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 以Multi-Task CNN和One-to-Many資料增量技術為基礎的人臉辨識系統(2022) 邱筠茜; Chiu, Yun-Chien近年來生物辨識廣泛的運用在身份驗證上，其好處在於每個人皆擁有獨一無二的生理特徵，透過學習不同的特徵可以有效的區分個體。而人臉辨識系統基於生物辨識的基礎下，透過類神經網路去學習不同人臉間的特徵差異後，可以快速且準確地識別身分。 由於傳統的人臉辨識系統使用的人臉偵測架構快速，但偵測結果不穩定使辨 識結果受到影響，因此本論文欲使用穩定的人臉偵測架構使其擷取人臉的範圍 一致不會有誤判的情形，以及在資料量不足的情況下也透過使用資料增量產生 豐富的訓練資料，讓類神經網路可以有效的學習。 本實驗比較不同的偵測法則也證實使用 Multi-Task CNN 確實可以讓人臉辨 識系統在實際應用的場合上更加穩定，而資料增量使用模擬光影變化的作法， 使得影像可以學習光源分布的情形，透過使用 Multi-Task CNN 和資料增量來實 作人臉辨識系統，以降低光線對其所造成的影響。Item 人臉辨識系統特徵擷取之研究(2021) 彭涵芸; Peng, Han-Yun近年來人工智慧蓬勃發展，應用在眾多領域當中，因此使用生物特徵進行驗證也越來越普遍，通常會利用生物特徵的唯一性來區分生物個體，而人臉辨識是其中的一種方式。人臉辨識有三個步驟，人臉偵測、特徵擷取、人臉識別。在人臉辨識系統中，特徵擷取為重要的一環，有較佳的特徵，可以幫助系統後續的學習與歸納。特徵學習可分為兩類，監督式特徵學習和無監督式特徵學習，兩種方式各有優缺點。特徵擷取後很難評判選取的好壞，所以希望使用一些視覺化與數據分析的方式，來輔助我們判斷特徵的優劣。人臉辨識系統需要使用當地的資料集，所以在網路上收集亞洲人臉，用來豐富系統的資料集。在視覺化的部分使用Gradient-weighted Class Activation Mapping來觀察類神經網路關注的地方，進而了解擷取的特徵是否為人臉五官。在數據分析的部分使用影像相似度的方法，來觀察與分析特徵擷取結果的好壞。本論文找尋一種驗證機制，來確定無監督式特徵學習中的Autoencoder是否擷取到人臉的重要特徵，在利用上述的驗證機制，來驗證使用Autoencoder作為特徵擷取網路，應用於人臉辨識系統中可否有效提升準確度。Item 應用於MTCNN及關係類神經網路之快速人臉辨識系統(2021) 黃奕鈞; Huang, Yi-Chun人臉辨識是經由擷取人臉影像，分析其臉部特徵來進行身分認證的一種技術，近年來基於深度學習運用於人臉辨識逐漸成為主流的研究方向，藉由輸入大量影像資料，解析其向素值排列之向量資訊，學習人臉特徵，最終達到可以識別人臉的目的。使用MTCNN作為人臉檢測的部分，雖然其能夠穩定且精準地框選人臉，但是因為需要花費較大計算量，所以導致在檢測上的速度較為緩慢，進而使得整體系統效能受到影響。而在人臉識別的部分使用關係類神經網路架構，並且以一人一個模型的方式來增減辨識人數，雖然能夠對於每個人都能達到最佳的辨識度，但會在可辨識人數多的情況下，造成辨識效率降低的現象。本論文旨在針對人臉檢測以及人臉識別的部分做改進， MTCNN方面透過改進現有架構的方式，使得人臉檢測速度加快。而在人臉識別方面使用了演算法改變模型搜尋的方式，使得在辨識人數多的狀況下，也能夠具有流暢的辨識速度，最終整合這兩部分來獲得執行效率高之人臉辨識系統。Item 以關係類神經網路與嵌入式平台為基礎實作人臉辨識之研究(2021) 蔡佳韋; Cai, Jia-Wei隨著科技的日新月異，使得人工智慧逐漸融入我們的生活，人工智慧的應用層面相當的廣泛，許多應用上都能看到它的影子，包括車牌辨識、股票預測分析、AOI 瑕疵檢測、推薦系統、聊天機器人等等，以及本論文的核心－人臉辨識都是常見的應用。 傳統的 Convolutional Neural Network 對於分類問題具有相當好的辨識力，但 是僅限於已知類別，對於未知類別是無法應對的，Convolutional Neural Network 會將其納入已知類別分數最高的一類。為了解決分類限制的問題，我們以 Relation Neural Network 的架構來做為主要開發的演算法則，由於它可以透過度量學習來 判斷影像與影像標的之間的相似度距離分數，透過設立門檻值來依據相似度分數 的高低，判定是已知類別或是未知類別。 在本論文中，每位已知者都共享相同的 Autoencoder 特徵擷取網路，並且有 屬於自己的打分數網路，不會因為一個人的加入或退出而影響整個網路導致需要 重新訓練，在管理層面相當有彈性。此外，為了增加系統的實用性，我們將類神 經網路整合至 Android App 專案，使其可以運行在低成本且輕量化的嵌入式平台， 在保持著與原有準確度及速度的情況之下，達到邊緣運算的成效。Item 基於臉部偵測及CNN模型之硬體臉部辨識系統(2019) 謝斯宇; Xie, Si-Yu本論文透過FPGA(Field Programmable Gate Array)的特性，如運算速度快、功率消耗低以及可攜性高等，來實現基於簡單CNN Model LeNet-5的人臉即時辨識系統。 LeNet-5是簡單的CNN Model，對於複雜背景的影像有著極低的辨識率，為了改善其缺點，有兩種作法。第一，使用較為複雜的CNN Model如VGG-Net16等，第二，新增額外的前處理人臉偵測方式來改善。 如果使用較為複雜的CNN，在現有基於複雜的CNN電路絕大多數是使用PE (Process Element)Array的架構，每層電路共享相同的運算單元，而這種方法會造成一些問題，硬體資源消耗高、硬體設計複雜以及Latency長等問題。所以本論文是使用較為簡單的CNN來設計電路，根據軟體模型不同層的特性去做不同的設計，藉由改善電路的架構，使得每一層電路部分重疊的方式，提升電路平行計算的能力，進而提高電路的運算速度。 本論文使用簡單的CNN電路搭配人臉偵測的方式，來實現即時人臉辨識系統，不僅辨識率足以跟複雜的CNN匹敵之外，更重要的是我們只需花成本低的硬體規格就能實現實際的應用，如手機上的APP人臉解鎖功能以及家庭人臉辨識等應用，符合普及計算(Pervasive Computing)的概念。Item 低面積BWNN積體電路設計及應用於人臉辨識之研究(2019) 張茗雅; Chang, Ming-Ya人工智慧議題在近幾年來竄起，以及類神經網路的快速發展，使得我們的生活逐漸加入了類神經網路的應用，例如：股價預測、語音辨識、人臉辨識，尤其在APPLE公司推出了加入臉部辨識的手機機型後，帶給人們更多的便利性，也讓人臉辨識議題得到更多的關注。 然而裝載在行動裝置上勢必需要低功率且不能使用太多的硬體資源，因此本論文的研究目的是設計低面積電路於FPGA上實作人臉辨識。不過利於圖像辨識的摺積神經網路是利用浮點數做運算，這會造成硬體的消耗資源上升，為此本論文使用二元化類神經網路來實現人臉辨識，藉由量化模型的方式下降硬體面積，二元化類神經網路相較於摺積神經網路辨識率是較低的，於是本論文捨棄使用量化活化函數只保留量化參數，簡稱BWNN(Binarized Weights Neural Networks)，以此可以達到與摺積神經網路相匹敵的辨識效能。 本論文亦設計Partial output架構，此能更加降低硬體的消耗資源，依實驗結果顯示，本論文能兼具低面積、低消耗功率且又有著高辨識率的優點，因此可以在更小的晶片上實現人臉辨識系統，使得在生活中能更被廣泛應用。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。