文學院

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/2

院成立於民國44年,歷經50餘年的銳意發展,目前設有國文、英文、歷史、地理、臺文等5個學系、翻譯和臺灣史2個獨立所,以及全球華人寫作中心和國際臺灣學研究中心。除臺史所僅設碩士班,其餘6個系所均設有碩、博士班;目前專兼任教師近250人,學生約2500餘人。

本院早期以培養優秀中學國文、英文、歷史和地理教師為鵠的,臺灣中學語文和史地教育的實踐與成功,本院提供不可磨滅的貢獻。近年來,本院隨師範體系轉型而調整發展方向,除維持中學師資培育的優勢外,也積極朝理論研究和實務操作等面向前進。目前,本院各系所師培生的教師檢定通過率平均在95%以上;非師培生在文化、傳播、文學、應用史學及環境災害、地理資訊系統等領域發展,也已卓然有成。

本院各系所教師的研究能量極為豐富,參與國內外學術活動相當活躍。根據論文數量、引用次數等指標所作的學術力評比,本院居人文領域全國第2名。各系所之間,無論是教師的教學與研究,或學生的生活與學習,都能相輔相成、榮辱與共,彼此渾然一體,足堪「為師、為範」而無愧。

Browse

Search Results

Now showing 1 - 2 of 2
  • Item
    深度學習影像分類應用於福衛二號衛星影像之崩塌地自動判釋
    (地理學系, 2019-11-??) 蔡詠名; 張國楨; 陳俊愷; 周學政; Yung-Ming Tsai, Kuo-Chen Chang, Chun-Kai Chen, Hseuh-Cheng Chou
    臺灣易遭受各種自然災害侵襲,如地震或颱風。山區容易發生崩塌,造成生命財產安全的損害。使用遙測技術監測崩塌地的發生是政府機關的年度任務。然而,這個任務暨需求大量人力,且花費許多時間。為了解決這個問題,本研究提出應用深度學習進行全自動化衛星影像崩塌地分類的方法,以獲得更準確並可靠的分類結果。所採用之分類模型是基於U-Net 卷積類神經網路,以CNTK 深度學習工具進行開發。此模型以一對衛星影像與地真資料做為模型輸入,輸出預測的分類結果。使用多對福衛二號影像與地真資料進行模型訓練。地真資料共分五類:植被、河床、崩塌地、水體與其他地物類別。為了更準確分辨崩塌地與其他易混淆類別如河床與農地,衛星影像中加入坡度圖層做為分類資訊。本研究所產出的分類模型相當可靠,能夠清楚從衛星影像上判釋崩塌地。模型本身可以重複使用,而且過程完全自動化,並可改善崩塌地監測與繪製崩塌地目錄的工作流程,對環境災害監測與災害潛勢繪製將有所助益。
  • Item
    影像特徵點萃取與匹配應用於福衛二號影像幾何糾正
    (2010) 陳俊愷; Chen, Chun-Kai
    隨著數位影像獲取及電腦科技的快速發展,遙測科技應用逐漸將領域由國防軍事用途拓展到其他應用範圍,大幅的增加其應用性與時效性。影像幾何糾正為一不可或缺,且日益重要的基礎處理,關係著後續影像融合、變遷偵測或影像鑲嵌等應用。本文探討如何改進特徵匹配演算法來提升遙測影像幾何糾正的效能。尺度不變特徵轉換(Scale Invariant Feature Transform, SIFT)為一種針對高解析數位影像發展出來的影像特徵點萃取方法,其優點是所萃取的特徵不易受到影像旋轉、縮放和灰度值差異而有所變化、皆具有良好特徵點選取與匹配,其結果更可靠和消除影像處理中不確定性。但原始演算法並非針對遙測影像特性所發展,直接應用不易得到良好匹配結果。本研究針對遙測影像的特性,提出改善之方法並修改演算法、建立半自動化處理流程。以FORMOSAT-2 影像為範例,探討SIFT於遙測衛星影像適用性。研究成果可利用修改SIFT演算法於研究中針對多時期、不同區域、不同載具衛星影像進行影像匹配,得到足夠影像控制點,以其進行影像對位與影像幾何糾正,整體精度RMSE優於0.5 pixel。經半自動化處理流程,可將原本耗時、經驗人力導向幾何糾正工作大幅縮短所需時間。