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
20 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 RIDNet深度學習去噪模型的提升:基於網絡結構與損失函數的調整(2024) 林宜亭; Lin, Yi-Ting自1970年代後期以來，隨著計算機視覺領域和數字影像處理的不斷發展，影像去噪技術也獲得了改善和創新。從最初基於空間域與變換域的濾波器、字典學習和統計模型的方法，到現今基於人工智慧的機器學習技術，可以發現影像去噪的方法日益多樣和精密。儘管許多去噪模型已經取得了相當不錯的成果，但仍然存在一些缺陷，比如需要手動設定參數、優化效果不佳，或者僅適用於特定類型的雜訊等。隨著卷積神經網路學習能力的增強和硬體技術的提升，基於深度學習的技術逐漸成為主要的影像去噪方法。卷積網路不僅能處理大量數據，還能進行高效的訓練和學習。然而，一般情況下的雜訊是無法得知的，因此能夠面對真實影像雜訊的盲去噪模型在當今的影像處理中尤其重要。這些模型必須具備強大的自適應能力，能夠有效地從影像中提取出雜訊的特徵並進行有效的去除，而不需要對雜訊進行先驗知識的設定。因此，在本篇論文中，對於盲去噪模型，我們將專注於擁有注意力機制和殘差學習的RIDNet，並對其EAM層數、激活函數及損失函數進行修改，並與其他現有的深度學習模型進行比較，如DnCNN和CBDNet。這些比較將幫助我們更了解模型，並為影像去噪技術進一步提供改善指引。Item Modified Faster R-CNN with Applications to Cat and Dog Image Detection(2024) 黃世龍; Huang, Shih-Long隨著深度學習技術的快速發展，神經網絡在物件檢測應用的範圍和性能上不斷改進，取得了顯著的進展。本論文基於 Faster R-CNN 框架，通過調整參數和卷積神經網絡，應用於 Kaggle 數據集中的貓狗圖像檢測。通過觀察性能變化並使用統計重採樣方法來確保數據集對模型精度和召回率的影響，論文展示了重採樣方法和參數調整如何影響模型的精度和召回率。在調整到最佳參數後，論文展示了基於 ResNet 的 Faster R-CNN 模型在物件特徵提取和邊界框回歸中的有效性，並比較了單階段物件辨識與兩階段物件辨識的精度差異。實驗結果表明，作為 Faster R-CNN 模型中特徵提取卷積神經網絡的 ResNet 在該數據集上表現出色，且兩階段物件辨識模型在此數據集上有較好的精度表現。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 利用樣本重組的半監督學習之場景文字偵測(2022) 葉家福; Yeh, Chia-Fu隨著科技的發展與進步，生活周遭所帶來的資訊越來越重要。在任何一個場景中，周遭的文字訊息都跟周圍的環境有著極高的相關性。若我們能自動偵測場景中的文字，以利後續的資料收集與分析，勢必能為生活帶來更多的方便性。場景文字偵測這項研究中，相關研究大多以英文為主。雖有少數工作研究簡體中文，但繁體中文幾乎沒有。而場景文字偵測為一般物件偵測中的一個特定應用，所以我們提出基於物件偵測的方法，應用在場景文字偵測上。而物件偵測方法大多使用監督式學習，其依賴大量的訓練樣本，但在真實世界中，標註樣本取得不易，所以聯合運用非標註樣本的半監督式學習方法，較符合真實世界的需求。本研究打造一個半監督式繁體中文場景文字偵測模型。透過交換具標註樣本的背景與文字來合成新樣本，並配合拼貼的資料增強方法，豐富訓練樣本的多樣性，實驗證明本論文提出的樣本重組能更有效地運用標註與未標註樣本。關鍵字:深度學習、物件偵測、場景文字偵測、半監督式學習。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 使用LRCN模型進行情感分析(2023) 羅湧程; Luo, Yong-Cheng情感分析是近年來自然語言處理領域中的一個熱門研究方向。然而傳統的深度學 習分類模型往往難以捕捉到文本內在的複雜特徵，導致分類效果不佳。因此，本研究 使用深度學習的長期循環卷積網路(long term recurrent convolutional networks, LRCN)模型來進行文本的情感分析。同時我們也討論 Word2Vec 和GloVe 兩個預訓練模型所建構的詞向量空間對文本分析的影響，並以Reddit 和 Twitter 兩個資料集來探討這兩種模型的分類表現。同時我們也將LRCN 模型與傳統的深度學習模型：Convolutional Neural Network( 卷積神經網路 、Recurrent Neural Network ( 循環神經網路 、Long short term memory( 長短記憶神經網路 做比較，我們發現LRCN 能夠更有效的去捕捉字與字之間的空間特徵，通過循環網路層提取文字序列間的關係，有較佳的模型表現。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。