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

Search Results

Now showing 1 - 3 of 3
  • Item
    基於局部學習對車牌影像超解析化
    (2012) 黃士豪
    由於監視攝影器材被廣泛地架設,視訊監控系統更顯得其重要性。這些攝影器材所儲存之視訊紀錄(Video Record)也常常變成警方辦案時重要之協助資源,藉由車牌辨識,可以找出違規車輛。為了節省成本,這些監視攝影機之解析度通常都不可能太高,加上監視器材通常被架設在路旁高處,監視器材與車子之間必然存在著相當大之距離;因此,超解析化可以讓原本太小而模糊不清之影像,將其放大而較不失真,可以看得更清楚,以利於後續之應用。 本論文先針對監視器之低解析度影像進行車牌擷取動作,接著再將取得之低解析度車牌進行超解析化之方法;本論文使用以學習為基礎之演算法,利用流形學習(Manifold Learning)之局部線性嵌入(Locally Linear Embedding, 簡稱LLE)概念,將輸入之低解析度車牌影像,經由事先取得一群高解析度及其對應低解析度之影像配對,藉由LLE之概念,從低解析度部分找出相似之局部幾何(Local Geometry),再利用其對應之高解析度部分,產生此輸入影像對應高解析度之模樣,組合成一張對應之高解析度車牌影像。 本論文提出之超解析化方法所產生的清楚車牌與使用一般放大方法在同樣放大倍率之下,細節上顯得更清楚及平滑。此外,此方法僅需使用單張影像即可,相較於傳統使用多張或連續影像,利用前後影像關係提升解析度之方法來得更快速及方便。
  • Item
    利用RGB-D Sensors進行人類動作的分析
    (2013) 胡碩宸; Shuo-Chen Hu
    本研究利用視訊資料進行人類動作的分析,目的在於發展一套通用的人類動作分析技術可以應用在不同的領域上,如公共安全:機場、地鐵、體育館、購物中心等公共區域或是大樓中的自動化監控系統,偵測是否有人有異常行為(例如破壞公共區域)。或者居家照護系統:偵測家裡的孩童或老人是否有跌倒或爬到高處等危險的行為,若有危險行為發生便通報家屬及照護人員。   本研究利用微軟所開發的RGB-D Sensors(亦即Kinect)來擷取人體3D關節資訊,並計算關節夾角當作人類姿勢的特徵向量,由於這些特徵向量維度極高,因此我們利用流形學習(manifold learning)之等構映圖(Isomap)進行降維,並在低維度的等構映圖空間進行基本動作的切割與分群。接著將每一群的基本動作給定一個語意上的闡述並形成一個編碼書(codebook),最後此編碼書可以用來對測試者進行動作的辨識。
  • Item
    探索調變頻譜特徵之低維度結構應用於強健性語音辨識
    (2017) 顏必成; Yan, Bi-Cheng
    語音強健技術(Robustness)在自動化語音辨識系統(Automatic Speech Recognition, ASR)中扮演著相當重要的角色,尤其是環境的影響(Environment effect )下,更能突顯其重要性。近年來的研究指出,探索語音特徵的低維度結構(Low-dimensional Structure)有助於萃取出較具有強健性的語音特徵。有鑒於上述觀點,我們研究多種考量語音特徵固有(Intrinsic)的低維度結構,並找尋俱有特定結構的子空間以涵蓋原本高維度的語音特徵空間,以此希望能獲得較具強健性的語音特徵。 在本篇論文中,我們探索了一系列的低維度結構方法並應用在語音條變頻譜域(Modulation Spectra),希望能淬煉出強健性語音特徵。首先,我們使用基於稀疏表示(Sparse Representation)的方法來廣泛地分析高維度語音特徵,再從中去找出一冗贅(Residual)的基底(Basis)後並加以去除。接著我們提出了基於低秩表示法(Low-rank Representation)來探索語音條變頻譜的子空間結構,從而減輕噪音所造成的負面影響。最後,我們探索語音特徵調變頻譜上固有的幾何低維度流形結構(Geometric Low-dimensional Manifold Structures),希望能將帶有噪音的音訊投影到此流形結構上,以獲得更具有強健性的語音特徵。此外,為了獲得更好的語音辨識效能,我們將所提出的方法與常見的語音正規化特徵結合,其結果都有良好的表現。所有實驗都在Aurora-4數據庫和任務上進行和驗證。