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
16 results
Search Results
Item 基於深度學習之鯨豚個體身分辨識系統(2024) 蔡妤涓; Tsai, Yu-Chuan本研究提出一個基於深度學習之鯨豚個體身分辨識系統，希望透過鯨豚個體身分辨識的技術，追蹤鯨豚遷徙路徑來估算鯨豚族群數量，進一步評估和保護海洋生態系統的健康。研究目標為辨識同一物種內不同鯨豚個體的生物特徵，以及同一隻鯨豚在不同拍攝環境下的影像特徵差異。由於鯨豚資料集中存在影像品質不穩定和個體影像數量極不平均的問題，故本研究著手解決這些問題，包含資料前處理(Data Preprocessing)、提出模型改良方法，及不同面向的測試方法。本系統首先對鯨豚資料集進行資料前處理，接著進行鯨豚偵測，最後作鯨豚個體身分辨識。資料集前處理包括資料清理(Data Cleaning)和資料增強(Data Augmentation)，其目的在解決資料集中的潛在問題。在鯨豚偵測階段，採用YOLOv5定位鯨豚位置，過濾背景雜訊以增加模型訓練速度。在鯨豚個體身分辨識階段，利用骨幹模型(Backbone Model)從鯨豚影像中提取特徵，並使用頭部模型(Head Model)進行個體身分預測。本研究使用EfficientNetV1-B4作為骨幹模型，頭部模型使用附加角度邊界損失函數(ArcFace)。針對資料集問題對頭部模型進行改良，以提高鯨豚個體身分辨識的正確率。透過在ArcFace加入子中心(Sub-center)向量，解決同一隻鯨豚在不同拍攝環境下的影像特徵差異的問題，從而提升鯨豚個體身分辨識的正確率。此外，引入動態邊界(Dynamic Margin)解決在訓練階段鯨豚個體影像數量極不平均的問題，加快模型的收斂速度。實驗結果顯示改良後的子中心附加角度邊界損失函數在三個面向的測試 實際應用情況、多數合成資料庫(Synthetic Data)，和部分合成資料庫(影像數量3張以上的鯨豚個體)之mAP分別為68.63%、81.60%和35.70%。相較於原始的ArcFace提升4.83%、6.08%和8.19%。另外，將動態邊界應用於子中心附加角度邊界損失函數的改良方案，在維持相當正確率相當的情況下，減少28%的訓練時間。由實驗結果發現，本研究所提出的改良方案能對資料集問題進行適當處理並提升鯨豚個體身分辨識的準確率。Item 以注意力模塊、殘差連接建構之雨量深度學習超解析度模型(2023) 江家浩; Chiang, Chia-Hao人口的過度增長、土地的開發以及化石能源的消耗在近百年來造成地球氣候的變遷。自然災害發生的頻率也因此增加，並造成許多人類的傷亡以及產業的經濟損失。為了減緩自然的衝擊與資源的消耗，各國政府機關制定了相關政策，以減緩消耗；科學家們研發全新的、乾淨的替代能源，另一方面，氣象學家們則是藉由模型的建構，來模擬並預測這些極端事件的發生，以利人們在災害來臨之前做好準備，減少損失。其中，以水資源的影響最為深遠，它是地球中最基本也是重要的循環之一，同時也是占比最重的溫室氣體，且與人類活動息息相關。我們以台灣為例，台灣雖然年降雨平均高達2,500毫米，然而人均水資源卻是低於全球平均值。這是因為台灣的崎嶇地形特色所致，再加上季風與洋流的作用，使得降水的時空間分布不均。若能預測雨量的分布，則可訂定相關的防洪或者儲水建設，以降低災害並最大化水資源的利用，故一個準確且高解析度的預測模型一直是科學家們努力研究的方向之一。現今普遍的做法是將氣象模型的模擬資料做降尺度來提升解析度以供區域性的參考。然而這些預測模型所消耗的計算資源甚鉅，且解析度有限，很難提供疆域小且地形交互作用複雜的地區有準確的預測結果。我們提出了一個以深度學習為基礎，並結合殘差連接、注意力模塊的超解析度模型，可望提升現有的氣象模型所產出之低解析度的結果之準確性和解析度。文末，我們也比較了其他氣象降尺度的方法和其他機器學習為基礎的模型，並在四種指標(平均絕對誤差、方均根誤差、皮爾森係數、結構相似性)、定量降雨預報檢測中優於其他氣象降尺度的方法。Item 大型集成數據集的深度學習輔助基於圖像的可視化(2022) 周君彥; Chow, Kwan-Yin為了研究不同的物理現象，科學家們經常在超級電腦上運行電腦模擬，以生成不同初始模擬參數的數據集。分析數據集的常見做法是將數據集從超級電腦移動到磁盤，並在後分析機器上分析數據集。隨著數據規模的增長，連接到超級電腦的有限的帶寬和存儲空間成為數據分析管道的瓶頸。為了支持大規模數據分析和可視化，我們提出了一種深度學習輔助的基於圖像的方法。我們的方法產生了一個小型的基於圖像的數據代理，具有較低的圖像分辨率和較低的原位像素射線採樣率，以減少輸入和輸出時間和磁盤存儲空間需求。深度學習模型經過高級訓練，可將小型數據代理恢復到常規採樣率和圖像分辨率，以實現高質量數據可視化和探索。我們評估並表明我們的方法優於多種選擇。Item 利用多特徵訓練對吉他演奏進行自動採譜(2022) 謝宛庭; Hsieh, Wan-Ting自動音樂採譜Automatic Music Transcription (AMT) 定義為將原聲音樂訊號轉換成音樂記號。在過去的研究裡，較多研究是針對鋼琴獨奏或者多樂器演奏去進行自動採譜，而較少AMT系統針對吉他所彈奏出的音樂去做類似工作。因為吉他歌曲通常是在六根弦上，以不同的指法、刷弦、和弦進行等技巧去彈奏，其中還可能會有單音、和弦的彈奏方式。模型必須在一首吉他演奏曲中，從六根不同的弦所彈奏而成的豐富的諧波，辨識出所彈奏的音符。在一首歌曲中，單音的部分極大機率為和弦音，且大部分的音傾向於出現在拍點、或在拍點相關位置（後半拍）。因此，在這項研究中，我們將針對以吉他彈奏出的歌曲做自動採譜，除了使用音符（Note）做為輸出標籤，也將側面資訊：和弦（Chord）、拍點（Beat）一併考慮。過去在AMT的子任務裡，音符層級的採譜任務 (Note-level Transcription) 通常只會使用音符做為輸出標籤。我們做了數個多任務學習(Multitask learning)的實驗，同時輸出音符、和弦以及拍點標籤，希望能藉此提高音符在吉他曲中轉錄的效能，同時也記錄了和弦辨識、拍點追蹤在這個系統裡的功效。Item 資訊擷取與知識注入技術於機器閱讀理解之研究(2022) 吳沁穎; Wu, Chin-Ying近年來，預訓練上下文語言模型 (Pre-trained Contextualized Language Modeling, PCLM) 的出現，使得基於 PCLM 的方法在各種機器閱讀理解 (Machine Reading Comprehension, MRC) 與對話式機器閱讀理解 (Conversational MRC, CMRC) 都有非常優秀的表現。然而，在機器閱讀理解領域仍然較少研究琢磨於開放領域知識 (Open-domain Knowledge) 與域內知識 (In-domain Knowledge) 的運用。有鑑於此，本論文提出一種針對MRC與CMRC的有效建模方法。此方法具有兩個主要的特點：首先，針對文章段落進行訊息提取 (Information Extraction, IE) 的預處理，藉此將每個文章段落聚類成一個偽類 (Pseudo-class) 以提供PCLM 進行訊息增強，進而提升後續 MRC與CMRC的任務表現；另一方面，本論文提出了一種新的知識注入 (Knowledge Injection, KI) 方法，將開放領域知識 (Open-domain Knowledge) 與域內知識 (In-domain Knowledge) 注入至 PCLM ，藉此捕捉更為精準的問題與文章段落間的相互關係。本論文將實驗結果與數個當今最佳的方法進行比較，除了在多個MRC與CMRC資料集上都有一定程度的表現外，大量的實證實驗也證明了本論文方法的有效性與可行性。Item 以生成對抗網路為基礎之低光源圖片增強系統使用閃光-非閃光圖片(2022) 徐秉琛; HSU, Pin-Chen本篇研究提出一以生成對抗網路為基礎之低光源影像增強系統。本系統藉由結合沒有使用閃光燈與有使用閃光燈的兩張影像，來生成一張同時具有真實光影分布與色彩細節豐富的影像。此系統主要目的在改善使用者在低光源環境下拍照的體驗。使用數位相機在低光源環境進行拍攝時，通常會調高感光元件的感光度(ISO值)來維持正常的亮度或延長相機快門時間，但這會產生明顯的噪點雜訊或造成影像的模糊。另一方面，攝影師會使用閃光燈來提供額外的照明，雖然使用閃光燈可以得到色彩真實的影像，但是有可能會破壞環境中的光影分布。例如產生額外的反光、陰影或是使被攝物看起來變得平坦。因此，本研究希望結合低光源圖像以及閃光燈影像兩者的特點，透過生成對抗網路來生成出較為真實的影像。本系統採用低光源圖像以及閃光燈影像兩種影像輸入修改後的生成對抗網路。此網路以Pix2PixHD 為基底並且做出幾項改良，其中包含調整模型架構，修改損失函數為相對平均最小平方(Relativistic average least square)並且在生成器中加入輕量級的注意力機制模組(Convolutional block attention module, CBAM)。為此，本研究同時建立一個低光源影像資料庫(CVIU Short exposure Flash Long exposure(SFL) dataset)。此資料庫共計210個影像組，其中每組皆包含三張影像:使用短時間曝光拍出的低光源圖像、使用閃光燈拍出的閃光燈影像和使用長時間曝光拍出的基準真相(ground truth) 。此資料庫的影像使用來訓練與評估本系統。實驗結果顯示，本系統在SFL資料庫測試集中實現了22.5267的峰值訊噪比(Peak signal-to-noise ratio, PSNR)和0.6662的結構相似性指數(Structural similarity index, SSIM)。Item 結合圖與上下文語言模型技術於常見問答檢索之研究(2021) 曾琬婷; Tseng, Wan-Ting近年來，深度學習技術有突破性的發展，並在很多自然語言處理的相關應用領域上也有相當亮眼的效能表現。而且大量資訊快速得傳播，如何更有效地取資訊仍是一項重要的課題，其中FAQ (Frequently Asked Question)檢索任務也成為重要的技術之一。FAQ檢索無論在電子商務服務或是線上論壇等許多領域都有廣泛的應用；其目的在於依照使用者的查詢(問題)來提供相對應最適合的答案。至今，已有出數種FAQ檢索的策略被提出，像是透過比較使用者查詢和標準問句的相似度、使用者查詢與標準問句對應的答案之間相關性，或是將使用者查詢做分類。因此，也有許多新穎的基於上下文的深層類神經網路語言模型被用於以實現上述策略；例如，BERT(Bidirectional Encoder Representations from Transformers)，以及它的延伸像是K-BERT或是Sentence-BERT等。儘管BERT以及它的延伸在FAQ檢索任務上已獲得不錯的效果，但是對於需要一般領域知識的FAQ任務仍有改進空間。因此，本論文中總共分成五大階段做研究。首先探討三種不同FAQ檢索策略同時比較不同策略和方法的結合在FAQ檢索任務之表現。第二，討論如何透過使用知識圖譜等的額外資訊來強化BERT在FAQ檢索任務上之效能，並提出利用非監督式的知識圖譜注入增進模型。第三，透過監督式方法和非監督式方法結合來改進FAQ檢索多種答案型態造成模型效果不佳之情形。第四，透過投票機制(voting mechanism)做重新排序再次改良模型效果。最後，我們透過圖卷積神經網路(Graph Convolutional Network, GCN)結合上下文語言模型(BERT)的方式使得模型可以透過建立異質圖(Heterogeneous graph)考慮到查詢(問題)之間的關聯性。我們在中文臺北市政府問答語料(TaipeiQA)進行一連串的實驗同時針對資料擴增(Data augmentation)的方法做研究探討。由實驗結果顯示，我們所提出的方法可以使得一般的FAQ檢索應用有某些程度上效果的提升。Item 使用深度學習方法於產品評論之建議探勘(2019) 周伯冠; JHOU, BO-GUAN隨著網路的普及，許多的資訊愈來愈容易被搜索。其中，產品評論相關的訊息也隨著社群網路的發展被公開在社群中。這類的社群包含，論壇、社群網站、和產品官方網站等，甚至有組織專門在蒐集這些評論後組成評論相關的網站，並且將評論分類，給受用戶查看。消費者可以在上述的網站中查看產品的使用狀況與心得和是否符合自身所需，再決定是否購買；產品提供者也可以透過評論持續收集使用者的使用狀況與心得，對產品進行迭代設計，對產品進行改良以符合大眾的需求。 本研究將評論分為建議句 (suggestion)和非建議句 (non-suggestion)。使用 Stanford Core NLP 斷詞系統將文本以詞為單位進行處理；詞的表達方式分為兩種，詞向量與詞頻率；模型採用深度學習類神經網路，分為全連結類神經網路 (Full Connected Neural Networks, FCNN)、卷積類神經網路 (Convolutional Neural Networks, CNN)與長短期記憶類神經網路 (Long Short-Term Memory, LSTM)。本研究以 Z-Score 方式標準化詞頻率表達式，並用全連結類神經網路訓練，此架構即可和利用詞向量在卷積類神經網路與長短期記憶類神經網路有差不多效果，但速度上快非常多。此外，本研究提供結合詞向量與詞頻率表達式在上述三種模型上訓練，進而對結果做比較分析。效能的評估方式以精準率 (Precision)、召回率 (Recall) 和 F1 分數 (F1-measure, F1)作比較。Item 探索基於生成對抗網路之新穎強健性技術 於語音辨識的應用(2019) 楊明璋; Yang, Ming-Jhang近年深度學習技術在許多領域有重大突破，在各種實際應用中也大放異彩，於自動語音辨識的應用中也一樣有優秀表現。雖然主流語音辨識系統在某些指標性任務上已經可達到和人類聽覺相當的辨識效果，然而它們卻不像人類一樣對於環境干擾具有強健性，也就是說儘管語音辨識系統有了大幅度的改進，「噪聲」仍舊一定程度的干擾語音辨識之準確度。諸如:背景人聲，火車，公車站牌，汽車噪音，餐館背景雜音…以上皆為常見的環境噪聲干擾。所以強健性技術的研究在當今語音辨識系統發展中扮演著重要角色。有鑑於此，本論文著手研究在語音特徵向量序列之調變頻譜上基於生成對抗網路之有效的增益方法。並在Aurora4語料庫上進行一系列實驗顯示本研究使用的方法可以增進語音辨識的效果。Item 六貫棋遊戲實作與強化學習應用(2019) 王鈞平; Wang, Chun-Ping六貫棋，又被稱作納許棋，是一個雙人對局遊戲，最初是在1942年12月26日在丹麥報紙Politiken發表的一篇文章中出現，被稱作Polygon。於1948年時，由數學家約翰·福布斯·納許重新獨立發明出來，在最初被稱作納許棋(Nash)。後來於1952年遊戲玩具製造商Parker Brothers將其作為遊戲發行，將此遊戲命名為Hex。 在六貫棋的棋盤上由雙方輪流落子，雙方各擁有一組對邊，藉由佔領格子的方式將自己方的兩條邊連接起來以獲得勝利。在六貫棋當中已被約翰·福布斯·納許使用策略偷取的方式證明出六貫棋在先手方擁有必勝策略，而在路數小於8的盤面已經被完全破解出所有的必勝策略。 本研究試圖利用AlphaZero論文當中所提到的訓練方式，利用蒙地卡羅樹搜尋演算法搭配類神經網路訓練，嘗試藉由強化學習，從零人類知識開始只提供遊戲規則的方式，並針對3至4路的六貫棋棋盤，來訓練出能夠自我學習出完全破解3至4路的六貫棋的程式。依循此模式，在計算資源更為豐沛時，未來可以往更高路數的六貫棋實驗其破解的可能性。