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
5 results
Search Results
Item Item 基於類神經網路架構早期偵測空停車格(2018) 吳明哲; Wu, Ming-Che本論文解決駕駛人耗費不必要的時間在尋找停車地點之問題。提早偵測停車格的智慧系統是重要的，駕駛可能因為分神在找尋停車格，而導致交通意外發生，且在大城市中經常發生停車格嚴重不足的問題。在本研究中，我們使用行車紀錄器蒐集共5,800部的影片資料集(駕駛人的視角)，藉由深度學習的技術，建置可以偵測前方是否有空停車位的類神經網路模型。為了增進偵測效能，我們提出了一個新的損失函數以優化時序資料，最後開發出一個可以早期偵測空停車格的駕駛輔助系統。在本研究中，我們也建立了一個提早偵測空停車格的評比實驗 (Benchmark)，可以讓後續相關領域的研究者評估其實驗結果。Item 分析物件、場景、美學推薦照片濾鏡(2018) 陳奕寧; Chen, Yi-Ning本論文旨在幫助社群媒體使用者節省大量的時間在選擇照片的濾鏡。由於濾鏡數量的增加，以及手機板面上的限制，要如何快速地選出適合的濾鏡成為一個問題。我們觀察社群媒體上的照片發現，特定的物件與場景會偏好特定的濾鏡，因此希望藉由照片的內容來推薦適合的濾鏡。在本研究中，我們從社群媒體Instagram上蒐集了大量套過濾鏡的照片作為訓練資料，藉由深度學習的技術，分析照片中出現的物件、所在的場景以及美學相關的屬性，建置出推薦照片濾鏡的類神經網路模型。我們在濾鏡推薦的資料集FACD上達到了Top-1 51.87%的準確度，以及從Instagram建立濾鏡資料集，可以讓後續相關的研究使用。Item 基於卷積神經網路的電影海報概念分析(2017) 林君儒; Lin, Chun-Ju近年來現代人擁有多樣化的休閒娛樂方式，觀賞電影依舊是許多人的首要選擇，電影海報則扮演電影宣傳方式的重要角色，其設計者會以視覺上多樣的元素製作出符合影片風格、概念且具有吸引力的畫面，而這些視覺上的設計元素會與電影息息相關。人們能夠透過視覺輕易地從海報感受出電影的概念，而這些在海報中讓我們可以依據視覺感官接收到的電影海報概念可能有些甚麼？本論文假設電影海報設計的模式與電影的類型有相當程度的關係，在相似的電影類型中，會使用相同的電影海報設計元素。我們從IMP Awards網站上收集了近十年(2006─2015年)的電影海報作為研究的資料集，並從IMDb網站上取得各部電影的類型資訊及關鍵字。我們利用對於圖像辨識有優秀結果的卷積神經網路(Convolutional Neural Network)技術來取出電影海報中的特徵，並以電影關鍵字和情緒視為電影海報概念來分析其記錄大量影像特徵的神經元是否會與其之間有關聯性存在。在本論文的實驗結果發現，利用卷積神經網路對電影海報作電影類型之多標籤分類有良好的分類結果，而且Fc7層取出的特徵向量維度並不影響分類之效能。然而，以電影關鍵字和情緒視為電影海報概念之分析的部分，實驗顯示以本論文的方式進行分析，其與神經元的值之間的關聯性不明顯。Item 使用深度學習進行證券交易之型態分析研究(2018) 歐陽亦凡; Ou-Yang, Yi-Fan本研究主要以證券交易結合深度學習來進行證券交易指數的型態分析，補助使用者對於證券交易買入決策，研究核心主要是利用摺積神經網路所進行買點辨識，而在資料前處理的部分，我們提出先進行極值正規化後並且使用K-Means分群演算法來對我們的訓練資料集標籤，能夠讓我們有效的進行類神經網路的訓練。 首先本研究是以美國NASDAQ證券交易指數為實驗對象，從NASDAQ歷史股價紀錄裡取得收盤價的時間序列，之後我們將固定時間長度的時間序列(以下稱之為序列視窗)，從最早的歷史時間將序列視窗運用滑動的方式，每滑動一天將會有一筆序列視窗做為輸入資料，由於我們需要兩種觀察序列視窗的長度，所以基於上的步驟我們會定義兩種不同長度的序列視窗進行，然後在個別進行極值正規化的處理，將序列視窗的上下限壓縮在0與1之間，並分別將不同長度的序列視窗交給K-Means進行分群並標籤，並且我們會將這兩種尺寸的序列視窗個別進行對過去的訓練資料時間點進行平均獲利率評估，找出能夠有最好獲利效果的型態分群，最後再將這兩種尺寸各自最高獲利的分群，分別對過去保留一段時間未加入訓練集的資料辨識，利用這兩種尺寸的進行獲利率驗證，若在這兩種尺寸，都能獲得最佳的分群(也就是判斷結果交集)，且驗證獲利結果為正向，我們將會用在未來需要的辨識時間進行預測，否則放棄預測。 最後，本法則用於實驗對象是美國NASDAQ證券交易指數，對於觀察本最為核心的實驗結果，就是證券交易能夠獲利的程度，我們基於本法則嘗試了許多方式，分別以長期及短期個別的序列視窗，進行單一種類序列視窗辨識，以及用長期以及短期序列視窗進行交集辨識，發現以後者交集辨識有明顯優於個別辨識有擁有較好的獲利表現；同時我們也與其他同樣線型分析相似的研究進行比較，在同樣的交易條件下，本法則獲利表現依然能優於其他法則。而也由於我們的法則可以藉由調整分群的方式，相對於其他的方法更能夠提供不同的彈性也是我們的優勢。