資訊工程學系
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/60
本系前身「資訊教育學系」成立於民國七十四年，首先招收大學部學生，民國九十年成立資訊工程研究所碩士班，而後於民國九十五年進行系、所調整合併為「資訊工程學系」；並於九十六年成立博士班。本系目前每年約招收大學部四十餘人，碩士班六十餘人，博士班約五人，截至民國一百零四年十一月止，總計現有大學部一百九十多人，碩士班一百二十多人，博士班二十三人，合計學生人數約為三百三十多位。
News
Browse
6 results
Search Results
Item 基於單類別識別辨識應用於身分認證之研究(2020) 王德揚; Wang, Te-Yang每個人臉的外觀皆不相同，有多樣的特徵能讓他人辨識身分。臉這樣的生物特徵，也能夠用攝影機來透過電腦進行分析，比較人臉視覺影像特徵來辨識他人身分，將人臉辨識系統應用於身分認證。 傳統的類神經網路為分類模式，是在既有的已知類別中進行分類，在已知類別外則無法辨識，有著無法辨識出未知類別的極大的缺點。為了改善這項缺點，利用新形態的模型，補足傳統模型辨識的不足，即使有未知類別出現，也能將他歸類為未知類別，克服單類別識別的神經網路應用上的困難，整合於人臉辨識系統。 使用一系列人臉辨識相關技術建構人臉辨識系統。從臉部影像收集，透過攝影機收集影像資料，影像資料前處理，將人臉以外的資訊去除，降低影像分析的複雜度，藉由神經網路分析影像資料，擷取臉部特徵對影像資料來進行分析，最後建立人臉辨識系統辨識身分，以及將人臉辨識系統整合於低運算資源的嵌入式系統。Item 非監督式深度學習系統應用於AOI檢測之研究(2020) 雷承維; Lei, Cheng-Wei本論文提出並開發基於非監督式深度學習的表面瑕疵檢測系統，論文所提 出之研究內容，以檢測高階圖形處理器PCI Express金手指表面作為主要應用範例。 在開發平台上，本實驗以Python為主要系統建構語言；在深度學習實作 上，Python提供完整以及快速的開發工具，也提供相當充足的傳統影像處理演算法函式，讓實驗進行更為方便。 本實驗應用了Autoencoder模型的特性，即訓練實驗模型對目標影像的還原能力，檢測時經由比較輸入與輸出之間的差異來找出表面瑕疵。由於影像內容包含鍍金條、底板和部分PCB零件焊貼表面，在目標不僅侷限於鍍金條的表面部分的條件下，本實驗的最終重點在於如何使整體系統對不同表面內容擁有優良的檢測適性。Item 以二進制類神經網路為基礎的臉部驗證硬體架構之研究(2020) 徐雅盈; Hsu, Ya-Ying在近幾年來，人工智慧技術越來越蓬勃發展，應用領域也相當廣泛，不管商業、娛樂、醫學等都能看見其身影，與人類的生活產生密不可分的連結。其中類神經網路的發展最廣為注目，而影像辨識正是最受歡迎的應用。尤其人臉辨識是近年來的研究熱潮。 而人臉辨識通常是以CNN實現，因其辨識方式為分類法，會將未知人臉判別成已知人臉的其中之一。還有為了使人臉辨識系統符合邊緣計算，需在本地設備當中加入嵌入式系統，先行在本地設備收集與分析資料。但因為邊緣計算是具備低成本的設備，計算能力與儲存容量會受限制，故希望能夠找到降低功率以及降低面積的方法進行陌生人臉辨識。 根據以上所敘述的困難，本論文選擇使用Siamese Neural Network來實現陌生人臉辨識，以及整合二進制類神經網路(BNN)，將權重二元化之後，便能減少參數量、降低所佔的硬體電路面積。還有因為FPGA具有靈活性，研究者可以根據實際應用上的不同需求，來建構所需的硬體模組，所以選擇以FPGA來實現陌生人臉辨識系統。Item LSTM法則應用於連續手勢辨識之研究──訓練系統軟體及辨識系統FPGA之實作(2018) 廖振瑋; Liao, Zhen-Wei本論文用LSTM類神經網路模型來做連續手勢之訓練及辨識系統，並且以FPGA來完成手勢辨識系統之硬體化實現。 資料蒐集方面，我們使用智慧型手機取得其內部感應器中的三維加速度器及三維陀螺儀數值做為我們的訓練資料及辨識資料。訓練及辨識方面，透過Keras平台對手機端蒐集的資料做訓練跟辨識，接著我們以C以及JAVA重建辨識系統，來協助此系統On-line及硬體化的實現。 辨識系統我們有著百分之九十八的辨識準確率，並且在完成的硬體電路有著低面積及低資源消耗。在高準確率跟低資源消耗的優點下，大大增加了本篇論文的應用性及實用性。例如可以與娛樂結合，讓玩家能透過感應器藉著手勢的揮舞做出移動或是攻擊的動作而不必透過按鈕，增加遊玩的真實感。Item 以FPGA實現二元化類神經網路及應用於手寫圖片辨識之研究(2017) 黃暐傑; Huang, Wei-Chieh本論文是實作摺積類神經網路，並應用於手寫辨識。傳統摺積類神經網路的權重都是以實數表示，運算方式複雜。不論是在記憶體的使用或是運算子的資源消耗上分別會增加儲存與運算的負擔，此舉造成在FPGA上實作的困難。為了解決資源消耗的問題，本論文使用二元化類神經網路。最主要的核心概念是把權重簡化為二進制表示法，以及將運算子使用XNOR位元運算，最大的好處就是可以降低FPGA資源消耗。 本論文以LeNet5模型為例，此模型中的C1、C3、C5、F6的權重佔用了FPGA許多的資源。二元化類神經網路使用Sign function把原本32bit 浮點數權重簡化為1bit二進位碼。由於所有的運算元都是以二進位碼表示，運算子即可使用XNOR位元運算，不需使用浮點數的加法器與乘法器。經由二元化類神經網路的法則至少可以減少百分之八十的資源消耗，不只減少了內建記憶體使用，也減少數學運算子與暫存器使用。 在未來的應用中，不只可以放置在FPGA中，還可以放置在行動裝置或是穿戴式裝置中，來進行圖片辨識與語音辨識，對於科技的發展又前進了一大步。Item 以FPGA實現GRNN演算法之特徵分類硬體系統(2015) 林建旻本論文針對特徵分類法則實現一套硬體架構，可快速辨認出特徵加以分類。採用的法則是廣義迴歸類神經網路(General Regression Neural Network，GRNN)為監督式學習法則，與其它分類演算法相比，如RBFN (Radial Basis Function Network, RBFN)需要一段時間離線訓練，因此無法適用於即時分類，相較之下GRNN不需要離線訓練且學習速度快，可立刻獲得分類結果。 本論文GRNN法則是以浮點數格式(Floating-point)為基礎實現並驗證現場可程式化邏輯閘（FPGA, Field Programmable Gate Array）上，在一些文獻中於FPGA已實現GRNN法則，但它們電路面積與訓練資料個數成正比，故資源消耗(area cost)量是很可觀的，相較之下本論文設計的電路面積不會與訓練資料的個數成正比，所以在資源消耗方面佔有一定的優勢。此外，文獻中所提出的GRNN法則是以固定點格式(Fixed-point)實現硬體電路，分類的精確度比本電路設計的浮點數格式低，綜合上述所提到的觀點，本電路具有學習速度快、可用於即時分類、資源消耗低，以及分類精確度高的優點。