學位論文

Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73901

Browse

Has files: NoSubject: search.filters.subject.Deep learning

Search Results

Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    RIDNet深度學習去噪模型的提升:基於網絡結構與損失函數的調整
    (2024) 林宜亭; Lin, Yi-Ting
    自1970年代後期以來，隨著計算機視覺領域和數字影像處理的不斷發展，影像去噪技術也獲得了改善和創新。從最初基於空間域與變換域的濾波器、字典學習和統計模型的方法，到現今基於人工智慧的機器學習技術，可以發現影像去噪的方法日益多樣和精密。儘管許多去噪模型已經取得了相當不錯的成果，但仍然存在一些缺陷，比如需要手動設定參數、優化效果不佳，或者僅適用於特定類型的雜訊等。隨著卷積神經網路學習能力的增強和硬體技術的提升，基於深度學習的技術逐漸成為主要的影像去噪方法。卷積網路不僅能處理大量數據，還能進行高效的訓練和學習。然而，一般情況下的雜訊是無法得知的，因此能夠面對真實影像雜訊的盲去噪模型在當今的影像處理中尤其重要。這些模型必須具備強大的自適應能力，能夠有效地從影像中提取出雜訊的特徵並進行有效的去除，而不需要對雜訊進行先驗知識的設定。因此，在本篇論文中，對於盲去噪模型，我們將專注於擁有注意力機制和殘差學習的RIDNet，並對其EAM層數、激活函數及損失函數進行修改，並與其他現有的深度學習模型進行比較，如DnCNN和CBDNet。這些比較將幫助我們更了解模型，並為影像去噪技術進一步提供改善指引。
  • No Thumbnail Available
    Item
    Modified Faster R-CNN with Applications to Cat and Dog Image Detection
    (2024) 黃世龍; Huang, Shih-Long
    隨著深度學習技術的快速發展，神經網絡在物件檢測應用的範圍和性能上不斷改進，取得了顯著的進展。本論文基於 Faster R-CNN 框架，通過調整參數和卷積神經網絡，應用於 Kaggle 數據集中的貓狗圖像檢測。通過觀察性能變化並使用統計重採樣方法來確保數據集對模型精度和召回率的影響，論文展示了重採樣方法和參數調整如何影響模型的精度和召回率。在調整到最佳參數後，論文展示了基於 ResNet 的 Faster R-CNN 模型在物件特徵提取和邊界框回歸中的有效性，並比較了單階段物件辨識與兩階段物件辨識的精度差異。實驗結果表明，作為 Faster R-CNN 模型中特徵提取卷積神經網絡的 ResNet 在該數據集上表現出色，且兩階段物件辨識模型在此數據集上有較好的精度表現。
  • No Thumbnail Available
    Item
    使用LRCN模型進行情感分析
    (2023) 羅湧程; Luo, Yong-Cheng
    情感分析是近年來自然語言處理領域中的一個熱門研究方向。然而傳統的深度學 習分類模型往往難以捕捉到文本內在的複雜特徵，導致分類效果不佳。因此，本研究 使用深度學習的長期循環卷積網路(long term recurrent convolutional networks, LRCN)模型來進行文本的情感分析。同時我們也討論 Word2Vec 和GloVe 兩個預訓練模型所建構的詞向量空間對文本分析的影響，並以Reddit 和 Twitter 兩個資料集來探討這兩種模型的分類表現。同時我們也將LRCN 模型與傳統的深度學習模型：Convolutional Neural Network( 卷積神經網路 、Recurrent Neural Network ( 循環神經網路 、Long short term memory( 長短記憶神經網路 做比較，我們發現LRCN 能夠更有效的去捕捉字與字之間的空間特徵，通過循環網路層提取文字序列間的關係，有較佳的模型表現。