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
13 results
Search Results
Item 基於深度學習對籃球轉播影像之球場校正及球員追蹤(2024) 連堃玹; Lian, Kun-Syuan許多球類競技運動使用視覺影像資料來識別戰術，並採用相對應的防守策略來應對，以最有效率的方式獲取分數。這些分析資訊採用的研究數據來源在於球員在球場上的位置變化，即軌跡資訊。通常仰賴人力透過逐幀的方式針對球隊的軌跡進行剖析，這往往需要耗費大量的時間與精力。此外，發展技術成熟的光學影像追蹤系統其背後所需要的器材成本及後續維護的費用使其難以普及使用。近年來，由於拍攝器材以及多媒體串流技術的進步，網路上有豐富且大量的轉播資訊提供獲取比賽資訊另一種途徑。因此，本研究基於籃球影像畫面提出了球員定位及追蹤軌跡方法 (Basketball Player Position Tracking Trajectory, BPT)，基於轉播影像自動化生成球員在比賽過程中的軌跡資料。本研究所提出的BPT校正方法僅需使用籃球轉播系統的影像畫面作為輸入，即可生成雙方球隊在每次的攻防過程中的實際軌跡資訊，為後續的進階應用資訊分析提供重要的資訊來源。在BPT方法中，由轉播影像的球場校正方法與球員追蹤方法兩個模組所組成。在球場校正方法中，以三階段的深度模型任務實現端對端預測校正單應性矩陣。在球員追蹤方面，本研究基於追蹤演算法獲得初步的追蹤結果，通過BPT方法中的特徵模型提取更具鑑別度的球員特徵，結合貪婪合併軌跡的方式將片段的軌跡重新關聯，以達到更穩定的追蹤效果。實驗結果顯示，在球場校正準確性方面，採用交集比 (Intersection over Union, IoU) 評估校正的準確程度，在半場校正準確率高達到 87%。在球員追蹤的準確度採用高階追蹤準確率 (Higher Order Tracking Accuracy, HOTA) 評估多目標追蹤的成效。整體對球員的追蹤準確度可達 77%。根據使用情境，選擇適當的追蹤門檻值，最終採用最佳的追蹤演算法結合本研究的BPT方法，在球員追蹤準確率可高達 82%。Item 噪聲學習:漸進式的樣本選擇(2023) 王景用; Wang, Jing-Yong在人工智慧蓬勃發展的年代，深度學習技術在不同的影像辨識工作中，都取得不錯的成果，然而這些計算模型的訓練任務往往都是建立在乾淨資料集上做的實驗。然而創建一個乾淨大型資料集往往都需要龐大的標注成本，甚至在一些大型的開源資料集中也有一些人為的標記錯誤出現。為了降低建構資料集的成本以及錯誤標籤對模型的影響，噪聲學習主要研究如何在有標記錯誤的資料集中訓練出穩定可用的模型。在過去的研究中，篩選乾淨樣本的技術，如高斯混合模型或是JS散度技術，都無法準確將所有的乾淨樣本篩選出來。因此，本文從模型預測穩定度的觀點，結合過去相關研究中加入KNN演算法，利用模型預測的穩定度與樣本特徵的相似度進行多階段的篩選。參考近期論文的設計，在雙模型架構設計下，我們發現在訓練前期KNN模型的預測能力比雙模型的預測能力還要差。為了有效利用雙模型的預測結果和KNN模型，我們用模型預測穩定度的指標，漸進式的使用KNN模型，幫助我們過濾出乾淨標籤以及噪聲樣本。實驗結果可以看到我們的方法在不同的噪聲類型、不同的噪聲率下都能有不錯的表現，證明我們方法的有效性。Item 視覺式智慧型高爾夫揮桿動作姿勢分析系統(2022) 石展兢; Shih, Chan-Ching全球參與高爾夫這項運動的人口數量正在逐步上升，根據世界高爾夫管理機構皇家古老高爾夫俱樂部(The R&A)公布2021年的全世界高爾夫球人數為6,660萬人，超越了2012年的6,160萬人來到歷史高點，可見高爾夫球己經成為全世界普及的運動。近年來運動科技興起，將運動與科技兩者相互結合，利用智慧化訓練能夠有效幫助運動員提升訓練品質並降低運動傷害發生。本研究以高爾夫運動為基礎，為避免高爾夫揮桿姿勢錯誤導致運動傷害，因此開發出一套視覺式智慧型高爾夫揮桿動作姿勢分析系統，讓使用者能夠隨時隨地將自身和教練兩者的高爾夫揮桿姿勢相互比較，可達到自行修正高爾夫揮桿姿勢之目的。 視覺式智慧型高爾夫揮桿動作姿勢分析系統輸入使用者之高爾夫揮桿影片以及教練之高爾夫揮桿影片進行高爾夫揮桿姿勢比對分析。本系統主要分為兩大步驟：高爾夫揮桿分解動作擷取以及三維人體模型姿勢比對分析。在第一步驟中，本研究使用輕量級網路ShuffleNetV2和循環神經網路Bi-GRU進行改良後擷取出使用者以及教練兩者的高爾夫揮桿八個分解動作。在第二步驟中，利用擷取出使用者以及教練兩者的高爾夫揮桿八個分解動作分別建構出可以表現出豐富人體資訊的三維人體模型，接著使用三維人體模型進行使用者以及教練的高爾夫揮桿姿勢比對分析。 本研究將高爾夫揮桿動作拆解成八個分解動作，依序是擊球準備(address)、起桿(toe-up)、上桿(mid-backswing)、上桿頂點(top)、下桿(mid-downswing)、擊球(impact)、送桿(mid-follow-through)以及收桿(finish)。本研究使用GolfDB資料集[Mcn19]所蒐集的高爾夫揮桿影片進行訓練及測試，實驗結果顯示高爾夫揮桿分解動作擷取之準確率為86.15%。另外，本研究採用之三維人體模型是由6,890個節點所組成的人體網格，該模型將人體分解成24個身體部位，實驗時利用該模型之擬真人體特性能夠更精準地判斷使用者及教練之高爾夫揮桿姿勢差異。如上所述，本研究所提出之視覺式智慧型高爾夫揮桿動作姿勢分析系統具有效性。Item 基於生成對抗網路的偽隨機數生成函式研究(2022) 張哲銘; Chang, Che-Ming如何生成安全和快速的隨機序列一直是密碼學中的一個關鍵問題。在本文中，我們將介紹如何用硬體噪音訓練GAN(生成對抗網路)並生成具有類似質量的隨機序列。Linux操作系統中由/dev/random產生的硬體噪音代表了我們GAN的訓練集。在訓練中，我們還應用了其他方法，如Early stopping，以防止模型過擬合。最後，我們使用128,000,000比特的隨機序列，在NIST(美國國家標準暨技術研究院)特別出版物800-22測試和ENT測試下，將我們的GAN與其他PRNG(偽隨機數生成器)進行比較。結果顯示，我們的GAN優於大多數PRNG，我們發現我們的GAN與/dev/random作為訓練集有很多相似之處，並且生成隨機序列的速度至少是/dev/random的1044倍。它證明了GAN作為一種神經網絡PRNG，可以模仿非確定性算法的硬體噪音，同時具有硬體噪音的高安全性和PRNG的速度優勢。而且，它已被證明可以取代安全但低速的硬體設備，並產生類似質量的隨機序列，為密碼學領域提供了一種全新的方法。Item 基於神經網路的火勢擴散視覺化分析(2023) 劉力文; Liu, LiWen野火是世界範圍內普遍存在的現象，對環境、生物的多樣性產生重大影響，並威脅人類的健康和財產安全。對於野火管理員、消防員、研究人員來說，了解野火的蔓延行為非常重要，因為這可以幫助他們獲取野火蔓延的實時關鍵信息，幫助 他們進行野火風險評估，並決定如何配資源用於野火控制和撲滅。野火蔓延是一種複雜的物理現象，很多野火蔓延模擬方法都是基於物理學的方法，這種方法不方便使用者理解野火的蔓延行為。在這項工作中，我們提出了一個野火蔓延預測的可視化分析系統，該系統基於經過深度訓練的卷積逆向圖形網絡模型(DCIGN)，此模型可以用於野火蔓延預測。基於神經網絡模型的可解釋性和可解釋性，此模型還可以幫助我們模擬和揭示野火蔓延的複雜行為。 我們的可視化分析系統提供了一些視圖來協助野火管理人員、消防員、研究人 員分析野火蔓延的特徵。實例視圖可以通過選擇輸入地形和天氣參數來可視化野火 蔓延預測的區域。該系統還利用深度Shapely additive explanations(SHAP)解釋工具提供多種輸入參數敏感性分析視圖。這些敏感性分析視圖包括所有野火預測區域不同空間區域的全局平均敏感性和針對用戶選擇的特定區域進行的局部參數敏感性分析。在局部參數敏感性分析基礎上，有時需要了解多個天氣參數如何共同影響野火蔓延的路徑我們的系統包含的參數相關性分析可以幫助用戶了解所選的天氣參數如何影響野火的蔓延。 Dropout層是解決模型訓練時過擬合的有效手段，同時會導致模型預測結果的不確定性，系統提供的不確定性視圖可以對野火預測的不確定性進行分析。此外，我們的可視化系統提供了參數優化視圖，當從地圖上選擇一個區域時，該視圖可以幫助用戶分析出可能導致野火蔓延到該區域的天氣參數。該視圖可用於分析可能導致野火蔓延到地圖上選定區域的天氣參數，這在實際野火分析中具有重要意義。Item 結合化學指紋輔助原子嵌入和自注意力模型進行蛋白質-配體交互作用預測(2023) 鄭吉峰; Cheng, Chi-Feng在藥物研發中，Compound Protein Interaction是一個關鍵的領域，它關注藥物與蛋白質之間的相互作用，這些作用對於藥物的活性和效果至關重要。傳統上，CPI的研究主要依賴實驗室進行的耗時耗力的試驗，但隨著機器學習的快速發展，它在CPI研究中展現了許多優勢，它可以高效地處理大規模和複雜的生物信息數據，並自動學習特徵和模式，從而加速藥物研發的進程並降低成本。本研究旨在改進現有的CPI機器學習模型，以提升其預測能力。原始模型主要採用了Transformer模型的自注意機制來預測CPI反應性，這種機制能夠捕捉分子和蛋白質之間的局部和全局關係。我們認為進一步引入分子的化學指紋可以增加對分子特徵的理解，從而提高模型的性能。為此我們使用了PaDEL工具生成了GPCR資料集中所有分子的化學指紋。通過聚類分析，我們對資料集中不同化學指紋的分布情況進行了研究。這有助於我們理解分子的結構和性質之間的相似性和差異性。接著我們將這些化學指紋先後以三種方式引入模型訓練中，試圖從中探明其有效性並找出最適合的引入方法。首先，我們將化學指紋轉換為嵌入向量，以提供更全面的信息。其次，我們嘗試將化學指紋作為附加特徵引入模型，使模型能夠更完整的使用到化學指紋。最後，我們對化學指紋的數值進行TF-IDF的操作來擴展其變異性，以便模型能夠更好地理解分子之間的不同。在實驗結果中，我們比較了這三種模型在CPI預測性能上的差異，並分析了它們與先前聚類分析結果之間的關係。我們觀察到引入化學指紋後，模型的預測準確性和穩定性在特定化學指紋得到了改善，並且其與聚類分析結果之間存在一定的關聯性。Item Item 深度學習於星系團成員之應用(2022) 劉承翰; Liu, Cheng-Han星系團成員星系的判斷對於星系演化、星系團質量和宇宙學等研究至關重要。在過去的二十年裡，已經有好幾種星系團成員星系的判斷方法被開發了。一般來說，有三種方法，第一是基於星系顏色與亮度的方法，例如紅序列(red sequence)；第二是基於紅移的方法，研究人員透過直接測量星系的光度紅移(photometric redshift, photo-z)或光譜紅移(spectroscopic redshift, spec-z)來判斷我們與該星系的距離，第三則是基於機器學習(machine learning, ML)或深度學習(deep learning, DL)，直接進行星系團成員星系的判斷。近年來，基於機器學習或深度學習的方法為光度紅移及星系團成員星系的判斷帶來更高效率且更好的結果。但是，這些研究都是基於大量的光譜能量分布(spectral energy distribution, SED)的資訊，也就是說，多波段，這些研究人員通常使用五個以上的波段。在我們的研究當中，我們想要知道，利用兩個波段及非SED的資訊，例如星系的表面亮度或是形狀，是否能夠得到與其他紅移估計與星系團成員辨認相關研究相當，或是更好的結果，同時，我們也設置了一系列的深度學習實驗來了解怎樣的來源，前景或是背景星系，會對星系團成員星系的辨認造成影響。我們的研究結果顯示，使用兩個波段及非SED的資訊在紅移估計上得到可與其他研究可相提並論之結果，我們模型的均方根誤差(root mean squared error)大約為0.08，而平均絕對誤差(mean absolute error)大約為0.06，且光學波段(V band)對於紅移的估計相對重要。在星系團成員星系的判斷上，我們得到70 %的ROC下面積(area under receiver operating characteristic curve, AUC)，前景星系對於星系團成員星系的判斷會造成問題，以及利用不同視線上速率(line-of-sight velocity)來限制星系團成員星系的範圍並不會對結果產生影響。除此之外，我們透過比較利用深度學習以及利用預測的紅移，這兩種方式在星系團成員星系的判斷上得知，利用預測的紅移來判斷星系團成員星系是不可能的，因為預測紅移的模型誤差比星系團的紅移範圍還要大。在深度學習模型方面，我們發現到利用適當數量的資料訓練多層感知器與卷積神經網路的混和模型(hybrid MLP-CNN model)，通常能夠得到較好且較穩定的結果，這樣的結果顯示讓深度學習模型同時學習物體的特徵數值及結構是較好的訓練策略。Item 基於頻率域和時序性特徵的假人臉影片偵測(2021) 王順達; Wang, Shun-Ta隨著深度學習生成技術日新月異發展， 越來越多深度學習生成的假臉充斥在網路世界。多項研究證實人眼對於深度學習生成假臉的真偽越來越沒有判斷能力，將來勢必衍生更多擬真度極高的假影片讓大眾堅信不移，製造多重假資訊和社會恐慌。然而深度學習模型卻有辦法偵測某些細微特徵，不論是從語意上、屬性上、和頻譜上，甚至是幀和幀之間的不一致性都逃不過模型精準的法眼，因此利用深度學習模型偵測假臉勢在必行。近年來，深度學習偵測假臉研究日益受到關注，其中不乏利用離散餘弦轉換、傅立葉轉換等方式將特徵圖轉換至頻率域，並在頻譜中學習特徵，以及運用注意機制讓模型學習、強調局部特定區域，和利用循環神經網路學習幀和幀之間的不一致性。但過往研究往往忽略模型追求的目標是具備高度泛化能力，畢竟將來人類面臨到的造假影片不會是模型訓練時所見過的，也必然隨著深度生成技術演進產生更難辨別的影片，此時模型能否精準偵測便是考驗演算法泛化能力的時候。 因此本研究結合卷積神經網路抽取空間域特徵，離散餘弦轉換後的頻譜抽 取頻率域特徵，以及利用注意機制學習、強調竄改區域，和運用 GRU 架構抽 取前面學習到的特徵再加以學習時序性特徵，辨別真偽。此外還設計兩種損失 函數實驗，Focal Loss 和 Cross-Entropy Loss 追求最好的模型泛化能力。實驗證 實，我們的模型架構能在沒有預訓練的情況下，在 Celeb-DF 資料集達到當今最 佳的泛化結果，並在其他資料集也展現顯著的泛化能力。Item 以 Centernet 為基礎開發 AOI 輔助系統之研究(2021) 蔡陳杰; Tsai, Chen-Chieh自動光學檢測(AOI)為結合電腦視覺與自動化等多種技術的自動檢測方法，並且廣泛使用於產品製造的品質管理上，而元件檢測是自動光學檢測中的重要檢測項目之一。近年來，由於工業產業的變化，產品生產走向了少量多樣化，而在檢測上也改以邊緣運算的裝置運行，因此除了傳統元件檢測要求的準確率外，理想的元件檢測方法還必須要運算複雜度夠低與模型小才能在邊緣運算裝置上運行，而常見的元件檢測方法並不能完全達到這些要求。本論文使用Centernet作為新建立的AOI元件檢測系統的核心演算法。其優點為應用廣泛以及容易簡化與縮小模型，讓模型足夠輕量在工廠上的邊緣運算裝置上運行，且在通用物件檢測有良好的檢測效果。而本論文完成之元件檢測系統能夠快速偵測出元件，以及將其系統應用於嵌入式系統上，以達到工業上減少成本的需求，也可以應用在客製化的元件檢測上。