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 自動化演講錄製系統之虛擬導播子系統(2013) 呂佳儒在一場演講或節目的錄製過程中，導播的角色主要是能將節目的內容和精神忠實地傳達給觀眾，為了達成此目標，導播藉由從多部攝影機對場景所拍攝的影像中，挑選出適合且符合節目精神的畫面播出。一位好的導播，必須能夠掌握群眾的心理來挑選畫面並且在適當的時機做切換。然而這些能力的養成，需要經過長時間的訓練與經驗累積。為了節省人力訓練的成本，本研究提出一套能夠模擬真實導播運作方式的系統，稱之為「虛擬導播系統」。 本研究所提出的虛擬導播系統將具備下列的能力：分析攝影美學、光學、情節與動作連續性各方面資訊，對多個虛擬攝影師所傳來的畫面進行自動評估分析，再從其中挑選出適合的鏡頭。至於挑選畫面的方式，主要是藉著學習真實導播的操作手法而來。虛擬導播系統具有機器學習的能力，可以透過事先學得導播選鏡的技巧，以達到模擬真實導播的選鏡手法，使系統能更貼近真實的導播。 本系統於自動分析評估畫面時，使用FAST corner detection與optical flow estimation偵測攝影機的運鏡狀況；以及結合包含動態資訊的attention map與包含靜態資訊的static saliency map製作顯著圖像，用以估計主體所在的位置及大小；並且使用平均位移分群演算法(mean shift clustering)，以區分出不同主體物等，根據上述等技術來實現對輸入影像進行攝影美學、光學、情節與動作連續性分析，並將評估所得的資訊輸入Counter Propagation Network (CPN)網路進行訓練。由於該網路屬於監督式學習模型，為求實驗客觀與可用性，我們邀請傳播相關科系並且具有擔任導播經驗的人員替訓練資料提供預期的輸出，使虛擬導播選擇的畫面方式能更貼近專業導播的選鏡手法，並透過不同的真實導播的訓練模式，進而訓練出可適應不同風格的選鏡效果。Item Item 深度學習用於愛因斯坦棋研發之初步探討(2017) 曹少剛; Tsao, Shao-Kang愛因斯坦棋，是於西元2004年由德國中部耶拿(Jena)鎮的一位數學教授—Ingo Althöfer所發明的兩人骰棋類遊戲。 在5x5的棋盤中放入雙方各六個棋子，雙方必須利用擲骰子的方式，來決定當前回合可以移動的棋子編號，透過各種不同的策略，減少我方或敵方的棋子，使我方比敵方優先達成勝利條件，以獲取勝利。雖然此遊戲的遊戲盤面尺寸、棋子數目較其他棋盤遊戲小、少，但是由於融入了骰子這個不確定的要素，大大地增加此遊戲的複雜度，同時也增加了耐玩性與挑戰性。 本研究將嘗試利用蒙地卡羅演算法、卷積式類神經網路的方法，嘗試使用、尋找各種不同的特徵，將這些特徵互相搭配以形成不同的feature map，藉此訓練類神經網路各個節點的參數(權重)，期望新的方法可以達到、擁有，甚至是超越目前其他強力的愛因斯坦棋下棋程式的棋力。Item 透過使用者行為與廣告特性預測點擊率(2018) 黃家儀; Huang, Chia-Yi本論文研究廣告點擊預測方法，採用類神經網路架構為基礎，建立全體預測模型及分群預測模型，並比較採用四種不同類神經網路模型架構之預測效果。第一種架構是單屬性模型，以線性迴歸方法為基礎而建立的類神經網路模型架構；第二種架構是跨屬性模型，結合不同廣告欄位的屬性值，運用內積運算建立對應的特徵值；第三種架構是屬性權重因子分解機模型，為相關研究所提出的模型；第四種是FwFMs改良版模型，採用第三種模型的架構，但將部分參數固定採用跨欄位互信息值為權重值。本論文並對大量資料的資料分群提出兩種分割處理後再合併的分群方法，用來對測試資料選取適用的分群預測模型。第一種是雅卡爾相似分數群集法，第二種是餘弦相似分數群集法。實驗評估顯示，全體預測模型於FwFMs改良版模型架構，準確度可達76.40%。在分群預測模型中，採用四種類神經網路模型架構皆可提升準確度，最高可達76.58%。此外，採用餘弦相似分數群集法，能快速有效的對測試資料選取適當的分群預測模型。Item GRNN網路硬體之實現及在區域網路管理之應用(2016) 鍾育君; CHUNG, Yu-Chun區域網路已於一般人的生活中扮演了重要的地位，如何管理有限的網路資源，製造最大的使用效益，是一個困難的議題，根據不同的使用者習慣，以及應用，會需要各種不同的網路環境設定，如何快速且即時的反應是我們追求的目標。 由於使用者的回饋與反應，才是我們判定服務品質(Quality of Service)的重要指標，根據以往累積的使用者回饋，本論文設定一品質標準，並結合GRNN(Generalized Regression Neural Networks)類神經網路學習法則，快速且精準的計算使用者會感到滿意的網路環境設定，並從所有可能感到滿意的設定中，找出消耗網路資源最少的設定，提供給使用者， 利用軟體實現網路環境設定之頻寬分配計算，建構於一般的網路橋接器環境，將會耗費相當大量的反應時間，使用者的體驗感受將會大幅度下降，所以本論文欲以VLSI晶片設計，設計出效能強大，且快速精準的分配網路環境設定，計算法則也是不可或缺的一環，故結合GRNN類神經網路學習法則，以硬體電路晶片實現處理單元，便可達成這一目的。Item 改善類神經網路聲學模型經由結合多任務學習與整體學習於會議語音辨識之研究(2016) 楊明翰; Yang, Ming-Han本論文旨在研究如何融合多任務學習(multi-task learning, MTL)與整體學習(ensemble learning)技術於聲學模型之參數估測，藉以改善會議語音辨識(meeting speech recognition)之準確性。我們的貢獻主要有三點：1)我們進行了實證研究以充分利用各種輔助任務來加強多任務學習在會議語音辨識的表現。此外，我們還研究多任務與不同聲學模型像是深層類神經網路(deep neural networks, DNN)聲學模型及摺積神經網路(convolutional neural networks, CNN)結合的協同效應，期望增加聲學模型建模之一般化能力(generalization capability)。2)由於訓練多任務聲學模型的過程中，調整不同輔助任務之貢獻(權重)的方式並不是最佳的，因此我們提出了重新調適法，以減輕這個問題。3)我們對整體學習技術進行研究，有系統地整合多任務學習所培訓的各種聲學模型(weak learner)。我們基於歐盟所錄製的擴增多方互動會議語料(augmented multi-party interaction, AMI)及在台灣所收錄的華語會議語料庫(Mandarin meeting recording corpus, MMRC)建立了一系列的實驗。與數種現有的基礎實驗相比，實驗結果揭示了我們所提出的方法之有效性。