우에는 친권자(부모, 법정대리인 등)의 동의를 얻어 이용신청을 하여야 합니다.
3. 제 7 조 (이용계약 승낙의 유보)
  1. ① 교육정보원은 다음 각 호에 해당하는 경우에는 이용계약의 승낙을 유보할 수 있습니다.
    1. 1. 설비에 여유가 없는 경우
    2. 2. 기술상에 지장이 있는 경우
    3. 3. 이용계약을 신청한 사람이 14세 미만인 자로 친권자의 동의를 득하지 않았을 경우
    4. 4. 기타 교육정보원이 서비스의 효율적인 운영 등을 위하여 필요하다고 인정되는 경우
  2. ② 교육정보원은 다음 각 호에 해당하는 이용계약 신청에 대하여는 이를 거절할 수 있습니다.
    1. 1. 다른 사람의 명의를 사용하여 이용신청을 하였을 때
    2. 2. 이용계약 신청서의 내용을 허위로 기재하였을 때
4. 제 8 조 (계약사항의 변경)
  이용자는 다음 사항을 변경하고자 하는 경우 서비스에 접속하여 서비스 내의 기능을 이용하여 변경할 수 있습니다.
  1. ① 성명 및 생년월일, 신분, 이메일
  2. ② 비밀번호
  3. ③ 자료신청 / 기관회원서비스 권한설정을 위한 이용자정보
  4. ④ 전화번호 등 개인 연락처
  5. ⑤ 기타 교육정보원이 인정하는 경미한 사항
제 3 장 서비스의 이용
1. 제 9 조 (서비스 이용시간)
  - 서비스의 이용 시간은 교육정보원의 업무 및 기술상 특별한 지장이 없는 한 연중무휴, 1일 24시간(00:00-24:00)을 원칙으로 합니다. 다만 정기점검등의 필요로 교육정보원이 정한 날이나 시간은 그러하지 아니합니다.
2. 제 10 조 (이용자번호 등)
  1. ① 이용자번호 및 비밀번호에 대한 모든 관리책임은 이용자에게 있습니다.
  2. ② 명백한 사유가 있는 경우를 제외하고는 이용자가 이용자번호를 공유, 양도 또는 변경할 수 없습니다.
  3. ③ 이용자에게 부여된 이용자번호에 의하여 발생되는 서비스 이용상의 과실 또는 제3자에 의한 부정사용 등에 대한 모든 책임은 이용자에게 있습니다.
3. 제 11 조 (서비스 이용의 제한 및 이용계약의 해지)
  1. ① 이용자가 서비스 이용계약을 해지하고자 하는 때에는 온라인으로 교육정보원에 해지신청을 하여야 합니다.
  2. ② 교육정보원은 이용자가 다음 각 호에 해당하는 경우 사전통지 없이 이용계약을 해지하거나 전부 또는 일부의 서비스 제공을 중지할 수 있습니다.
    1. 1. 타인의 이용자번호를 사용한 경우
    2. 2. 다량의 정보를 전송하여 서비스의 안정적 운영을 방해하는 경우
    3. 3. 수신자의 의사에 반하는 광고성 정보, 전자우편을 전송하는 경우
    4. 4. 정보통신설비의 오작동이나 정보 등의 파괴를 유발하는 컴퓨터 바이러스 프로그램등을 유포하는 경우
    5. 5. 정보통신윤리위원회로부터의 이용제한 요구 대상인 경우
    6. 6. 선거관리위원회의 유권해석 상의 불법선거운동을 하는 경우
    7. 7. 서비스를 이용하여 얻은 정보를 교육정보원의 동의 없이 상업적으로 이용하는 경우
    8. 8. 비실명 이용자번호로 가입되어 있는 경우
    9. 9. 일정기간 이상 서비스에 로그인하지 않거나 개인정보 수집․이용에 대한 재동의를 하지 않은 경우
  3. ③ 전항의 규정에 의하여 이용자의 이용을 제한하는 경우와 제한의 종류 및 기간 등 구체적인 기준은 교육정보원의 공지, 서비스 이용안내, 개인정보처리방침 등에서 별도로 정하는 바에 의합니다.
  4. ④ 해지 처리된 이용자의 정보는 법령의 규정에 의하여 보존할 필요성이 있는 경우를 제외하고 지체 없이 파기합니다.
  5. ⑤ 해지 처리된 이용자번호의 경우, 재사용이 불가능합니다.
4. 제 12 조 (이용자 게시물의 삭제 및 서비스 이용 제한)
  1. ① 교육정보원은 서비스용 설비의 용량에 여유가 없다고 판단되는 경우 필요에 따라 이용자가 게재 또는 등록한 내용물을 삭제할 수 있습니다.
  2. ② 교육정보원은 서비스용 설비의 용량에 여유가 없다고 판단되는 경우 이용자의 서비스 이용을 부분적으로 제한할 수 있습니다.
  3. ③ 제 1 항 및 제 2 항의 경우에는 당해 사항을 사전에 온라인을 통해서 공지합니다.
  4. ④ 교육정보원은 이용자가 게재 또는 등록하는 서비스내의 내용물이 다음 각호에 해당한다고 판단되는 경우에 이용자에게 사전 통지 없이 삭제할 수 있습니다.
    1. 1. 다른 이용자 또는 제 3자를 비방하거나 중상모략으로 명예를 손상시키는 경우
    2. 2. 공공질서 및 미풍양속에 위반되는 내용의 정보, 문장, 도형 등을 유포하는 경우
    3. 3. 반국가적, 반사회적, 범죄적 행위와 결부된다고 판단되는 경우
    4. 4. 다른 이용자 또는 제3자의 저작권 등 기타 권리를 침해하는 경우
    5. 5. 게시 기간이 규정된 기간을 초과한 경우
    6. 6. 이용자의 조작 미숙이나 광고목적으로 동일한 내용의 게시물을 10회 이상 반복하여 등록하였을 경우
    7. 7. 기타 관계 법령에 위배된다고 판단되는 경우
5. 제 13 조 (서비스 제공의 중지 및 제한)
  1. ① 교육정보원은 다음 각 호에 해당하는 경우 서비스 제공을 중지할 수 있습니다.
    1. 1. 서비스용 설비의 보수 또는 공사로 인한 부득이한 경우
    2. 2. 전기통신사업법에 규정된 기간통신사업자가 전기통신 서비스를 중지했을 때
  2. ② 교육정보원은 국가비상사태, 서비스 설비의 장애 또는 서비스 이용의 폭주 등으로 서비스 이용에 지장이 있는 때에는 서비스 제공을 중지하거나 제한할 수 있습니다.
6. 제 14 조 (교육정보원의 의무)
  1. ① 교육정보원은 교육정보원에 설치된 서비스용 설비를 지속적이고 안정적인 서비스 제공에 적합하도록 유지하여야 하며 서비스용 설비에 장애가 발생하거나 또는 그 설비가 못쓰게 된 경우 그 설비를 수리하거나 복구합니다.
  2. ② 교육정보원은 서비스 내용의 변경 또는 추가사항이 있는 경우 그 사항을 온라인을 통해 서비스 화면에 공지합니다.
7. 제 15 조 (개인정보보호)
  1. ① 교육정보원은 공공기관의 개인정보보호에 관한 법률, 정보통신이용촉진등에 관한 법률 등 관계법령에 따라 이용신청시 제공받는 이용자의 개인정보 및 서비스 이용중 생성되는 개인정보를 보호하여야 합니다.
  2. ② 교육정보원의 개인정보보호에 관한 관리책임자는 학술연구정보서비스 이용자 관리담당 부서장(학술정보본부)이며, 주소 및 연락처는 대구광역시 동구 동내로 64(동내동 1119) KERIS빌딩, 전화번호 054-714-0114번, 전자메일 privacy@keris.or.kr 입니다. 개인정보 관리책임자의 성명은 별도로 공지하거나 서비스 안내에 게시합니다.
  3. ③ 교육정보원은 개인정보를 이용고객의 별도의 동의 없이 제3자에게 제공하지 않습니다. 다만, 다음 각 호의 경우는 이용고객의 별도 동의 없이 제3자에게 이용 고객의 개인정보를 제공할 수 있습니다.
    1. 1. 수사상의 목적에 따른 수사기관의 서면 요구가 있는 경우에 수사협조의 목적으로 국가 수사 기관에 성명, 주소 등 신상정보를 제공하는 경우
    2. 2. 신용정보의 이용 및 보호에 관한 법률, 전기통신관련법률 등 법률에 특별한 규정이 있는 경우
    3. 3. 통계작성, 학술연구 또는 시장조사를 위하여 필요한 경우로서 특정 개인을 식별할 수 없는 형태로 제공하는 경우
  4. ④ 이용자는 언제나 자신의 개인정보를 열람할 수 있으며, 스스로 오류를 수정할 수 있습니다. 열람 및 수정은 원칙적으로 이용신청과 동일한 방법으로 하며, 자세한 방법은 공지, 이용안내에 정한 바에 따릅니다.
  5. ⑤ 이용자는 언제나 이용계약을 해지함으로써 개인정보의 수집 및 이용에 대한 동의, 목적 외 사용에 대한 별도 동의, 제3자 제공에 대한 별도 동의를 철회할 수 있습니다. 해지의 방법은 이 약관에서 별도로 규정한 바에 따릅니다.
8. 제 16 조 (이용자의 의무)
  1. ① 이용자는 서비스를 이용할 때 다음 각 호의 행위를 하지 않아야 합니다.
    1. 1. 다른 이용자의 이용자번호를 부정하게 사용하는 행위
    2. 2. 서비스를 이용하여 얻은 정보를 교육정보원의 사전승낙없이 이용자의 이용이외의 목적으로 복제하거나 이를 출판, 방송 등에 사용하거나 제3자에게 제공하는 행위
    3. 3. 다른 이용자 또는 제3자를 비방하거나 중상모략으로 명예를 손상하는 행위
    4. 4. 공공질서 및 미풍양속에 위배되는 내용의 정보, 문장, 도형 등을 타인에게 유포하는 행위
    5. 5. 반국가적, 반사회적, 범죄적 행위와 결부된다고 판단되는 행위
    6. 6. 다른 이용자 또는 제3자의 저작권등 기타 권리를 침해하는 행위
    7. 7. 기타 관계 법령에 위배되는 행위
  2. ② 이용자는 이 약관에서 규정하는 사항과 서비스 이용안내 또는 주의사항을 준수하여야 합니다.
  3. ③ 이용자가 설치하는 단말기 등은 전기통신설비의 기술기준에 관한 규칙이 정하는 기준에 적합하여야 하며, 서비스에 장애를 주지 않아야 합니다.
9. 제 17 조 (광고의 게재)
  교육정보원은 서비스의 운용과 관련하여 서비스화면, 홈페이지, 전자우편 등에 광고 등을 게재할 수 있습니다.
제 4 장 서비스 이용 요금
1. 제 18 조 (이용요금)
  1. ① 서비스 이용료는 기본적으로 무료로 합니다. 단, 민간업체와의 협약에 의해 RISS를 통해 서비스 되는 콘텐츠의 경우 각 민간 업체의 요금 정책에 따라 유료로 서비스 합니다.
  2. ② 그 외 교육정보원의 정책에 따라 이용 요금 정책이 변경될 경우에는 온라인으로 서비스 화면에 게시합니다.
제 5 장 마일리지 정책
1. 제 19 조 (마일리지 정책의 변경)
  1. ① RISS 마일리지는 2017년 1월부로 모두 소멸되었습니다.
  2. ② 교육정보원은 마일리지 적립ㆍ사용ㆍ소멸 등 정책의 변경에 대해 온라인상에 공지해야하며, 최근에 온라인에 등재된 내용이 이전의 모든 규정과 조건보다 우선합니다.
제 6 장 저작권
1. 제 20 조 (게재된 자료에 대한 권리)
  서비스에 게재된 자료에 대한 권리는 다음 각 호와 같습니다.
  1. ① 게시물에 대한 권리와 책임은 게시자에게 있으며, 교육정보원은 게시자의 동의 없이는 이를 영리적 목적으로 사용할 수 없습니다.
  2. ② 게시자의 사전 동의가 없이는 이용자는 서비스를 이용하여 얻은 정보를 가공, 판매하는 행위 등 서비스에 게재된 자료를 상업적 목적으로 이용할 수 없습니다.
제 7 장 이의 신청 및 손해배상 청구 금지
1. 제 21 조 (이의신청금지)
  이용자는 교육정보원에서 제공하는 서비스 이용시 발생되는 어떠한 문제에 대해서도 무료 이용 기간 동안은 이의 신청 및 민원을 제기할 수 없습니다.
2. 제 22 조 (손해배상청구금지)
  이용자는 교육정보원에서 제공하는 서비스 이용시 발생되는 어떠한 문제에 대해서도 무료 이용 기간 동안은 교육정보원 및 관계 기관에 손해배상 청구를 할 수 없으며 교육정보원은 이에 대해 책임을 지지 아니합니다.
부칙
이 약관은 2000년 6월 1일부터 시행합니다.
부칙(개정 2005. 5. 31)
이 약관은 2005년 5월 31일부터 시행합니다.
부칙(개정 2010. 1. 1)
이 약관은 2010년 1월 1일부터 시행합니다.
부칙(개정 2010. 4 1)
이 약관은 2010년 4월 1일부터 시행합니다.
부칙(개정 2017. 1 1)
이 약관은 2017년 1월 1일부터 시행합니다.

학술연구정보서비스 개인정보처리방침

Ver 8.6 (2023년 1월 31일 ~ )

닫기

학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.

주요 개인정보 처리 표시(라벨링)

처리 목적
보유 기간
처리 항목
개인 정보
제3자 제공
처리 위탁
파기
정보주체의 권리의무
안전성확보조치
자동화 수집
개인정보보호책임자
열람 청구
권익침해 구제
추가적 이용
처리방침 변경

목 차

제1조(개인정보의 처리 목적)
제2조(개인정보의 처리 및 보유 기간)
제3조(처리하는 개인정보의 항목)
제4조(개인정보파일 등록 현황)
제5조(개인정보의 제3자 제공)
제6조(개인정보 처리업무의 위탁)
제7조(개인정보의 파기 절차 및 방법)
제8조(정보주체와 법정대리인의 권리·의무 및 그 행사 방법)
제9조(개인정보의 안전성 확보조치)
제10조(개인정보 자동 수집 장치의 설치·운영 및 거부)
제11조(개인정보 보호책임자)
제12조(개인정보의 열람청구를 접수·처리하는 부서)
제13조(정보주체의 권익침해에 대한 구제방법)
제14조(추가적 이용·제공 판단기준)
제15조(개인정보 처리방침의 변경)

제1조(개인정보의 처리 목적)

RISS는 개인정보를 다음의 목적을 위해 처리합니다. 처리하고 있는 개인정보는 다음의 목적 이외의 용도로는 이용되지 않으며, 이용 목적이 변경되는 경우에는 「개인정보 보호법」 제18조에 따라 별도의 동의를 받는 등 필요한 조치를 이행할 예정입니다.

가. 서비스 제공
     - 콘텐츠 제공, 문헌배송 및 결제, 요금정산 등 서비스 제공
나. 회원관리
     - 회원제 서비스 이용에 따른 본인확인,
     - 만14세 미만 아동 개인 정보 수집 시 법정 대리인 동의여부 확인, 추후 법정 대리인 본인확인
     - 분쟁 조정을 위한 기록보존, 불만처리 등을 위한 원활한 의사소통 경로의 확보, 공지사항 전달
다. 서비스 개선
     - 신규 서비스 개발 및 특화
     - 통계학적 특성에 따른 서비스 제공 및 광고 게재, 이벤트 등 정보 전달 및 참여 기회 제공
     - 서비스 이용에 대한 통계

제2조(개인정보의 처리 및 보유 기간)

가. 처리기간 및 보유 기간:

3년

또는 회원탈퇴시까지
나. 다만, 다음의 사유에 해당하는 경우에는 해당 사유 종료시 까지 정보를 보유 및 열람합니다.
     ▶ 신청 중인 서비스가 완료 되지 않은 경우
          - 보존 이유 : 진행 중인 서비스 완료(예:원문복사 등)
          - 보존 기간 : 서비스 완료 시까지
          - 열람 예정 시기 : 수시(RISS에서 신청된 서비스의 처리내역 및 진행상태 확인 요청 시)
     ▶ 관련법령에 의한 정보보유 사유 및 기간
          - 대금결제 및 재화 등의 공급에 관한 기록 :

5년

(「전자상거래 등에서의 소비자보호에 관한
법률」 제 6조 및 시행령 제 6조)
- 소비자의 불만 또는 분쟁 처리에 관한 기록 :

3년

(「전자상거래 등에서의 소비자보호에 관한
법률」 제 6조 및 시행령 제 6조)
- 접속에 관한 기록 :

2년

이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)

제3조(처리하는 개인정보의 항목)

가. 필수 항목 : ID, 이름, 생년월일, 신분(직업구분), 이메일, 소속분야,
보호자 성명(어린이회원), 보호자 이메일(어린이회원)
나: 선택 항목 : 소속기관명, 학과/부서명, 학번/직원번호, 전화, 주소, 장애인 여부
다. 자동수집항목 : IP주소, ID, 서비스 이용기록, 방문기록

제4조(개인정보파일 등록 현황)


개인정보파일의 명칭	운영근거 / 처리목적	개인정보파일에 기록되는 개인정보의 항목		보유기간
학술연구정보서비스 이용자 가입정보 파일	한국교육학술정보원법	필수	ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부	3년 또는 탈퇴시
학술연구정보서비스 이용자 가입정보 파일	한국교육학술정보원법	선택	소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소	3년 또는 탈퇴시

제5조(개인정보의 제3자 제공)

가. RISS는 원칙적으로 정보주체의 개인정보를 제1조(개인정보의 처리 목적)에서 명시한 범위 내에서
     처리하며, 정보주체의 사전 동의 없이는 본래의 범위를 초과하여 처리하거나 제3자에게 제공하지
     않습니다. 단, 정보주체의 동의, 법률의 특별한 규정 등 개인정보 보호법 제17조 및 제18조에 해당하는
     경우에만 개인정보를 제3자에게 제공합니다.
나. RISS는 원활한 서비스 제공을 위해 다음의 경우 정보주체의 동의를 얻어 필요 최소한의 범위로만
     제공합니다.
     - 복사/대출 배송 서비스를 위해서 아래와 같이 개인정보를 제공합니다.
          1. 개인정보 제공 대상 : 제공도서관, ㈜이니시스(선불결제 시)
          2. 개인정보 제공 목적 : 복사/대출 서비스 제공
          3. 개인정보 제공 항목 : 이름, 전화번호, 이메일
          4. 개인정보 보유 및 이용 기간 : 신청건 발생일 후 5년
▶ 개인정보 제공에 동의하지 않을 권리가 있으며, 거부하는 경우 서비스 이용이 불가합니다.

제6조(개인정보 처리업무의 위탁)

RISS는 원활한 개인정보 업무처리를 위하여 다음과 같이 개인정보 처리업무를 위탁하고 있습니다.

가. 위탁하는 업무 내용 : 회원 개인정보 처리
나. 수탁업체명 : ㈜퓨쳐누리

RISS는 위탁계약 체결 시 「개인정보 보호법」 제26조에 따라 위탁업무 수행 목적 외 개인정보 처리금지, 안전성 확보조치, 재위탁 제한, 수탁자에 대한 관리·감독, 손해배상 등 책임에 관한 사항을 계약서 등 문서에 명시하고, 수탁자가 개인정보를 안전하게 처리하는지를 감독하고 있습니다.

위탁업무의 내용이나 수탁자가 변경될 경우에는 지체 없이 본 개인정보 처리방침을 통하여 공개하도록 하겠습니다.

제7조(개인정보의 파기 절차 및 방법)

가. 파기절차
     - 개인정보의 파기 : 보유기간이 경과한 개인정보는 종료일로부터 지체 없이 파기
     - 개인정보파일의 파기 : 개인정보파일의 처리 목적 달성, 해당 서비스의 폐지, 사업의 종료 등 그
      개인정보파일이 불필요하게 되었을 때에는 개인정보의 처리가 불필요한 것으로 인정되는 날로부터
      지체 없이 그 개인정보파일을 파기.
나. 파기방법
     - 전자적 형태의 정보는 기록을 재생할 수 없는 기술적 방법을 사용하여 파기.
     - 종이에 출력된 개인정보는 분쇄기로 분쇄하거나 소각을 통하여 파기.

제8조(정보주체와 법정대리인의 권리·의무 및 그 행사 방법)

정보주체(만 14세 미만인 경우에는 법정대리인을 말함)는 개인정보주체로서 다음과 같은 권리를 행사할 수 있습니다.
가. 권리 행사 항목 및 방법
     - 권리 행사 항목: 개인정보 열람 요구, 오류 정정 요구, 삭제 요구, 처리정지 요구
     - 권리 행사 방법: 개인정보 처리 방법에 관한 고시 별지 제8호(대리인의 경우 제11호) 서식에 따라
      작성 후 서면, 전자우편, 모사전송(FAX), 전화, 인터넷(홈페이지 고객센터) 제출
나. 개인정보 열람 및 처리정지 요구는 「개인정보 보호법」 제35조 제5항, 제37조 제2항에 의하여
      정보주체의 권리가 제한 될 수 있음
다. 개인정보의 정정 및 삭제 요구는 다른 법령에서 그 개인정보가 수집 대상으로 명시되어 있는 경우에는
      그 삭제를 요구할 수 없음
라. RISS는 정보주체 권리에 따른 열람의 요구, 정정·삭제의 요구, 처리정지의 요구 시
      열람 등 요구를 한 자가 본인이거나 정당한 대리인인지를 확인함.
마. 정보주체의 권리행사 요구 거절 시 불복을 위한 이의제기 절차는 다음과 같습니다.
     1) 해당 부서에서 열람 등 요구에 대한 연기 또는 거절 시 요구 받은 날로부터 10일 이내에 정당한 사유
        및 이의제기 방법 등을 통지
     2) 해당 부서에서 정보주체의 이의제기 신청 및 접수(서면, 유선, 이메일 등)하여 개인정보보호 담당자가
        내용 확인
     3) 개인정보관리책임자가 처리결과에 대한 최종 검토
     4) 해당부서에서 정보주체에게 처리결과 통보
*. [교육부 개인정보 보호지침 별지 제1호] 개인정보 (열람, 정정·삭제, 처리정지) 요구서
*. [교육부 개인정보 보호지침 별지 제2호] 위임장

제9조(개인정보의 안전성 확보조치)

가. 내부관리계획의 수립 및 시행 : RISS의 내부관리계획 수립 및 시행은 한국교육학술정보원의 내부
      관리 지침을 준수하여 시행.
나. 개인정보 취급 담당자의 최소화 및 교육
     - 개인정보를 취급하는 분야별 담당자를 지정․운영
     - 한국교육학술정보원의 내부 관리 지침에 따른 교육 실시
다. 개인정보에 대한 접근 제한
     - 개인정보를 처리하는 데이터베이스시스템에 대한 접근권한의 부여, 변경, 말소를 통하여
     개인정보에 대한 접근통제 실시
     - 침입차단시스템, ID/패스워드 및 공인인증서 확인을 통한 접근 통제 등 보안시스템 운영
라. 접속기록의 보관 및 위변조 방지
     - 개인정보처리시스템에 접속한 기록(웹 로그, 요약정보 등)을 2년 이상 보관, 관리
     - 접속 기록이 위변조 및 도난, 분실되지 않도록 보안기능을 사용
마. 개인정보의 암호화 : 이용자의 개인정보는 암호화 되어 저장 및 관리
바. 해킹 등에 대비한 기술적 대책
     - 보안프로그램을 설치하고 주기적인 갱신·점검 실시
     - 외부로부터 접근이 통제된 구역에 시스템을 설치하고 기술적/물리적으로 감시 및 차단
사. 비인가자에 대한 출입 통제
     - 개인정보를 보관하고 있는 개인정보시스템의 물리적 보관 장소를 별도 설치․운영
     - 물리적 보관장소에 대한 출입통제, CCTV 설치․운영 절차를 수립, 운영

제10조(개인정보 자동 수집 장치의 설치·운영 및 거부)

가. 정보주체의 이용정보를 저장하고 수시로 불러오는 ‘쿠키(cookie)’를 사용합니다.
나. 쿠키는 웹사이트를 운영하는데 이용되는 서버(http)가 이용자의 컴퓨터브라우저에게 보내는 소량의
     정보이며 이동자들의 PC 컴퓨터내의 하드디스크에 저장되기도 합니다.
     1) 쿠키의 사용목적 : 이용자에게 보다 편리한 서비스 제공하기 위해 사용됩니다.
     2) 쿠키의 설치·운영 및 거부 : 브라우저 옵션 설정을 통해 쿠키 허용, 쿠키 차단 등의 설정을 할 수
          있습니다.
          - Internet Explorer : 웹브라우저 우측 상단의 도구 메뉴 > 인터넷 옵션 > 개인정보 > 설정 > 고급
          - Edge : 웹브라우저 우측 상단의 설정 메뉴 > 쿠키 및 사이트 권한 > 쿠키 및 사이트 데이터
             관리 및 삭제
          - Chrome : 웹브라우저 우측 상단의 설정 메뉴 > 보안 및 개인정보 보호 > 쿠키 및 기타 사이트
             데이터
     3) 쿠키 저장을 거부 또는 차단할 경우 서비스 이용에 어려움이 발생할 수 있습니다.

제11조(개인정보 보호책임자)

가. RISS는 개인정보 처리에 관한 업무를 총괄해서 책임지고, 개인정보 처리와 관련한 정보주체의
불만처리 및 피해구제 등을 위하여 아래와 같이 개인정보 보호책임자를 지정하고 있습니다.


구분	담당자	연락처
KERIS 개인정보 보호책임자	정보보호본부 김태우	- 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195
KERIS 개인정보 보호담당자	개인정보보호부 이상엽
RISS 개인정보 보호책임자	대학학술본부 장금연	- 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194
RISS 개인정보 보호담당자	학술진흥부 길원진

나. 정보주체는 RISS의 서비스(또는 사업)을 이용하시면서 발생한 모든 개인정보 보호 관련 문의, 불만처리,
피해구제 등에 관한 사항을 개인정보 보호책임자 및 담당부서로 문의 할 수 있습니다.
RISS는 정보주체의 문의에 대해 답변 및 처리해드릴 것입니다.

제12조(개인정보의 열람청구를 접수·처리하는 부서)

가. 자체 개인정보 열람청구 접수ㆍ처리 창구
     부서명 : 대학학술본부/학술진흥부
     담당자 : 길원진
     이메일 : giltizen@keris.or.kr
     전화번호 : 053-714-0149
     팩스번호 : 053-714-0194
나. 개인정보 열람청구 접수ㆍ처리 창구
     - 개인정보보호 포털 웹사이트(www.privacy.go.kr)
     - 개인정보보호 포털 → 민원마당 → 개인정보 열람 등 요구(본인확인을 위한
       휴대전화·아이핀(I-PIN) 등이 있어야 함)

제13조(정보주체의 권익침해에 대한 구제방법)

‣ 정보주체는 개인정보침해로 인한 구제를 받기 위하여 개인정보분쟁조정위원회, 한국인터넷진흥원
   개인정보침해신고센터 등에 분쟁해결이나 상담 등을 신청할 수 있습니다. 이 밖에 기타 개인정보
   침해의 신고, 상담에 대하여는 아래의 기관에 문의하시기 바랍니다.

   가. 개인정보분쟁조정위원회 : (국번없이) 1833-6972(www.kopico.go.kr)
   나. 개인정보침해신고센터 : (국번없이) 118(privacy.kisa.or.kr)
   다. 대검찰청 : (국번없이) 1301 (www.spo.go.kr)
   라. 경찰청 : (국번없이) 182 (ecrm.cyber.go.kr)

‣RISS는 정보주체의 개인정보자기결정권을 보장하고, 개인정보침해로 인한 상담 및 피해 구제를
    위해 노력하고 있으며, 신고나 상담이 필요한 경우 아래의 담당부서로 연락해 주시기 바랍니다.
   ▶ 개인정보 관련 고객 상담 및 신고
      부서명 : 학술진흥부
      담당자 : 길원진
      연락처 : ☎053-714-0149 / (Mail) giltizen@keris.or.kr / (Fax) 053-714-0194
‣「개인정보 보호법」제35조(개인정보의 열람), 제36조(개인정보의 정정·삭제), 제37조(개인정보의
   처리정지 등)의 규정에 의한 요구에 대하여 공공기관의 장이 행한 처분 또는 부작위로 인하여 권리
   또는 이익의 침해를 받은 자는 행정심판법이 정하는 바에 따라 행정심판을 청구할 수 있습니다.
   ※ 행정심판에 대해 자세한 사항은 중앙행정심판위원회(www.simpan.go.kr) 홈페이지를 참고
   하시기 바랍니다.

제14조(추가적인 이용ㆍ제공 판단기준)

RISS는 「개인정보 보호법」제15조제3항 및 제17조제4항에 따라 「개인정보 보호법 시행령」
제14조의2에 따른 사항을 고려하여 정보주체의 동의 없이 개인정보를 추가적으로 이용 · 제공할 수 있습니다.
이에 따라 RISS는 정보주체의 동의 없이 추가적인 이용 · 제공을 하는 경우, 본 개인정보처리방침을
통해 아래와 같은 추가적인 이용 · 제공을 위한 고려사항에 대한 판단기준을 안내드리겠습니다.
     ▶ 개인정보를 추가적으로 이용 · 제공하려는 목적이 당초 수집 목적과 관련성이 있는지 여부
     ▶ 개인정보를 수집한 정황 또는 처리 관행에 비추어 볼 때 추가적인 이용 · 제공에 대한 예측
          가능성이 있는지 여부
     ▶ 개인정보의 추가적인 이용 · 제공이 정보주체의 이익을 부당하게 침해하는지 여부
     ▶ 가명처리 또는 암호화 등 안전성 확보에 필요한 조치를 하였는지 여부

제15조(개인정보 처리방침의 변경)

RISS는 「개인정보 보호법」제30조에 따라 개인정보 처리방침을 변경하는 경우 정보주체가 쉽게
확인할 수 있도록 홈페이지에 공개하고 변경이력을 관리하고 있습니다.
‣ 이 개인정보처리방침은 2023. 1. 31. 부터 적용됩니다.
‣ 이전의 개인정보처리방침은 상단에서 확인할 수 있습니다.

닫기

변경하기 다음에 변경하기 1개월후 변경하기

자동로그아웃 안내

닫기

인증오류 안내

닫기

귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.

(참조 : RISS 이용약관 및 개인정보처리방침)

신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.

- 기존 아이디 재사용 불가

휴면계정 안내

RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.

(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)

휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.

고객센터 1599-3122

ARS번호+1번(회원가입 및 정보수정)

내보내기 형태를 선택하세요

서지정보의 형식을 선택하세요

EndNote 및 Mendeley 소개

RefWorks 소개

[ 논문 정보 ]

[ 신청자 정보 ]

[ 논문 정보 ]

[ 신청자 정보 ]

제 1 장 총칙

제 1 조 (목적)

제 2 조 (약관의 효력과 변경)

제 3 조 (약관외 준칙)

제 4 조 (용어의 정의)

제 2 장 서비스 이용 계약

제 5 조 (이용계약의 성립)

제 6 조 (이용신청)

제 7 조 (이용계약 승낙의 유보)

제 8 조 (계약사항의 변경)

제 3 장 서비스의 이용

제 9 조 (서비스 이용시간)

제 10 조 (이용자번호 등)

제 11 조 (서비스 이용의 제한 및 이용계약의 해지)

제 12 조 (이용자 게시물의 삭제 및 서비스 이용 제한)

제 13 조 (서비스 제공의 중지 및 제한)

제 14 조 (교육정보원의 의무)

제 15 조 (개인정보보호)

제 16 조 (이용자의 의무)

제 17 조 (광고의 게재)

제 4 장 서비스 이용 요금

제 18 조 (이용요금)

제 5 장 마일리지 정책

제 19 조 (마일리지 정책의 변경)

제 6 장 저작권

제 20 조 (게재된 자료에 대한 권리)

제 7 장 이의 신청 및 손해배상 청구 금지

제 21 조 (이의신청금지)

제 22 조 (손해배상청구금지)

부칙

부칙(개정 2005. 5. 31)

부칙(개정 2010. 1. 1)

부칙(개정 2010. 4 1)

부칙(개정 2017. 1 1)

Ver 8.6 (2023년 1월 31일 ~ )