學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73912
Browse
3 results
Search Results
Item 基於深度學習之籃球攻防戰術軌跡生成系統(2023) 沈哲緯; Shen, Jhe-Wei全球觀看籃球比賽的人數總計約超過22億人，根據外國媒體Sports Show在2020年公布全球最受歡迎的運動賽事，籃球在所有球類中排名第三，可看出籃球是一項非常熱門的運動。近年來運動分析的研究相當熱門，透過將生成對抗網路應用在籃球領域能夠幫助球隊提升籃球攻防戰術的素養，開發出基於深度學習之籃球攻防戰術軌跡生成系統。本系統開發目的為進攻球隊使用者在分析研究防守球隊可能會出現的防守方法時，通常只能使用經驗判斷推測，若透過本系統自動產生防守戰術軌跡供進攻球隊參考，進攻球隊可更加理解實戰中可能會遇到的防守戰術，可提升球員的戰術素養讓球隊提早思考應對方法。本系統透過使用者將一段真實籃球比賽攻防片段輸入，系統主要分為兩個子系統：投影轉換子系統與防守戰術軌跡生成子系統。投影轉換子系統主要分為三個步驟，第一為球場上球員與球的偵測方法，接著界定球場的範圍。第二為場上球員分隊使用球衣顏色做為辨別的依據。接著為3D球員座標投影計算出單應矩陣將對應的3D座標映射在2D戰術板球場座標系中並記錄為檔案作為防守戰術軌跡生成子系統的輸入。最後一個步驟使用生成對抗網路來進行防守戰術軌跡生成。本研究實驗結果顯示，透過影像處理得到球場邊線同時界定新的球場範圍可有效省略透過觀察手動決定球場頂點的步驟，減少時間成本。加入球員分隊的功能計算該區域內的色調特徵與顏色強度特徵，使用K-means clustering 將該二類特徵將場上球員分成兩隊，以利最後映射至平面戰術板座標系還原出真實比賽的情況。映射結果的球員正確率達到了77.2%，籃球則為61.0%。本系統結合了真實籃球比賽片段與防守戰術軌跡生成系統產生虛擬的防守戰術軌跡。Item 探索基於生成對抗網路之新穎強健性技術 於語音辨識的應用(2019) 楊明璋; Yang, Ming-Jhang近年深度學習技術在許多領域有重大突破，在各種實際應用中也大放異彩，於自動語音辨識的應用中也一樣有優秀表現。雖然主流語音辨識系統在某些指標性任務上已經可達到和人類聽覺相當的辨識效果，然而它們卻不像人類一樣對於環境干擾具有強健性，也就是說儘管語音辨識系統有了大幅度的改進，「噪聲」仍舊一定程度的干擾語音辨識之準確度。諸如:背景人聲，火車，公車站牌，汽車噪音，餐館背景雜音…以上皆為常見的環境噪聲干擾。所以強健性技術的研究在當今語音辨識系統發展中扮演著重要角色。有鑑於此，本論文著手研究在語音特徵向量序列之調變頻譜上基於生成對抗網路之有效的增益方法。並在Aurora4語料庫上進行一系列實驗顯示本研究使用的方法可以增進語音辨識的效果。Item 基於類神經之關聯詞向量表示於文本分類任務之研究(2017) 石敬弘; Shih, Chin-Hong由於資訊網路的蓬勃發展，人們在物聯網上存取文本資料的需求也與日俱增，因此文本分類在自然語言處理的領域中的應用為相當熱門的研究。目前，在文本分類中最為核心的問題為特徵表示的選擇，大部分的研究使用詞袋(Bag of words)模型做為文本的特徵表示，但詞袋模型無法有效的表達詞與詞之間的關係，進而失去了文本上的語意。 在本論文中，我們使用兩種新穎的類神經網路架構 : 連體網路(Siamese Nets)和生成式對抗網路(Generative Adversarial Nets)， 在訓練過程中使模型能學習更為強健且帶有豐富語意的特徵表示。本論文實驗採用知名的分類資料庫，IMDB電影評論分類、20Newsgroups新聞群組分類，由一系列的情緒分析和主題分類的實驗結果顯示，藉由這些類神經網路所學習到的特徵表示可以有效地提昇文本分類的效能。