學位論文

Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73912

Browse

Subject: search.filters.subject.資料增量

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    以Multi-Task CNN和One-to-Many資料增量技術為基礎的人臉辨識系統
    (2022) 邱筠茜; Chiu, Yun-Chien
    近年來生物辨識廣泛的運用在身份驗證上，其好處在於每個人皆擁有獨一無二的生理特徵，透過學習不同的特徵可以有效的區分個體。而人臉辨識系統基於生物辨識的基礎下，透過類神經網路去學習不同人臉間的特徵差異後，可以快速且準確地識別身分。 由於傳統的人臉辨識系統使用的人臉偵測架構快速，但偵測結果不穩定使辨 識結果受到影響，因此本論文欲使用穩定的人臉偵測架構使其擷取人臉的範圍 一致不會有誤判的情形，以及在資料量不足的情況下也透過使用資料增量產生 豐富的訓練資料，讓類神經網路可以有效的學習。 本實驗比較不同的偵測法則也證實使用 Multi-Task CNN 確實可以讓人臉辨 識系統在實際應用的場合上更加穩定，而資料增量使用模擬光影變化的作法， 使得影像可以學習光源分布的情形，透過使用 Multi-Task CNN 和資料增量來實 作人臉辨識系統，以降低光線對其所造成的影響。
  • No Thumbnail Available
    Item
    以全像圖為基礎之資料增量法則於深度學習應用之研究
    (2018) 郭勝傑; Kuo, Sheng-Chieh
    在進行深度學習訓練時，一般是需要大量的資料以確保訓練(training)模型時不會產生過度擬合(over-fitting)的現象，然而對於個人開發者或普通公司在資料收集上要能夠取得完整的資料是相當困難的。本論文在深度學習上提出一個採用全像圖(holographical image)來進行資料增量的法則，由於全像圖除了可以記錄及顯示3D資訊的特性，還可產生具有不同視角的2D影像，可讓用來訓練的資料量擴展，與一般只能夠改變影像的方向和色彩的方法相比，還多增加了不同視角的影像資訊，使得可有效的避免過度擬合的現象與提高辨識的準確性。 由實驗的結果可見得，本論文所提出之資料增量法則的辨識率，是優於未進行資料增量和進行傳統資料增量的結果，同時也顯示出了本論文所提出之資料增量確實可以有效的解決Overfitting的現象，另外，本論文是採用骰子辨識做為實驗時的資料增量的例子，而類似的資料增量方式可使用在不同的應用中。綜合上述，本論文所提出以全像圖為主的資料增量法則在深度學習上會有廣泛的應用。