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 基於追蹤補償方法之籃球球員追蹤(2024) 陳宥睿; Chen, You-Ruei現今資訊科技蓬勃發展，電腦視覺技術經常應用於我們生活的周遭，而物件追蹤更是一項關鍵的技術，應用於自駕車、智慧行人追蹤和體育運動項目等領域。以籃球比賽中的球員為例，透過鏡頭追蹤球員在球場上的移動軌跡，可以對比賽進行詳細分析。針對現有的一般追蹤方法（YOLOv7+StrongSORT），由於球員間的遮擋或重疊，常常會發生球員ID變換（ID Switch）且無法復原該球員原有的ID（Identifier）的情況。為了解決這一問題，我們提出了追蹤補償方法，該方法能在ID變換時匹配回先前的ID，從而提升球員追蹤的準確性。 在實驗結果中，我們選擇了在一般追蹤方法之下加入球員追蹤補償方法的架構（實驗組）以及僅使用一般追蹤方法的架構（對照組）進行比較。在MOTA（Multiple Object Tracking Accuracy）的數據上，對照組與實驗組的表現都高於90%。在評估球員ID變換時復原球員ID的整體ID變換復原率（ID Switch Recovery Rate）上，使用球員追蹤補償方法的實驗組得到了74%的整體ID變換復原率，而對照組只有48%。在整體追蹤準確度上，實驗組的IDF1（Identification F-Score）達到79%，而對照組則只有66%。從數據結果表明，使用球員追蹤補償方法後，整體ID變換復原率有明顯的提升，能夠減少球員ID在變換後無法復原的問題，從而使得在整體追蹤準確度上，IDF1得到顯著提升。Item 通用於第一人稱射擊遊戲外掛檢測機制之研究(2022) 陳逸文; Chen, Yi-Wen隨著科技的飛速發展，玩家可以在一台個人電腦上遊玩各種類型的遊戲，在各類型遊戲中，網路遊戲是大多數玩家最喜愛的遊戲類型，玩家為了在網路遊戲中獲得更好的成就，開始使用外掛程式達成個人無法實現的目標，基於上訴原因，作弊偵測成為了遊戲廠商的重大課題。本研究提出了一種基於影像辨識並以數據檢測輔助的作弊檢測系統，並分別使用VGG16、ResNet50、MobileNet V2、Xception和Inception v3 對誠實玩家和作弊玩家的瞄準軌跡進行檢測，研究結果表明，Inception V3 能最準確的分辨誠實玩家與作弊玩家。Item 以智慧椅墊進行坐姿分析之研究(2019) 張雅婷; Chang, Ya-Ting在現代社會中，大部分人的生活型態，不論是工作或者休息，往往有很長的時間維 持坐姿。近年來有越來越多的疾病被證實與久坐有關。許多人認為坐姿是種休息的姿 勢，但研究中指出，比起站姿與躺姿，坐姿讓椎間盤承受的壓力更大，而不適當的坐 姿則更提升了椎間盤的壓力。 由於久坐逐漸成為現代人的生活習慣，所以適當的坐姿就顯得格外的重要。在日常 生活中，不適當的坐姿對於大多數的人而言，屬於較為舒適的姿勢，所以往往無心注 意自己的坐姿是否適當。故須透過工具協助來了解自己的坐姿情況。本研究設計一智 慧椅墊之雛形，旨在透過較低的成本 Arduino開發版與少量的壓力感測器，並且準確 的分類使用者的坐姿。 過去使用壓力感測器進行坐姿分類的相關研究中，透過傳統的機器學習方法進行坐 姿的分類，且使用較多數量的感器收集各類坐姿的資料。準確率落在百分之八十至百 分之九十。本研究使用一種傳統機器學習演算法與兩種深度學習之方法進行實驗，找 出適合進行坐姿分類之方式，並以特徵選擇實驗找到能夠準確分類坐姿之感測器數量 及擺放方式。 本研究除了使用限制坐姿使用資料進行坐姿分類模型訓練以及評估初步的分類結 果，並透過實際座椅使用情況資料，再次檢視此智慧椅墊在實際使用情形下，亦能有 良好的做姿分類表現。透過智慧椅墊設計實驗與特徵選擇實驗，本研究完成一智慧椅 墊，使用少量的感測器與基礎的物聯網開發板，降低了硬體成本，達成良好的坐姿分 類表現。Item 應用於遠距教學之學習專注程度偵測研究(2020) 陳文賢; Chen, Wen-Xian本研究進行學習專注度偵測的研究，藉由專注度偵測降低因為不專注導致學習進度的落後，並且將研究應用在較需要偵測專注度的遠距教學環境。本研究提出藉由人臉偵測和機器學習判斷影片中每張影像人臉的視線位置，透過發呆偵測以及臉部位移偵測取得動作資訊，使用影像分段處理以及滑動窗口處理連續性的影像，將影片的每個區段判斷成專心或不專心的狀態。 實驗資料來源包括高中補習班補課以及大學遠距教學兩種不同類型的學習影片，實驗結果發現專心行為判定的準確度為93%，不專心行為判定的準確度為81%。由結果得知本研究方法能有效地偵測到出現不專心行為的時間，透過臉部位移偵測方法也能避免做筆記的行為被判定為不專心。Item 電影評論之助益性分析研究(2018) 徐志廷; Hsu, Chih-Ting現今網際網路的蓬勃發展下，巨大的資料量已經是無可避免的趨勢，其中也包含了使用者留下的評論。眾多的評論中不一定每則都是有用的資訊，因此從大量的使用者評論中篩選出有助益性的評論，是本篇論文的研究目標。 評論的有助益性(review helpfulness)並沒有一個標準的定義，只要能幫助使用者有所思考，就能是助益性的一種。因此本研究嘗試透過各項特徵給定評論分數，作為判斷的依據。 本篇論文以雅虎電影中文短篇評論做為研究題材，使用中央研究院中文斷詞系統先將評論進行斷詞處理，再從資料裡找出TFIDF關鍵詞、詞性及評論長度。其中TFIDF關鍵詞經過教育部線上辭典進行同/反義詞擴充，並使用臺灣大學建立的情緒詞詞典NTUSD (National Taiwan University Semantic Dictionary)進行比對，找出每則評論所包含的情緒詞，且計算情緒詞出現的次數。並使用SVM訓練模型及預測結果，得到了79.7%的準確率。Item 新聞文件中意見句自動擷取及意見持有者辨識之研究(2018) 陳崇儒; Chen, Choung-Ru網路的發達，帶給人們便利。但每天都有大量的文本資訊需要閱讀，這時便可利用意見探勘擷取文本中人們感興趣之部分。而通常人們對文章會感興趣的部分都是誰發表什麼意見或是誰提出什麼看法，而這些描述的句子在文章中便稱為意見句。本研究提出監督式之機器學習方法，首先找出文章的意見句，再辨識意見句中的文章作者意見以及意見持有者。 利用自然語言處理之方法辨識文章作者以及意見持有者，其中方法包括Tokenization、蒐集意見詞、Stemming、尋找意見句、詞性標記、具名實體辨識和文章作者以及意見持有者之特徵擷取。而在特徵擷取部分，本論文利用詞彙相關資訊、詞性相關資訊、標點符號相關資訊、具名實體相關資訊、句法相關資訊、意見詞資訊以及文句組成相關資訊等特徵辨識文章中意見句之文章作者意見以及意見持有者。 實驗成果顯示在英語新聞文章中，文章作者意見辨識可以達到F-1值69.05%的效能；意見持有者辨識可以達到F-1值72.06%的效能。 關鍵字：意見探勘、意見句擷取、意見持有者辨識、機器學習、監督式學習