Research DEMO

Stemming from corpora, speech, Eojeol, usage, basil, word search, and support neighborhood

DEMO : Corpus Information Retrieval Link

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

Document classification using KNN algorithm.

DEMO : Document Classifier Link

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

Serious games to improve cognitive skills.

DEMO : Cognitive Enhancement Games Link

(인터넷 익스플로러에서 켜주시기 바랍니다.)

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

GoStop game using brain waves.

Korean language IME brain computer using predictive models.

Korean morphological analyzer using a probability model

DEMO : Korean morphological analyzer Link

(인터넷 익스플로러에서 켜주시기 바랍니다.)

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

Korean auto spacing using probabilistic models Braces

DEMO : Korean auto spacer Link

(인터넷 익스플로러에서 켜주시기 바랍니다.)

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

EDIAGNOSIS is a system based on Lexical Decision Task to get users English proficiency by analyzing response time and accuracy result consists of individual tests of Reading, Listening, and Translation.

DEMO : EDIAGNOSIS Link

Guest ID : test@test.com, Password : 123456

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

과제 명 : 개인과 집단지성의 디지털콘텐츠화를 통한 유통 및 확산 서비스 기술 개발

온라인 교육은 ICT와 함께 지속적인 발전을하고 있다. 그에 따라서 온라인 학습자는 증가하고 있으며 교수자는 학습자들의 학습 여부를 알기 원한다. 본 연구는 비디오 콘텐츠 기반의 온라인 교육에서 학습자들의 최소 학습 여부를 판단할 수 있는 최소학습 모델을 제안하였다. 그리고 최소학습 판단 시스템을 설계 및 개발하였다.

본 연구는 학습자들이 온라인 교육환경에서 비디오 콘텐츠를 통해 최소한의 학습이 이루어진 상태를 최소 학습이라고 정의한다. 최소학습은 학습자들이 비디오 콘텐츠를 시청했을 때 비디오 콘텐츠에서 사용된 단어의 빈도효과를 기반으로 인지처리과정을통해 최소한의 비디오 콘텐츠 시청을 했는지에대한 여부를 판단하고 비디오 콘텐츠를 집중하여 시청 했다는 것은 최소한의 학습 행동이 이루어 졌다는 것을 의미한다.

 

unnamed

<그림. 최소학습 판단을 위한 단어게임>

DEMO : Minimum Learning Judgement System Link

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

과제 명 : 개인과 집단지성의 디지털콘텐츠화를 통한 유통 및 확산 서비스 기술 개발

본 연구는 사용자가 원하는 결과와 원치 않는 검색 결과가 섞여 나타나는 것을 방지하고 검색에 드는 시간과 노력을 최소화하여 사용자에게 편리성과 만족도를 향상시킬 수 있는 “디지털 콘텐츠 개인화 검색”이다. 본 연구를 통하여 검색 효율을 향상시키고 소비자의 검색 결과에 대한 만족도를 증대시켜서 디지털 콘텐츠 소비를 활성화 시키고자 한다.

 

그림1

DEMO : Contents Recommendation System Link

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

MOOT는 학습자의 자율성을 바탕으로 유연한 학습활동이 되게끔 제공함으로써 자기주도적인 학습을 할 수 있으며, 일반 교과서와 다르게 여러 자료유형을 제공한다.

 

DEMO : Massive Open Online Textbook Link

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

 

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

This demo uses Komoran 3 for morphological analysis and POS tagging, which is used as an input to SyntaxNet which performs dependency parsing. Dependency parsing determines dependencies among words in a sentence, which can pave the way for sentiment analysis and could also be used to improve machine translation. The generated SyntaxNet file is then passed through a tree visualization tool and output in SVG format.

 

Five tabs are provided: POS Tagging, Dependency Parsing, Reassembly, Semantic Analysis, and Debug. POS Tagging and Dependency Parsing show the POS tags and parsing results of the original sentence components, and reassembly shows these components recombined back into Korean words (Eojeol). Semantic Analysis tab uses experimental Wikipedia taxonomy analysis and multilingual link database to show Korean and English translations for some terms. The Debug tab can be used to check more details if an error occurs.

 

For more details on how SyntaxNet works under the hood, check out Andrew’s documentation on his blog here:

 

The SyntaxNet seminar is also available on the Seminars page.
※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

 

Dense real-valued vector representations of words or word embedding have recently gained increasing popularity in natural language processing, serving as invaluable features in a broad range of NLP tasks.

Research interest has recently extended to bilingual word embeddings. Bilingual word embedding models focus on the induction of a shared bilingual word embedding space where words from both languages are represented in a uniform language-independent manner such that similar words have similar representation.

These research goal make seed lexicon by aligned parallel data and make mapping function between seed lexicon and general-domain corpora such as Wikipedia. Therefore, we expect to applicate these research to other NLP tasks such as machine translation.

 

실행방법 : 링크 클릭 후 왼쪽 바에서 load data 클릭 후 preload example 클릭

The Korea University’s Korean Named Entity Recognition by Lee Dong Yup (KU_NERDY for short).

Named Entity Recognition systems are systems that recognizes words or phrases with object names such as personal name (PS), place name (LC), and group name (OG) in the document as corresponding object names. In this system, a depth learning based model such as CNN (Convolutional Neural Network) and Glove vector is used to represent documents using Korean sentences.

This system has trained its Glove vector with 3,450,000 wikipedia data written only with the Korean language Hangul. And as a result, the morpheme unit quality is expressed using the constructed word embedding space.

After using the NLP&AI lab’s Morphological analyzer of Korea University the parts tag is determined from the given sentence and composed of the qualities, and the information of ‘gazzete’ based on the divided morpheme units is composed by the qualities.

DEMO : KU_NERDY

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

Korean Restaurant Reservation Dialogue System by Lee Dong Yub

A Goal-oriented dialogue system is a system that can perform a specific purpose through text or voice. This demo system, based on the Hybrid Code Network structure, which is able to learn end-to-end learning method by combining domain specific knowledge, we constructed a dialogue system for restaurant reservation by using dialog data set related to restaurant reservation composed in Korean. This Korean restaurant reservation system has 95% accuracy and 63% accuracy.

DEMO : DEMO

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

Korean Morphological Analysis using Rich Character-Level Information (Bi-LSTM) by Andrew Matteson

Previous work on Korean morphological analysis typically employs the use of sub-character features known as graphemes or otherwise utilizes comprehensive prior linguistic knowledge (i.e., a dictionary of known morphological transformation forms, or actions). These models have been created with the assumption that character-level, dictionary-less morphological analysis was intractable due to the number of actions required. We present a model that achieves state-of-the-art word and sentence-level tagging performance (at time of writing) on the Sejong Korean corpus, using no knowledge specific to the Korean language whatsoever.
To use the demo, please go into the link and write in a random text. Then click on the ‘Analyze’ button to see the results

DEMO : DEMO

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

Stack-Pointer Network를 이용한 한국어 의존 분석 Demo

Stack-Pointer Network를 한국어의 언어적 특성에 적합하게 확장한 한국어 대상 Stack-Pointer Network의 demo입니다.

빈칸에 한국어 문장을 입력하고 ‘의존 분석’ 버튼을 클릭하여 자동 분석된 문장의 의존 트리를 확인할 수 있습니다.

Link: Demo

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

Sentiment Analysis Demo

Online news has replaced the traditional newspaper and has brought about a profound transformation in the way we access and share information. News websites have had the ability for users to post comments for quite some time, and some have also begun to crowdsource reactions to news articles. The field of sentiment analysis seeks to computationally model the emotions and reactions experienced when presented with text. We analyzed more than 100,000 news articles over ten categories with five user-generated emotional annotations to determine whether or not these reactions have a mathematical correlation to the news body text and propose a simple sentiment analysis algorithm that requires minimal preprocessing and no machine learning.
Korean language sentiment analysis demo: Click Here

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

현대자동차 법규관련 Q&A Demo 시스템

현대자동차로부터 법규 관련 시나리오를 받고 이를 통해 법규관련 Q&A Demo 시스템을 개발하였습니다.

Link: Demo

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

인텔리젼스 리포트 자동 분석 시스템

본 페이지는 “머신러닝을 이용한 비정형 위협정보 자동추출” 과제의 데모입니다.
PDF 형식의 인텔리젼스 리포트를 업로드하시면 분석 결과를 확인하실 수 있습니다.

Link: Demo

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

Progressive Growing GANs using Fashion Image Datasets

본 데모는 ICLR 2018에서 Karras et al.이 제안한 Progressive Growing Generative Adversarial Networks(PG-GANs)을 재구현 한 것입니다.
본 연구실에서 보유하고 있는 512 x 512 해상도의 남성 의류 상의 29,000여개의 이미지를 사용하여 모델을 학습을 진행하였습니다.

이미지 데이터에 대해 아래 모델과 같이 저해상도부터 점차적으로 학습을 진행하여 고해상도의 이미지를 생성하는 기술입니다.

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

Chatbot demo for cyber university admission QA

ChatHelper는 챗봇 기술과 자연어 처리 기술에 익숙하지 않은 일반 사용자들이 이미 보유한 데이터로부터 쉽게 챗봇을 구축하고 서비스를 제공할 수 있도록 돕는 도구입니다.
챗봇 서비스를 이용하는 질문자는 빠르게 자신이 원하는 답변을 얻고, 제공된 기존 질의응답 데이터의 전체 내용과 날짜를 확인하여 원하는 정보에 쉽고 빠르게 접근할 것입니다.
제공된 데모 페이지는 ChatHelper만을 이용하여 구축한 사이버대학 입학 상담 챗봇입니다. 자유롭게 질문을 입력하고 전송하면, 빠른 시간 내에 답변을 확인할 수 있습니다.
데모 링크 : LINK
※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

Traditional Culture Project DEMO

KOCCA 한국 전통문화 과제의 이미지 캡셔닝 데모입니다.
(차후 추가적인 설명이 업데이트 될 예정입니다)

DEMO : 이미지 캡셔닝

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

KOCCA 한국 전통문화과제의 텍스트 개체명 인식기 데모입니다.
(차후 추가적인 설명이 업데이트 될 예정입니다)

DEMO ver.01: 텍스트 개체명 인식식

DEMO ver.02: 전통문화 데이터 반영된 개체명 인식기

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

KOCCA 한국 전통문화 과제의 이미지 개체명 인식기 데모입니다.
(차후 추가적인 설명이 업데이트 될 예정입니다)

Demo: 이미지 개체명 인식

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

KOCCA 한국 전통문화 과제의 텍스트 분류기 데모입니다.
(차후 추가적인 설명이 업데이트 될 예정입니다)

DEMO : 텍스트 분류기

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

KOCCA 한국 전통문화 과제의 이미지 분류기 데모입니다.
(차후 추가적인 설명이 업데이트 될 예정입니다)

DEMO (1) : 이미지 분류기

DEMO (2) : 전통 이미지 분류기

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

KOCCA 한국 전통문화 과제의 관계추출기입니다.
(데이터 부족으로 인하여 현재 영어 문장만 관계추출할 수 있습니다.)

DEMO : 관계 추출기

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

Intelligent Fashion Image Retrieval Project DEMO

A Custom Coordination App with User Centered Intelligent Fashion Search
사용자중심의 지능형 패션검색 및 맞춤형 코디네이션 앱

글로벌 패션 시장의 패러다임 변화와 패션 관련 기술의 지능화에 따라 맞춤형·개인화 의류 제품 추천을 위한 사용자 중심의 지능형 패션검색 및 맞춤형 코디네이션 제품을 개발하여 온라인상에서 서비스 대상이 되는 사용자의 패션 쇼핑을 지원

[시연 동영상]

시연 동영상

[핵심 기술]

– 지능형 패션 검색 서비스

이미지 및 드로잉 툴 지원을 통해 스케치된 패션 이미지와 실제 상품과의 패션 분석이 용이하고, 검색이 가능한 패션 최적화 검색 서비스 제공

fashionapp01

<그림> 유사 이미지 검색

fashionapp02

<그림> 드로잉기반 유사이미기 검색

 

– 맞춤형 코디네이션 서비스

사용자 선호패션 프로파일링 및 패션 이미지 기반의 다양한 방식의 자동분류(유사패턴, 패션종류, 유사색상, 치수 등) 기술 통한 사용자 맞춤형 코디네이션 서비스 제공

fashionapp03 <그림> 맞춤형 코디네이션 추천

fashionapp04

<그림> 개인 선호도 조사 서비스

DEMO : 앱 다운로드

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

Sketch to Image Upsampling using Generative Adversarial Network

“사용자 중심의 지능형 패션검색 및 맞춤형 코디네이션 제품 개발” 과제의 스케치 기반 이미지 검색의 요소 기술인 “스케치 업샘플링 모델”의 데모 페이지입니다. 본 기술은 사용자로부터 스케치 입력이 주어지면, Generative Adversarial Network을 이용하여 이를 이미지 수준으로 업샘플링하는 기술입니다. 본 페이지에서는 핸드백 스케치를 업샘플링하는 데모를 이용해보실 수 있습니다.

DEMO : DEMO

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

“사용자 중심의 지능형 패션검색 및 맞춤형 코디네이션 제품 개발” 과제 개발 내용중, 상품 이미지를 통해 상품의 카테고리를 분류하는 모델입니다. 본 기술은 사용자로부터 상품의 이미지가 주어지면, CNN을 이용하여 상품 이미지의 자질(feature)를 추출하고 이를 통해 상품의 카테고리를 분류하는 모델입니다.

DEMO : Product Image Category Classification

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

“사용자 중심의 지능형 패션검색 및 맞춤형 코디네이션 제품 개발” 과제 개발 내용중, 상품의 이미지 검색의 요소 기술인 “유사 상품 이미지 검색 모델”의 데모 페이지입니다. 본 기술은 사용자로부터 상품의 이미지가 주어지면, CNN을 이용하여 상품 이미지의 자질(feature)을 추출하고 이를 인덱싱 되어있는 상품 자질들과의 유사도 검색을 통해 쿼리 상품 이미지와 유사한 상품의 이미지들을 검색하는 모델입니다.

DEMO : Similar Product Image Retrieval

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)