理學院

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/3

學院概況

理學院設有數學系、物理學系、化學系、生命科學系、地球科學系、資訊工程學系6個系(均含學士、碩士及博士課程),及科學教育研究所、環境教育研究所、光電科技研究所及海洋環境科技就所4個獨立研究所,另設有生物多樣性國際研究生博士學位學程。全學院專任教師約180人,陣容十分堅強,無論師資、學術長現、社會貢獻與影響力均居全國之首。

特色

理學院位在國立臺灣師範大學分部校區內,座落於臺北市公館,佔地約10公頃,是個小而美的校園,內含國際會議廳、圖書館、實驗室、天文臺等完善設施。

理學院創院已逾六十年,在此堅固基礎上,理學院不僅在基礎科學上有豐碩的表現,更在臺灣許多研究中獨占鰲頭,曾孕育出五位中研院院士。近年來,更致力於跨領域研究,並在應用科技上加強與業界合作,院內教師每年均取得多項專利,所開發之商品廣泛應用於醫、藥、化妝品、食品加工業、農業、環保、資訊、教育產業及日常生活中。

在科學教育研究上,臺灣師大理學院之排名更高居世界第一,此外更有獨步全臺的科學教育中心,該中心就中學科學課程、科學教與學等方面從事研究與推廣服務;是全國人力最充足,設備最完善,具有良好服務品質的中心。

在理學院紮實、多元的研究基礎下,學生可依其性向、興趣做出寬廣之選擇,無論對其未來進入學術研究領域、教育界或工業界工作,均是絕佳選擇。

Browse

Search Results

Now showing 1 - 5 of 5
  • 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
    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
    基於CNN對於多人環境進行人臉辨識之研究
    (2020) 李聿宸
    人臉辨識於現今社會為熱門的議題,每個人皆有獨一的臉部特徵,相較於密碼或是個人證件等傳統的識別方式,人臉辨識既不需要隨時攜帶實體證件也不用擔心忘記密碼。當經由辨識而取得臉部影像後,就能夠藉由不同的臉部特徵與人臉資料庫進行比對來驗證身分。 本研究以設置於教室上方的攝影機拍攝課堂環境,取得之臉部影像解析度較低,因此人臉特徵較不突出,且亦有光線亮度不均勻以及臉部偏移等問題,導致傳統人臉辨識效果不佳。本研究運用YOLOv3結合深度學習的人臉偵測技術取得個人的臉部影像,並搭配卷積神經網路 (Convolutional Neural Network)訓練合適的模型進行人臉辨識,對於20 × 20以上之低解析度且包含不同角度的臉部影像,皆能達到97%以上的辨識準確率。由於人臉長時間下來會有些許的變化,根據實驗結果,經由四個月後之臉部影像仍能維持94%的辨識準確率。
  • Item
    基於增量學習之人臉辨識研究
    (2011) 李昇龍; Sheng-long Li
    人臉在生物驗證中是非常重要的特徵,在過去十幾年來,人臉辨識於電腦視覺的研究上也是非常熱門的議題,人臉辨識的技術也廣泛的運用在各方面,例如使用於監視系統或是安全控管系統上。本論文使用了增量學習的方法,設計了一個於課堂環境中可以自動辨識學生的一個點名系統,由於學生的造型在每一次的上課中會與之前有些微的變化,因此在辨識的同時,將這些新的影像加入原有的訓練資料中訓練,對於後續所訓練出的人臉模型將會越來越好。在論文中,我們使用了二維線性鑑別法(2DLDA)作為人臉訓練及辨識所用的分類器,並且使用了影片辨識上常用的投票,以及課堂所能利用的互斥資訊來提升辨識率;在增量學習上,也提出了一個驗證方式由測試影像中選擇出適當的影像重新訓練,並且進行了許多實驗來評估增量學習使用於人臉辨識上的效能。
  • Item
    非使用者配合環境下之人臉辨識研究
    (2010) 張偉杰
    人臉辨識是近年來很熱門的研究,希望透過人臉辨識來達到身份的識別,而省去以往在不同的服務及場合下需要配戴很多張不同的證件。為此發展出來之人臉辨識,我們稱它為「使用者配合環境」,是在想要索取服務的情況下,進而配合攝影機來執行人臉辨識;反之在監視系統中,有人自然的從走廊經過,我們想透過走廊內的攝影機知道他是誰,在過程中該人並未配合攝影機來執行人臉辨識,所以像這類的情況我們稱它為「非使用者配合環境」,在本論文中將討論兩者之差異。文中我們透過在階梯教室裡不經由學生配合的情況下來執行人臉辨識,藉此來討論人臉辨識如何實現在非使用者配合環境下。