Bag-of-Semantic-Visual-Words Fused Semantic Global and Local Descriptor Based Hierarchical Visual Loop Closure Detection :Bag-of-Semantic-Visual-Words 융합 시맨틱 전역 및 국부 기술자 기반 계층적 시각적 루프 폐쇄 검출

Saba Arshad

추천

검색

자료유형: 학위논문

저자정보: Saba Arshad (충북대학교 )

지도교수: 김곤우

발행연도: 2023

저작권: 충북대학교 논문은 저작권에 의해 보호받습니다.

이용수0

이 논문의 연구 히스토리 (2)

2023

Bag-of-Semantic-Visual-Words Fused Semantic Global and Local Descriptor Based Hierarchical Visual Loop Closure Detection

Saba A , shad 전기.전자.정보.컴퓨터학부 2023.01 학위논문

2021

Semantics Aware Loop Closure Detection in Visual SLAM

Saba A , shad , Gon-Woo Kim 제어로봇시스템학회 국제학술대회 논문집 2021.10 학술대회자료

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

초록· 키워드

오류제보하기

동시 현지화 및 매핑(SLAM) 기술은 지난 수십 년 동안 크게 향상되었다. 궤적을 따라 지도를 생성하고 이전에 방문한 장소를 정확하게 파악해 모바일 로봇이 미지의 환경에서 자율적으로 이동할 수 있도록 한다. 이러한 장소 인식은 SLAM의 구성 요소 중 하나인 루프 폐쇄 감지 시스템에 의해 수행되며, 이 시스템은 로봇의 환경 맵 재국재화 및 로봇 모션 중 발생할 수 있는 맵 드리프트 감소를 지원한다.

실제 환경에서는 날씨 조건, 연중 계절 변화, 낮과 밤의 조도 변화, 측면 및 각도 시점 변화, 움직이는 물체로 인한 동적 간섭 등의 여러 변수로 인해 장소의 모양이 크게 변화한다. 시각 SLAM 기반의 자율 항법 시스템은 카메라를 환경 인식 및 폐쇄 루프 감지를 위한 유일한 입력 센서로 사용한다. 성능은 현재 프레임에서 플레이스의 모양에 따라 달라집니다. 이러한 장소 모양의 변화는 시각적 SLAM에서 루프 폐쇄 감지 성능을 크게 저하시켜 실시간 로봇 애플리케이션에서 원하는 성능을 달성하는 것을 어렵게 만든다.

장소를 신규 또는 사전 방문한 장소로 정확하게 인식하는 것은 루프 폐쇄 감지의 필수 요소이며, 그 성능은 현재 프레임에서 추출된 시각적 정보와 현재 장소를 데이터베이스와 일치시키는 데 사용되는 방법에 따라 달라진다. 이러한 맥락에서, 상기 과제를 극복하기 위한 몇 가지 방법들이 과거에 제안되었지만, 여전히 미해결 문제이다.

본 논문은 장기 자율성을 위한 시각적 루프 폐쇄 감지의 견고성을 향상시키기 위한 다양한 필수 알고리듬을 연구하는 것을 목표로 한다. 이 논문 전반에 걸쳐 강력한 기능 일치 방법, 의미 전역 및 로컬 설명자 유사성 융합 모델, 강력한 의미-시각 정보 추출 방법 및 의미-시각 단어 가방 모델을 포함하여 시각 루프 폐쇄 감지의 성능을 향상시키는 데 여러 기여를 했다.

먼저 계절의 변화, 빛, 시점 및 움직이는 물체와 같은 까다로운 환경 조건에서 빠르고 효과적인 시각 루프 폐쇄 감지를 위한 강력한 기능 일치 방법을 제시한다. 제안된 방법은 대칭 매칭을 통해 이미지 쌍 간의 강력한 시각적 특징 대응을 필터링하고 현재 프레임과 참조 이미지 사이의 이미지 평면에서 특징 일치의 공간적 불일치를 식별하여 장소 감지를 미세화한다. 공간적으로 일관성이 없는 특징 대응을 제거하면 탐지 정확도가 크게 향상된다. 실험 결과는 제안된 방법이 높은 탐지 정확도로 모든 벤치마크 데이터 세트에서 최첨단 방법을 능가한다는 것을 보여준다.

둘째, 각 환경 조건에서 시각적 정보 추출 알고리듬에 대한 철저한 분석을 수행한다. 시각적 루프 폐쇄 감지 방법의 성능은 다양한 요인, 즉 환경 조건의 변화를 나타내는 데이터 세트, 환경 정보를 전달하는 기능, 일치 체계, 평가 메트릭 및 실제 데이터의 선택에 따라 달라진다. 이러한 모든 변수를 일정하게 유지하면서, 우리는 이전에 보고되지 않은 이 연구에서 다루어진 특정 문제에 대한 공통점에 대한 이진 기능의 성능 분석을 제시한다. 본 연구에서는 강력한 피처 매칭 방법을 사용하여 다양한 환경 조건에서 이진 피처 추출기의 동작과 강력한 피처 매칭 성능을 철저히 조사한다. 본 연구는 이들의 성과를 바탕으로 특정 환경변화에 따른 장소 매칭에 적합한 조합을 제시한다.

또한 인간과 같은 장면 이해를 달성하기 위한 시각적 의미론의 장점에 초점을 맞추어 시각적 SLAM 시스템에 대한 의미론적 글로벌 및 로컬 설명자(SLGD)를 사용하여 거친 루프 폐쇄 감지를 수행하는 새로운 의미론적 글로벌 및 로컬 설명자 유사성 융합 모델을 제시한다. 제안된 방법은 주어진 이미지에서 낮은 수준의 시각적 의미론적 및 높은 수준의 의미론적 정보를 활용하여 시점 및 조명 변화에 불변하는 로컬 시각적 기능의 이점과 특정 의미론 영역에서 추출된 글로벌 의미론을 결합한다. 견고성은 전역 의미론적 유사성과 의미론적으로 두드러진 로컬 특징 유사성의 융합을 통해 장기적 자율성에 대해 달성된다. 제안된 방법은 까다로운 벤치마크 데이터 세트 범위에서 최첨단 루프 폐쇄 감지 방법을 능가한다.

또한, 우리는 계층적 의미론적 시각적 단어 가방 모델을 제안한다. BoSVW 모델은 먼저 수작업으로 만든 이진 기능과 의미 레이블을 연결하기 위해 개발된 강력한 의미-시각 정보 추출 방법을 사용하여 강력한 의미-시각 정보를 추출한다. 그런 다음 강력한 의미론적 시각적 기능만을 사용하여 어휘 트리를 구축하고 동일한 의미론적 클래스 레이블에 속하는 시각적 단어를 일치시킨다. BoSVW는 기존 BoW 모델의 단점을 극복하고 거친 루프 폐쇄 후보를 선택하면서 실제 탐지율을 향상시킨다.

마지막으로, 우리는 BoSVW 모델을 의미론적 전역 및 로컬 설명자 유사성 융합 모델과 통합한다. 벤치마크 데이터 세트에서 제안된 BoSVW 융합 시맨틱 글로벌 및 로컬 기술자 기반 시각적 루프 폐쇄 감지 방법을 평가했다. 데이터 세트는 열차, 자동차, 스마트폰 및 일반 크라우드소싱을 포함한 획득 방법의 상당한 변화의 결과로 부분적으로 도전적인 범위의 관점 및 외관 변화 조건을 포함한다. 특정한 모양의 변화는 낮의 다른 시간, 즉 새벽과 밤, 다양한 날씨, 화창한 날씨, 흐린 날씨, 눈, 그리고 계절의 변화에 의해 발생한다: 여름에서 겨울. 제안된 방법은 다양한 도전적인 실제 데이터 세트에서 장기적인 자율성을 위한 최첨단 시각적 루프 폐쇄 감지를 달성하는 기능 및 딥 러닝 기반 방법 모두를 능가한다.

Simultaneous localization and mapping (SLAM) technology has been significantly improved over the past few decades. It enables the mobile robots to move autonomously in an unknown environment by generating a map along the trajectory and correctly identifying the previously visited places. This recognition of places is performed by the loop closure detection system, one of the components of SLAM, which supports the robot’s relocalization in the environment map and reduction in map drift which may occur during robot motion.
In a real environment, the appearance of a place drastically changes due to several parameters such as weather conditions; seasonal changes throughout the year; illumination variation from day to night; lateral and angular viewpoint variations; and dynamic interference due to moving objects. Autonomous navigation systems based on visual SLAM use camera as the only input sensor for environment perception and closed-loop detection. Their performance is dependent on the appearance of a place in the current frame. Such changes in place appearance significantly degrades the performance of loop closure detection in visual SLAM, thus making it a challenge to achieve the desired performance in real-time robotic applications.
The correct recognition of a place as a new or pre-visited one is an essential component of the loop closure detection, and its performance is dependent on the visual information extracted from the current frame and the method used for matching the current place with the database. In this context, several methods have been proposed in the past to overcome the aforementioned challenges, yet it is still an open problem.
This dissertation aims to study a variety of essential algorithms to improve the robustness of visual loop closure detection for long term autonomy. Throughout this dissertation, several contributions improve the performance of visual loop closure detection including robust feature matching method, semantic global and local descriptor similarity fusion model, robust semantic-visual information extraction methods and bag-of-semantic-visual-words model.
First, we present a robust feature matching method for fast and effective visual loop closure detection in challenging environmental conditions such as variation in seasons, light, viewpoint and moving objects. The proposed method filters the robust visual feature correspondences between the image pairs through symmetric matching and refines the place detection by identifying the spatial inconsistencies of feature matches on image plane between current frame and reference image. The removal of spatially inconsistent feature correspondences significantly improves the detection accuracy. The experimental results shows that the proposed method outperforms the state-of-the-art methods on all benchmark datasets with high detection accuracy.
Secondly, we perform a thorough analysis of the visual information extraction algorithms under each environmental conditions. The performance of a visual loop closure detection method is dependent on various factors i.e., the choice of dataset exhibiting variation in environmental conditions, features carrying environment information, matching schemes, evaluation metrics, and ground truth data. Keeping all those variables constant, we present performance analysis of binary features on the common ground for the specific problem addressed in this research which has not been reported previously. Using the robust feature matching method, this research thoroughly investigates the behavior of binary feature extractors and their robust feature matching performance in different environmental conditions. Based on their performance, this research comments on the combination feasible for the place matching under specific environmental changes.
In addition, focusing on the advantages of visual semantics to achieve human-like scene understanding, we present a novel semantic global and local descriptor similarity fusion model that performs coarse-to-fine loop closure detection using semantic global and local descriptors (SGLD) for visual SLAM systems. The proposed method exploits low-level visual-semantic and high-level semantic information in a given image thus combining the benefits of local visual features invariant to viewpoint and illumination changes, and global semantics extracted from the specific semantic regions. Robustness is achieved against longterm autonomy through the fusion of global semantic similarity with semantically salient local feature similarity. The proposed method outperforms state-of-the-art loop closure detection methods on a range of challenging benchmark datasets.
Also, we propose hierarchical Bag-of-Semantic-Visual-Words model. The BoSVW model first extracts robust semantic-visual information using robust semantic-visual information extraction method which is developed for association of semantic labels with the handcrafted binary features. Then, it builds the vocabulary tree using only the robust semantic-visual features and matches the visual words belonging to the same semantic class labels. BoSVW overcomes the shortcomings of the conventional BoW model and enhances the true detection rate while selection of the coarse loop closure candidates.
Finally, we integrate the BoSVW model with the semantic global and local descriptor similarity fusion model. We evaluated the proposed BoSVW fused semantic global and local descriptor-based visual loop closure detection method on benchmark datasets. Collectively the datasets encompass a challenging range of viewpoint and appearance change conditions, partly as a result of significant variations in the acquisition method, including train, car, smartphone, and general crowdsourcing. Specific appearance changes are caused by different times of day: dawn, and night; varying weather: sunny, overcast, and snow; and by seasonal changes: from summer to winter. The proposed method outperforms both feature and deep learning-based methods achieving state-of-the-art visual loop closure detection for long-term autonomy on a range of challenging real-world datasets.

#Simultaneous localization and mapping #loop closure detection #Robot vision

1 Introduction 1
1.1 Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Simultaneous Localization and Mapping . . . . . . . . . . . . . . . . 3
1.3 Visual Loop Closure Detection . . . . . . . . . . . . . . . . . . . . . 4
1.4 Problem Statement and Challenges . . . . . . . . . . . . . . . . . . . 5
1.5 Thesis Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6 Thesis Outline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 Literature Review 11
2.1 Features Based Loop Closure Detection Methods . . . . . . . . . . . 13
2.2 Deep Learning Based Loop Closure Detection Methods . . . . . . . . 16
2.3 Semantics Based Loop Closure Detection Methods . . . . . . . . . . 18
2.4 Open Challenges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.1 Viewpoint and Conditional Variations . . . . . . . . . . . . . 20
2.4.2 Dynamic Interference . . . . . . . . . . . . . . . . . . . . . . 21
2.4.3 Real-Time Performance . . . . . . . . . . . . . . . . . . . . . 22
2.5 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3 Binary Features Based Visual Loop Closure Detection 25
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Features Based Visual Loop Closure Detection Techniques . . . . . . 29
3.3 Robust Feature Matching Method Based Visual Loop Closure Detection 31
3.3.1 Feature Extraction . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3.1.1 Feature Detectors . . . . . . . . . . . . . . . . . . . 33
3.3.1.2 Feature Descriptors . . . . . . . . . . . . . . . . . . 33
3.3.2 BoW Vocabulary Generation . . . . . . . . . . . . . . . . . . 34
3.3.3 Vocabulary Based Image Matching . . . . . . . . . . . . . . . 35
3.3.3.1 Image to BoW Vector Conversion . . . . . . . . . . 35
3.3.3.2 BoW Vectors Matching: . . . . . . . . . . . . . . . . 35
3.3.4 Robust Feature Matching . . . . . . . . . . . . . . . . . . . . 37
3.3.4.1 Nearest Neighbor Symmetric Match . . . . . . . . . 37
3.3.4.2 Block Matching . . . . . . . . . . . . . . . . . . . . 38
3.3.5 Geometric Consistency . . . . . . . . . . . . . . . . . . . . . . 39
3.3.6 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4 Experimental Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4.1 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4.2 Evaluation Datasets . . . . . . . . . . . . . . . . . . . . . . . 41
3.4.3 Evaluation Parameters . . . . . . . . . . . . . . . . . . . . . . 43
3.4.3.1 Correct Matches (%) . . . . . . . . . . . . . . . . . 43
3.4.3.2 Precision-Recall Curve . . . . . . . . . . . . . . . . 43
3.4.3.3 Execution Time . . . . . . . . . . . . . . . . . . . . 43
3.5 Results and Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.5.1 No. of Extracted Features Per Image . . . . . . . . . . . . . . 44
3.5.2 Performance Evaluation of Feature Extraction Algorithms . . 44
3.5.3 Comparison of the Proposed Method with State-Of-The-Art
Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.5.4 Execution Time . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4 Semantic Global and Local Descriptor Based Visual Loop Closure
Detection 53
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2 Semantics Aided Visual Loop Closure Detection Method . . . . . . . 55
4.2.1 Visual Information Extraction . . . . . . . . . . . . . . . . . 57
4.2.2 Coarse Loop Closure Detection . . . . . . . . . . . . . . . . . 57
4.2.3 Fine Loop Closure Detection . . . . . . . . . . . . . . . . . . 59
4.2.3.1 Semantically Salient Local Descriptor Matching . . 59
4.2.3.2 Semantically Aggregated Global Descriptor Matching 60
4.2.3.3 Fusion Model . . . . . . . . . . . . . . . . . . . . . . 62
4.3 Experiments and Results . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3.1 Implementation Details . . . . . . . . . . . . . . . . . . . . . 62
4.3.2 Datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.3.2.1 Oxford RobotCar Dataset . . . . . . . . . . . . . . . 63
4.3.2.2 Synthia Dataset . . . . . . . . . . . . . . . . . . . . 64
4.3.2.3 Mapillary Dataset . . . . . . . . . . . . . . . . . . . 64
4.3.3 Evaluation Parameters . . . . . . . . . . . . . . . . . . . . . . 64
4.3.4 Ablation Study . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.3.4.1 Top Candidates Selection . . . . . . . . . . . . . . . 65
4.3.4.2 Comparison with Baseline Algorithm . . . . . . . . 67
4.3.5 Comparison with State-Of-The-Art Methods . . . . . . . . . 67
4.3.6 Runtime Analysis . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.4 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5 BoSVW-SGLD Based Visual Loop Closure Detection 75
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.1.1 Low Level Feature Extraction for Static Objects . . . . . . . 75
5.1.2 Semantics Aided Coarse Loop Candidates’ Selection . . . . . 76
5.1.3 Semantic Verification for Robust Feature Matching . . . . . . 76
5.1.4 Global Scene Understanding . . . . . . . . . . . . . . . . . . . 76
5.1.5 Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.2 Visual and Semantic Information Extraction . . . . . . . . . . . . . . 79
5.2.1 Low Level Binary Features . . . . . . . . . . . . . . . . . . . 79
5.2.2 High Level Semantics . . . . . . . . . . . . . . . . . . . . . . 80
5.3 Hierarchical Bag-of-Semantic-Visual-Words Model . . . . . . . . . . 80
5.3.1 Robust Semantic-Visual Features Extraction . . . . . . . . . 82
5.3.2 A Semantic-Visual Words Vocabulary Tree . . . . . . . . . . 85
5.3.3 Coarse Loop Candidate Detection . . . . . . . . . . . . . . . 87
5.4 Semantic Global and Local Descriptor Similarity Fusion Model . . . 89
5.4.1 Semantic Global Descriptor Based Scene Matching . . . . . . 89
5.4.1.1 Semantic Global Descriptor Computation . . . . . . 90
5.4.1.2 Semantic Global Descriptor Matching . . . . . . . . 91
5.4.2 Spatially and Semantically Consistent Robust Local Descriptor Matching . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.4.2.1 Robust Feature Matching For Static Objects . . . . 92
5.4.2.2 Spatially Consistent Robust Feature Selection . . . 93
5.4.2.3 Semantic Inconsistency Filtration . . . . . . . . . . 94
5.4.2.4 Geometric Verification . . . . . . . . . . . . . . . . . 94
5.4.3 Fusion Model . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.5 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.5.1 Implementation Setup . . . . . . . . . . . . . . . . . . . . . . 95
5.5.2 Evaluation Datasets . . . . . . . . . . . . . . . . . . . . . . . 96
5.5.2.1 Oxford RobotCar Dataset . . . . . . . . . . . . . . . 96
5.5.2.2 Synthia Dataset . . . . . . . . . . . . . . . . . . . . 97
5.5.2.3 Mapillary Dataset . . . . . . . . . . . . . . . . . . . 97
5.5.3 Evaluation Parameters . . . . . . . . . . . . . . . . . . . . . . 97
5.5.3.1 True Positive Detection Rate / Hit rate . . . . . . . 98
5.5.3.2 Precision-Recall Curve . . . . . . . . . . . . . . . . 98
5.5.4 Area Under Precision-Recall Curve . . . . . . . . . . . . . . . 98
5.5.5 Ablation Study . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.5.6 Comparison With Baseline Algorithm . . . . . . . . . . . . . 99
5.5.7 Comparison With State-Of-The-Art Algorithms . . . . . . . . 101
5.5.8 Runtime Analysis . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6 Conclusions, Applications and Future Research Directions 111
6.1 Contributions Summary . . . . . . . . . . . . . . . . . . . . . . . . . 112
6.2 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
6.2.1 Autonomous Mobile Robot Navigation . . . . . . . . . . . . . 114
6.2.2 Delivery Service Robots . . . . . . . . . . . . . . . . . . . . . 115
6.2.3 Multi Agent SLAM . . . . . . . . . . . . . . . . . . . . . . . . 115
6.3 Future Directions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
6.3.1 Detection Performance Improvement . . . . . . . . . . . . . . 116
6.3.2 Computational Efficiency . . . . . . . . . . . . . . . . . . . . 117
List of Author’s Publications 119
Bibliography 123

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 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)