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
28 results
Search Results
Item 基於圖神經網路之假新聞偵測研究(2023) 姚秉均; Yao, Bing-Jun在現今互聯網時代，隨著網路技術不斷發展，使得我們在閱覽資訊上也越來越便利，但與此同時，假新聞也藉著技術發展的順風車變得更容易生產傳播以及造成影響。所以本人便打算做和假新聞辨識相關的研究，找到較好的假新聞辨識的方法並提升假新聞辨識的準確率。由於看到CompareNet這一圖神經網路模型對於假新聞的辨識相較其他基礎方法效果更好。因此本研究是以CompareNet這一研究為基礎，基於LUN（Labeled Unreliable News Dataset）語料庫中的LUN-train語料庫創建了一個含有普通名詞、複數名詞、專有名詞、動詞、形容詞、副詞的知識庫，並將該知識庫和CompareNet這一研究相結合，使用LUN語料庫中的LUN-train語料庫來訓練模型、使用SLN（Satirical and Legitimate News Database）以及LUN語料庫中的LUN-test語料庫來對模型進行測試，提升假新聞辨識的準確率。Item 以矩陣乘法為基礎應用硬體加速器於一維卷積計算之研究(2022) 鄭博升; Cheng, Po-Sheng隨著電腦計算能力的提升，人工智慧得以受惠於大量的卷積計算來取得資料的特徵，使電腦可以幫我們處理各種複雜的任務。在提升卷積計算的速度的研究中，以矩陣乘法來實作卷積計算是常見的一種方式。本論文針對一維的卷積計算，提出一種矩陣排列的方式，將一維卷積計算得以用矩陣乘法來達成，並且進一步的使用通用型硬體加速器，來大幅提升矩陣乘法的計算效能。將本論文的方法應用於神經網路模型，並佈署在FPGA開發版上，經過實驗的驗證，我們可以精準的產出計算結果，並且加速整體神經網路模型的計算效能。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 以Density map為基礎之輕量化網路架構應用於室內人群計數之研究(2022) 吳振傑; WU, Zhen-Jie近年來由於受到疫情的影響，室內的人群數量管控就變得越來越重要，因此越來越多的人開始研究如何使用電腦視覺的方式，來解決傳統用人力的方式來計數人群數量的問題。本論文為了能夠在室內環境下進行人群計數，且方便應用於日常生活之中，於是提出了輕量化Density Map網路架構，Simple Indoor Crowd Counting Neural Network(SICCNet)，使用MobileNetV2、Depthwise Convolution、Dilated Convolution等等的技術來達到較少的模型參數量及計算量，並且能夠提升模型的運算速度。SICCNet具有高效率、高準確度且耗費資源較少的特性，並且整合至低成本、體積小且運算受限的邊緣運算裝置，能夠保持辨識的準確率之餘，也能達到即時運算的效果，準確的預測出室內環境下的人數，因此可以應用在日常生活中。Item 基於CornerNet利用加速度計及陀螺儀達成偵測及辨識手勢之研究(2021) 陳胤霖; Chen, Yin-Lin隨著時代變遷，人工智慧也有著長足的進步，其中一項研究主題便是手勢辨識，手勢辨識根據使用資料，可分為依影像資料為主和依感測器資料為主，而本論文使用的資料為感測器資料。以往以感測器資料為主的手勢辨識研究中，模型無法自動分離手勢資料與背景資料，需要使用人工方式擷取手勢資料，在實際運用時會降低使用者的體驗感，所以本論文提出了一個解決方法，並設計一個模型使其能自動分離手勢與背景，並將手勢分類。本論文參考了影像辨識中將物件視為關鍵點的概念，將手勢分為兩個關鍵區間，透過偵測並配對這兩個關鍵區間，以達到自動偵測並分類手勢的效果。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FPGA實現具Self-aware與Self-adaptive特性之QoS頻寬分配系統(2021) 羅玉榮; Law, Yuk-Wing物聯網 (Internet of Things, IoT) 技術隨著科技的發展，逐漸普及到大眾的日常生活之中，很多新型的電子設備都會提供網路功能，使得設備彼此之間能夠互相連線、分享數據、上傳或下載資料等等，讓大眾的日常生活變得更加方便，也能讓開發者透過數據進行分析，改善產品的服務和使用者的體驗。然而，物聯網的興起會讓網路的負擔更大，頻寬需求量逐漸增加之餘，網路需求也變得更多樣化，使得有效的頻寬分配方式變得格外重要，頻寬分配系統也因此應運而生。本論文希望以服務品質 (Quality of Service, QoS) 為基礎，建立具有效的頻寬分配系統，讓頻寬能夠有效且合理地分配給不同的網路需求。建立有效的頻寬分配系統，首要考慮的是頻寬分配的方式，因此本論文以類神經網路建立頻寬分配系統，使系統能夠學習頻寬需求的變化，進而預測不同需求的頻寬需求量。此外，假如頻寬分配系統需要應用於一般家庭或辦公室之中，需要考慮到系統的建構成本和體積大小，因此本論文於FPGA開發板上實現頻寬分配系統，讓系統能夠具有快速運算、低成本和體積小之優點。並且以軟體定義網路之概念，建立出便利及彈性的管理方式，讓管理及部署變得簡單，使頻寬分配系統適合應用於需求多樣化的區域網路。Item 使用BERT-CNN進行Twitter 使用者之立場偵測(2022) 吳佩珊; WU, Pei-Shan在人們的文字表達敘述裡，「立場」可能包含正向或是負向的情緒用詞，贊成或反對的語氣，但這些特徵都無法直接與立場相關聯。人們可以利用支持一個對象或是說法來反對特定目標，也可以藉由反諷法，使得字面上不能直接了解真正所表達的意思，但真實意義正好與字面上相反。在本研究中，將已標記立場標籤、來自 Twitter 使用者所發表的推文(Tweet) 當作訓練資料，使用監督式學習的方式來訓練深度神經網路(DeepNeural Network)。本研究所使用的資料集來自於 2016 年舉辦的國際自然語言語意評測競賽(SemanticEvalution 2016, SemEval 2016)的Task 6 ，主辦單位所提供已標記立場的推文之訓練集與測試集，將其進行資料前處理並與類神經網路進行連接，其中使用到由Google 公司於2018年所提出之 BERT (Bidirectional Encoder Representations from Transformers)及卷積類神經網路(Convolutional Neural Network，CNN)。本研究針對SemEval 2016 Task 6中之子任務A進行實驗，使用監督式框架來偵測Twitter使用者的立場，評估方法採用F1分數，並與當年參加競賽之隊伍進行比較，本研究所使用之方法在數個項目中排名居前。主辦單位所提供之資料集僅有兩千多筆，因此在訓練模型的成效有一定限制，若是有更多的已標記之訓練集，應會獲得更好的成績。因此本研究再加入MPCHI資料集進行訓練，此資料集包含五個健康相關的主題，並已標計立場，並分別實驗測試集為SemEval、MPCHI以及SemEval加上MPCHI，觀察其實驗結果顯示有其幫助性，優於僅使用原始資料集之實驗結果。Item LSTM 法則應用於連續手勢辨識之研究──手勢辨識系統軟體與硬體於 FPGA 實作(2020) 鄧凱中; Teng, Kai-Chung本論文考量現實應用的方便性與實際應用，選擇現場可程式邏輯門陣列(Field Programmable Gate Array, FPGA)來硬體電路實現，並對電路運算單元參數化，以應變需求的變化。而演算法使用長短期記憶(Long Short-Term Memory,LSTM) [1]來訓練模型與手勢辨識。 LSTM 作為設計電路之模型，跟傳統遞歸神經網路(Recurrent Neural Networks, RNN) [2]不同的是，RNN 同一時間點 t 的輸入都在同一層面，將上一層的輸出當作下一層的輸入，但時間點 t 產生的梯度在往後傳遞幾層後就消失為一大難題。而 LSTM 使用 Input Gate、Output Gate 與 Forget Gate 三個控制閘成功的解決時間軸上梯度消失的問題，因此選擇 LSTM 為本論文的演算法則。 LSTM 模型以 Keras [3]平台來訓練與驗證，辨識率高達 98%。本論文的訓練與辨識資料庫使用擁有陀螺儀跟加速器的手機做為 Sensor 來收集手勢資料，並收集本實驗室多人的動作為資料庫，並對資料做圖形化來篩選優良的訓練資料。圖形或者影像辨識需要瞭解艱深且複雜的公式，還必須有能力編碼將公式實踐出來，對手勢的辨識如果使用傳統影像辨識的方法將會增加運算的時間、大量的運算資源消耗與記憶體儲存空間的需求。本論文分別使用手機陀螺儀與加速器的 X、Y、Z 軸數據為訓練資料，與傳統的影像辨識相比，差別為輸入資料每一筆的維度變成一維，節省硬體儲存資源與運算的複雜度。
- «
- 1 (current)
- 2
- 3
- »