Severe asthma is associated with high morbidity and healthcare utilization; however, treatment options for these patients are limited. This study aimed to determine the therapeutic effects of biologics in clinical practice.

Despite the emerging biologics, biomarkers and treatment options for asthma-chronic obstructive pulmonary disease (COPD) overlap (ACO) are still limited, requiring further research.

본 연구는 반려견 자세 추정 과정의 결측치 문제를 딥러닝 기반 보간 방식으로 해결하고자 하였다. YOLO v8을 이용해 반려견 자세를 추정하고, LSTM(Long Short-Term Memory)과 GRU(Gated Recurrent Unit) 모델로 결측치를 보간하였다. 실험 결과, 두 모델 모두 전반적인 패턴을 잘 포착하고 결측치를 자연스럽게 보간했으나, 급격한 변화에 대응하는 정확도와 평가 데이터에서의 성능 저하가 관찰되었다. 이를 통해 모델 구조 개선, 데이터 다양성 확보, YOLO v8 성능 향상 등의 필요성을 확인하였다. 본 연구는 반려견 자세 추정의 결측치 문제 해결 가능성을 제시하며, 향후 다양한 시계열 결측치 문제에 적용될 수 있을 것으로 기대된다.

본 논문은 하이퍼파라미터 조정이 이미지 품질에 미치는 영향을 분석하여 Stable Diffusion의 성능을 객관적으로 평가한다. Stable Diffusion은 텍스트 프롬프트를 기반으로 이미지를 생성하고 이미지 편집 등 다양한 작업을 수행할 수 있는 AI 모델이다. 생성된 이미지의 정확도를 평가하기 위해 본 연구는 YOLO 객체 인식 모델을 사용하여, 다양한 하이퍼파라미터 설정이 전체 이미지 정확도에 미치는 영향을 분석한다. 실험 결과는 모델 최적화에 유용한 통찰을 제공하며, 성능 개선을 위한 필수 데이터를 제시한다. 본 논문은 복잡한 프롬프트 처리 및 자동 하이퍼파라미터 조정의 필요성을 강조하며, AI 기반 이미지 생성의 지속적 개선을 위한 기초 자료가 될 것이다.