學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73890
Browse
4 results
Search Results
Item 基於深度學習之光流法應用於全天空影像之日射量估計與預測(2023) 陳家豪; Chen, Chia-Hao因應太陽能發電日益重要，又因太陽能發電量受制於日射量的影響，同時考量太陽能發電是間歇性的能源，故提出一種基於深度學習光流應用於全天空影像之日射量估計與預測的方法。由於日射量變化容易受到天氣狀況影響，本文藉由全天空影像，建立一個以影像特徵為基礎之日射量估計與預測系統，其影像特徵包括，利用紅藍比例法計算影像中雲層比例、雲層厚度，及藉太陽位置演算法得到影像中太陽位置，分析太陽附近雲層特徵，萃取全域與局部的雲層權重。同時用基於深度學習的光流法推算雲層移動的狀態，並製作未來數分鐘之天空預測圖像，將這些預測圖像作長短期記憶(LSTM)之輸入特徵，日射量作為訓練輸出，其深度學習光流法是透過卷積神經網路來實現。本文將資料集區分為月、季、半年與一年，分別進行10分鐘至60分鐘的日射量預測。同時，本文使用多個效能指標評估效果，包括平均絕對誤差(Mean Absolute Error)、均方根誤差(Root Mean Square Error)與判定係數(R^2)。最後，與文獻的方法進行比較，本文所提的方法具有較好的結果。Item 疊代推進生成對抗網路用於陰影去除(2022) 吳建霖; Wu, Chien-Lin隨著科技的高速發展，深度學習在工業、軍事、民生科技處處都有大量的應用，現今運用在影像處理上的深度學習技術不斷進步，影像的去除如影像除霧、去反光、去陰影等都是電腦視覺領域中具挑戰性的任務。本論文研究目的為針對影像陰影去除提出了迭代推進生成對抗網路，首先我們輸入陰影圖藉由兩個生成器網路分別生成出無陰影的圖及殘差陰影圖，將兩者合成得到陰影圖，與輸入進行比對，最後將合成的圖再次輸入至網路重複上述步驟直到收斂，透過迭代推進的方式提升陰影移除的效果。此外為了使結果更加優異，我們的生成器網路加入了注意力機制，讓模型更專注於影子的部分，以及長短期記憶，使我們在長序列訓練過程中有更好的表現，最後是修復網路，以進一步改善生成的結果。我們與傳統方法以及近年來基於深度學習所提出的陰影去除方法比較，實驗結果表明本論文所提出的迭代推進方法有更優異的結果。Item 基於生成對抗式網路的人臉影像身分重建(2021) 屈軒宇; Chiu, Daniel基於卷積神經網路的人臉辨識技術已經達成極高的準確率並且廣泛應用於各種場域，然而在特定的應用場合人臉辨識技術還是有很大的挑戰，特別是影像品質不佳的監控設備環境下，人會與鏡頭有較大的距離，導致人臉影像解析度過低造成人臉身分難以辨識，為此我們提出一個新穎的基於生成對抗式網路的人臉影像重建網路，藉由學習低解析度的人臉影像與高解析度的人臉影像之映射關係，我們可以從低解析度人臉影像重建出高解析度人臉影像，此外我們使用Feature Embedding的方法從網路的輸出層得到人臉身分特徵，並且利用三元組損失計算人臉身分特徵用以訓練神經網路，使神經網路可以藉由人臉身分特徵表達做相應的高解析度人臉影像重建，實驗階段我們使用了公開的人臉資料集CASIA-WebFaces進行訓練，並與近年來基於深度學習所提出的底解析度人臉重建方法作為比較並稱為傳統方法。實驗結果表明我們所提出的極低解析度人臉重建網路在大倍率放大的影像品質與辨識率優於傳統方法。Item 植基於卷積神經網路之高效能車牌辨識系統(2018) 林永鑫; Lin, Yong-Sin近年來，車牌辨識系統已成為智能城市車輛管理、被盜車輛調查、交通監控等發展中的關鍵角色，車牌辨識系統有三個階段，包括車牌偵測、字元分割，與字元辨識。儘管車牌辨識系統已成功的應用於環境單純的智能停車場，但使用於監控系統中仍會面臨許多問題，例如多車道辨識，大量的交通號誌與廣告招牌，惡劣天氣與夜間拍攝的模糊傾斜圖像。本論文提出了一種高效的車牌辨識系統，首先偵測車輛，再從車輛中偵測車牌，以減少車牌偵測的誤報。再使用卷積神經網路來改善模糊圖像與近似字元的辨識效果，實驗結果顯示，與傳統的車牌辨識系統相比，該系統擁有較高的精確度。