學位論文

Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/124126

Browse

End date: 2025Subject: search.filters.subject.深度學習

Search Results

Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    針對心電圖資料不平衡之分類模型設計
    (2025) 李政軒; Li, Zheng-Xuan
    本研究旨在探討運用深度學習技術於心電圖（ECG）訊號分類的應用潛力，以協助提升心律異常的辨識能力與早期診斷準確性。研究中提出一種基於一維殘差網路（1D ResNet-18）之模型架構，並整合卷積區塊注意力模組（CBAM）與輔助分類器（Auxiliary Classifier），以強化模型對 ECG 特徵的表達與判別能力。此架構源自電腦視覺任務，經調整後應用於一維生理訊號的分類工作，展現良好的適應性。資料處理方面採用 ADASYN 技術處理類別不平衡問題，並輔以資料增強策略以提升模型穩定性與泛化能力。模型於 MIT-BIH 公開資料集中進行驗證，結果顯示其分類表現優於傳統方法，特別是在多類別訊號辨識上具備一定的穩定性與準確性。綜合研究結果，顯示本模型結合注意力機制、輔助分類設計與資料處理策略後，能有效強化 ECG 訊號分類模型之應用能力，未來有望作為智慧健康照護輔助診斷系統的技術參考。
  • No Thumbnail Available
    Item
    SA-FBCNN：一種具空間自適應性與彈性的盲式卷積神經網路於JPEG影像壓縮雜訊去除之研究
    (2025) 顏伯諭; Yen, Po-Yu
    本論文提出一種改良型JPEG影像壓縮失真修復網路SA-FBCNN（Spatially-Adaptive Flexible Blind CNN），結合FBCNN（Flexible Blind CNN）基礎架構與SAFMN（Spatially-Adaptive Feature Modulation Network）的空間自適應特徵調製機制。傳統JPEG壓縮因區塊處理方式產生明顯的方塊效應和環狀偽影，而現有深度學習方法雖有成效，但缺乏對空間特徵的自適應調整能力。本研究將FBCNN架構中的ResBlock替換為Feature Mixing Module模組，增強網路對不同尺度特徵的建模能力。接著，在對訓練完成後的模型進行分析時，我們觀察到品質因子（Quality Factor, QF）預測分支因普遍的Dead ReLU現象，其輸出對不同輸入趨於恆定。基於此，我們進行了模型剪枝，實驗證明移除該分支可在幾乎不影響效能的前提下，使參數量（60.01M）大幅減少，甚至少於原始FBCNN（71.90M）。實驗結果顯示，我們的輕量化模型在PSNR指標上平均提升約0.15dB，在圖像重建品質和細節保留方面表現更優越。
  • No Thumbnail Available
    Item
    用於反射式電子紙顯示器色彩校正的AI模型：邊緣實現的即時方法
    (2025) 童培軒; Tung, Pei-Hsuan
    本研究旨在解決反射式彩色電子紙的非線性色彩失真與色偏問題。為此本研究提出了一套基於深度學習的色彩校正架構和基於過往方法開發的半色調演算法，以有效提升色彩還原的準確度與空間連續性，克服傳統方法的限制。為驗證本方法在邊緣運算裝置上的可行性與即時性，我們將模型部署於 NVIDIA Jetson Orin NX，並採用訓練後量化策略將模型由全精度轉換為INT8精度。實驗結果顯示，量化後模型在推論速度上提升近五倍，同時僅有輕微的影像品質減損，大幅降低了記憶體與運算資源需求。本研究提供了一套低成本、高效率且無需額外色彩量測的AI調色方案，證實其具備高度的實用性與延展潛力。