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 - 4 of 4
  • Item
    基於攝影機的多人健身運動偵測與辨識
    (2024) 張吳嘉; Chang, Wu-Jia
    大多數健身運動追蹤研究主要以單人追蹤進行,單人追蹤可以記錄的訓練資訊,包含:動作辨識、動作計數、重量辨識、訓練時間以及準確度分析。然而在健身房環境中同時會有多人使用各種器材,僅進行單人追蹤會無法捕捉到多人的運動情形。利用攝影機的多人追蹤技術,可以同時對健身區域進行大範圍的偵測與追蹤,而不局限於單人追蹤。本研究提出基於攝影機的多人健身運動偵測與辨識方法,拍攝廣角的畫面藉以同時涵蓋多樣健身器材,處理這些器材使用者的訓練影像資訊。首先,對健身影片進行人體偵測,找出畫面中所有人物的位置。由於訓練器材的位置固定而人員則是隨意走動,利用物件交集(Intersection Over Union, IOU)方法,可以定位出正在使用健身器材的人物。對於這些訓練者,利用人體姿態估計方法記錄使用者的運動資訊,辨識划船、肩推、胸推、上斜胸推、腿部屈伸等五種不同的健身動作,並計算運動者在該器材的動作次數。除此之外,由於健身動作可能被其他移動的人員所遮蔽,造成健身動作辨識與計次的判斷出現錯誤,因此藉由多攝影機的協調建立補償機制,改善在多人環境中因為遮擋產生的辨識問題。本研究根據健身房的實際情形拍攝,未刻意安排訓練過程,使用者根據自身習慣自由的選擇訓練動作與次數。為了驗證補償機制是否改善遮擋產生的問題,會確保拍攝的每部影片中都有遮擋情形發生。最後設計三項實驗用以驗證偵測與辨識方法之效果。根據實驗結果,系統可以利用物件交集方式區分出不同人物的運動過程,在多人的環境中區分出運動與非運動之人員,並且辨識使用者訓練的動作與次數。在發生遮擋情況時,加入補償機制減少運動次數漏檢情形發生,補償後的次數回復率為52%,改善因為遮擋產生的辨識問題。
  • Item
    基於追蹤補償方法之籃球球員追蹤
    (2024) 陳宥睿; Chen, You-Ruei
    現今資訊科技蓬勃發展,電腦視覺技術經常應用於我們生活的周遭,而物件追蹤更是一項關鍵的技術,應用於自駕車、智慧行人追蹤和體育運動項目等領域。以籃球比賽中的球員為例,透過鏡頭追蹤球員在球場上的移動軌跡,可以對比賽進行詳細分析。針對現有的一般追蹤方法(YOLOv7+StrongSORT),由於球員間的遮擋或重疊,常常會發生球員ID變換(ID Switch)且無法復原該球員原有的ID(Identifier)的情況。為了解決這一問題,我們提出了追蹤補償方法,該方法能在ID變換時匹配回先前的ID,從而提升球員追蹤的準確性。 在實驗結果中,我們選擇了在一般追蹤方法之下加入球員追蹤補償方法的架構(實驗組)以及僅使用一般追蹤方法的架構(對照組)進行比較。在MOTA(Multiple Object Tracking Accuracy)的數據上,對照組與實驗組的表現都高於90%。在評估球員ID變換時復原球員ID的整體ID變換復原率(ID Switch Recovery Rate)上,使用球員追蹤補償方法的實驗組得到了74%的整體ID變換復原率,而對照組只有48%。在整體追蹤準確度上,實驗組的IDF1(Identification F-Score)達到79%,而對照組則只有66%。從數據結果表明,使用球員追蹤補償方法後,整體ID變換復原率有明顯的提升,能夠減少球員ID在變換後無法復原的問題,從而使得在整體追蹤準確度上,IDF1得到顯著提升。
  • Item
    應用對比式演算法則於印刷電路板的自動元件檢測方法之研究
    (2023) 鍾暿峒; Chung, Si-Tung
    在現今工業的生產製程中,檢測產品上的瑕疵常會利用到自動光學檢測,透過將攝影裝置架設在產線上進行檢測。而印刷電路板做為電子工業製品的大宗,檢測上方的細小元件的數量和位置是一大難題。由於電子元件種類繁多,為了自動化檢測元件,建立並訓練類神經網路模型被視為一種解決方法。因為模型可以從大量的樣本中學習到特徵而且具備很高的辨識準確度,而其計算過程可以透過GPU的並行處理能力得到很快的推論速度。良好的模型架構可以讓模型適應不同的元件種類,同時對於增減元件可以具有更高的可擴展性來應對需求的變化。然而,現有的物件檢測模型對於小目標的檢測還無法達到高準確度,而工廠產線上的環境光源變化也增加了模型辨識元件的困難度。因此,對於現有的自動元件檢測方法,本論文以對比式理論為基礎,提出了一套使用在類神經網路模型的訓練方法。經過此方法訓練的模型可以在不同環境光線的影響下,依然能正確檢測出印刷電路板上的電子元件。由於工廠的產線不會只生產同一種產品,元件檢測方法應該要能夠應對不同的需求。但是,若元件的種類增加,會降低現有方法辨識的準確度。因此,本論文提出具有高度彈性的模型架構,可以根據不同的元件種類調整,且能檢測多種元件,也具有高準確度。實際情況下,待檢測的印刷電路板並非固定在產線上。若要做到Real-time檢測,需要邊緣運算裝置與攝影裝置搭配使用。而邊緣運算裝置的硬體資源有限,具備高準確度的模型往往有很大的計算量和總參數量。因此,本論文的模型架構會在增加少量參數的同時維持辨識的準確度,並能夠在邊緣運算裝置上正常運行。
  • 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。