Browsing by Author "林政宏"

Now showing 1 - 20 of 95

80/20法則與生活科技教育
(國立臺灣師範大學科技應用與人力資源發展學系, 2006-11-??) 林政宏
"CO濃度變化與天氣關係"個案初步研究
(國立臺灣師範大學研究發展處, 1991-06-??) 林政宏
「空氣污染」是指大氣中存在一種或一種以上的污染物（例如:微塵、灰燼、煙霧、臭氣、或蒸氣等），其含量與時間，足對人類、植物、或動物造成傷害，或其存在會影響生命或財物的舒適程度。我們知道天氣因素是影響「空氣污染」的主因（如:風、逆溫層、降雨、天氣系統），但是在實際大氣狀態下，天氣因素如何影響污染物累積、擴散等時空變化，則必須經過實際觀測才能充份了解。本研究乃利用筆者1990年9月30日至10月20日在公館附近實測一氧化碳（CO）的濃度妥化資料，與測站附近環境因子變化作個案分析，找出實際大氣狀態下，天氣因素與污染源的關係。
Less is More
(國立臺灣師範大學科技應用與人力資源發展學系, 2009-11-??) 林政宏
一九九七年亞太地區國際科技教育研討會
(國立臺灣師範大學科技應用與人力資源發展學系, 1996-11-??) 林政宏
七十九學年度高中地球科學實驗能力競賽試題
(師資培育與就業輔導處, 1991-04-??) 林政宏; 李春生; 鄭懌; 鄒治華; 丁有存; 李麗芬; 鍾文淨
以圖形處理器加速尺度不變特徵轉換演算法
(2013) 蔡睿烝; Tsai, Ruei-Jen
圖像內容檢索（CBIR）為一種電腦視覺技術，使用圖像的內容在大型資料庫中進行檢索，如顏色、形狀、紋理等而非關鍵字、標籤或其他描述方法。許多圖像運算與電腦視覺的技術皆需要擷取圖像中的內容，大部分皆透過尺度不變特徵轉換演算法（SIFT）來達成。尺度不變特徵轉換被廣泛應用於物件辨識、圖像拼接、立體對照、描述圖像特徵等。在特定的應用如圖像內容檢索中，特徵點擷取被視為預處理程序，之後的特徵點比對便成為運算最密集的程序。圖形處理器（GPU）因其在大量資料平行運算的卓越能力收到關注，因此，本研究提出基於圖形處理器平行化的尺度不變特徵轉換演算法，藉此加速線性搜尋法與k-近鄰搜尋法。於實驗結果中，相較於傳統的最近鄰居搜尋法，本研究得到22倍的加速；而相較於傳統的k-近鄰搜尋法，得到11倍的加速。
以圖形處理器加速臉部辨識
(2013) 黃瀚興
臉部辨識（Face Recognition）是一種生物辨識，透過臉部特徵進行身分辨識。其中主成分分析法（Principle Component Analysis, PCA）被廣泛運用在臉部辨識，因為此法可以保留臉部特徵的主要成分，以降低資料維度及計算複雜度。運用主成分分析法進行臉部辨識分為訓練與辨識兩步驟。在訓練步驟，傳統的主成分分析法先計算訓練樣本的共變異矩陣並求得主成分的特徵向量。在辨識步驟，則透過計算訓練樣本與測試樣本投影在主成分特徵向量上投影量，決定辨識結果。主成分分析法在針對高資料維度，計算共變異矩陣的特徵向量所花費的時間與所需記憶體空間都相當可觀。本研究提出以圖形處理器(Graphical Processing Units, GPU)分別加速臉部辨識的訓練與辨識步驟，其中訓練步驟以GPU加速NIPALS和GS於計算訓練樣本的的主成分，辨識步驟則以GPU加速測試樣本對特徵向量的投影計算。實驗結果顯示相較於OpenCV的Eigenface，訓練部分NIPALS GPU在得到5.9倍的加速，GS GPU則有5.25倍的加速，辨識方面能夠有1.57倍的加速效果。
以圖形處理器加速近似字串比對
(2012-05-01) 張浩平; 林政宏
以圖形處理器加速近似字串比對之位元平行演算法
(2015) 王冠鈜
近似字串比對被廣泛運用到很多領域，例如：網頁搜尋、網路入侵偵測系統、網路安全、去氧核糖核酸序列匹配等。近似字串比對可在輸入字串與樣式字串間容許因為插入、替代、刪除等操作所造成的誤差。因為近似字串比對是一種資料密集的運算，對於大數據的處理，加速近似字串比對成為非常重要的關鍵。本研究提出階層平行化的架構並實現於圖形處理器，以加速位元平行演算法。階層平行化的架構包括兩個階段。第一個階段使用多串流操作，用來隱藏記憶體IO的延遲，而第二個階段運用圖行處理器來加速位元平行演算法。位元平行演算法相較於CPU的平行化版本，GPU版本可獲得約3.5倍效能的改善。實驗結果顯示，相較於其他相關研究，本研究可以獲得5倍的改善。
以圖形處理器加速近似字串比對演算法之研究
(2012-01-01) 張浩平; 林政宏
以多圖形處理器加速近似字串比對
(2012) 張浩平; Chang, Hao-Ping
字串比對在許多領域中被廣泛運用，例如網路入侵偵測系統、網際網路搜尋、去氧核糖核酸序列比對等等；其中，字串比對可區分為固定字串比對與近似字串比對兩類。固定字串比對是指找出所有字串樣式於輸入文字中出現的位置，所有字串樣式必須精確的比對，不容許任何錯誤；而所謂近似字串比對是指所搜尋的字串樣式則可經由插入、刪除及替代等有限次數的動作，轉換成輸入文字中的某部分。近似字串比對的演算法可區分為dynamic programming與bit-parallelism；Dynamic programming需經龐大運算及記憶體空間記錄誤差值，故在處理大量資料時，將為此演算法之瓶頸；反之，bit-parallelism運用邏輯運算子模擬非確定有限狀態自動機進行比對，速度快且節省記憶體。近似字串比對的運算量大且非常耗費時間，尤其在針對大量的輸入文字比對大量的字串樣式時，其耗費的時間更為明顯。本研究將分析並實現bit-parallelism與dynamic programming於NVIDIA GPU上，實驗結果顯示在處理2Gbytes的輸入文字時，執行於單一個GPU的bit-parallelism較執行於單一執行緒CPU版本的bit-parallelism快上7倍的加速。本研究並進一步透過openMP連結多個GPU的加速，其結果顯示在處理2Gbytes的輸入文字時，以2個GPU加速之bit-parallelism較執行於單一執行緒CPU版本的bit-parallelism快上10倍的速度。
以多核心圖形處理器加速影像處理之研究
(2016) 周文瑞; Chou, Wen-Jui
本論文研究以多核心圖形處理器(Multicore Graphic Processing Units)加速影像處理演算法，我們以全向圖(omnidirectional pictures)轉換成全景圖(panoramic pictures)及車牌辨識(vehicle license plate recognition)系統為例，提出平行演算法並以多核心圖形處理器進行相關演算法加速。論文首先針對橢圓拋物曲面全向圖轉換成全景圖的演算法進行平行化研究，本論文提出了一個階層式的平行架構包含資料平行(data parallelism)與任務平行(task parallelism)兩個階層，其中資料平行階層是透過執行圖形處理器的大量執行緒平行轉換每個像素從全向圖移轉至全景圖，而任務平行階層是透過圖形處理器多串流技術(multiple stream)，以管線化(pipelining)的方式平行執行多個影像的轉換。任務平行可以藉由重疊影像處理器的核心運算與資料傳輸的執行時間來改善整體的效能。實驗結果顯示相較於CPU，透過圖形處理器，我們可以得到6.33倍的改善。論文第二部分，我們針對車牌辨識系統進行平行化研究，一個車牌辨識系統主要包含車牌定位、車牌校正、文字切割與文字辨識等四大步驟。首先在車牌定位部分，我們透過灰階轉換、直方圖等化、二值化、輪廓萃取與剛性物體偵測之核心演算法取得車牌的位置，然後在車牌校正方面，我們使用仿射轉換中的單映性以校正歪斜的車牌。在文字分割方面，我們利用輪廓萃取及邊緣偵測將文字與車牌面積進行計算，並將車牌中的文字分割取出。最後在文字辨識部份，我們利用樣板比對法(template matching)作為文字辨識的方法，為了縮短辨識系統計算的時間，我們透過圖形處理器加速車牌文字辨識的計算速度相較於CPU，我們可以得到100倍的改善。關鍵字：多核心圖形處理器、影像處理、全景圖轉換、車牌定位、車牌辨識
以多核心圖形處理器為基礎之並行化正規表示樣式比對演算法與架構設計(I)
(2010-07-31) 林政宏
正規表示(Regular Expression)已經被廣泛應用於網路入侵偵測系統中用來描述網路上惡意攻擊的特徵。由於正規表示樣式比對是系統中運算複雜度最高的程序，提升正規表示樣式比對程序的吞吐量(throughput)成為非常重要的課題。儘管有非常多的研究目標在改善速度，由於病毒大量的增加，系統仍然很難達到吞吐量的要求。在這個計畫中，我們企圖利用多核心圖形處理器(multicore Graphic Processing Unit, multicore-GPUs)來設計與實現高吞吐量的正規表示樣式比對程序。我們都知道由於多核心圖形處理器在運算單元的數量、記憶體頻寬與記憶體時脈，都已超過目前高階的多核心電腦中央處理器(multicore Central Processing Unit, multicore-CPU)，在並行處理的程式下，使用多核心圖形處理器的運算效能會比多核心中央處理器快上數十倍甚至百倍，因此多核心圖形處理器除了用於影像處理的用途之外，也成功地被運用於科學計算，例如：運算型液體動力學、電子設計自動化、與數值運算等方面。然而，據我們所知到目前為止，尚未有研究利用多核心圖形處理器來處理網路入侵偵測系統上的問題。然而，目前的編譯器無法有效地針對多核心圖形處理器進行優化，換言之，直接編譯正規表示比對的軟體至圖形處理器上執行，無法滿足高吞吐量的要求，仍必須仰賴設計者針對多核心圖形處理器硬體特性，設計並行化的演算法與程式技巧，以最佳化多核心圖形處理器的效能。因此，我們將分三年探討以多核心圖形處理器提升正規表示樣式比對並行度的相關議題： 1. 以多核心圖形處理器為基礎之並行化正規表示樣式比對架構：提高樣式比對頻寬，可以提高樣式比對並行度，進而提升系統的吞吐量與效能。然而增加頻寬，會遭遇邊界對齊(boundary alignment)與誤診(false positive)等問題，我們將提出改良的演算法以解決上述問題，並以多核心圖形處理器實現並評估改良演算法之效能與吞吐量。 2. 以多核心圖形處理器為基礎之階層式狀態機架構：合併正規演算法樣式可以有效提升樣式比對並行度。然而針對特定複雜的正規表示樣式，合併時會發生記憶體爆量的問題，我們將提出並行化之階層式狀態機架構以減輕這類正規表示樣式合併時之記憶體爆量問題，並以多核心圖形處理器實現並評估改良演算法之效能與吞吐量。 3. 以多核心圖形處理器效能導向之並行化正規表示樣式比對演算法與架構：以多核心圖形處理器並行處理正規表示樣式比對，其效能除了與演算法之並行化程度，有密切關係之外，更要瞭解多核心圖形處理器的硬體架構，以設計最佳化的計算方法和平行程式，我們將提出以多核心圖形處理器效能導向之並行化正規表示樣式比對架構的效能優化策略。總結，我們將深入探討正規表示樣式比對演算法與架構並行化的議題並以NVIDIA之多核心圖形處理器實現與評估我們提出的演算法與架構。此外並以Snort、Bro、與L7-filter等系統之特徵樣式作為測試向量。我們期待我們提出的以多核心圖形處理器為基礎之並行化正規表示樣式比對演算法架構設計，可裨益於網路入侵偵測系統相關之發展。
以多核心圖形處理器為基礎之並行化正規表示樣式比對演算法與架構設計(II)
(2011-07-31) 林政宏
網路入侵偵測系統（Network Intrusion Detection System, NIDS）已經被廣泛運用於保護電腦系統免於網路攻擊。正規表示(Regular Expression)已經被廣泛應用於網路入侵偵測系統中，例如Snort [1], Bro [2], and Linux L7-filter [3] 以用來描述網路上惡意攻擊的特徵。為了辨識網路攻擊的特徵，近來有多個研究採用多核心圖形處理器（Graphic Processor Units, GPU）來加速特徵比對的程序。然而，這些研究並未處理複雜的正規表示法樣式。而這些複雜的正規表示法已經在目前網路入侵偵測系統之中佔有極重要的角色。在這個計畫中，我們將深入研究正規表示法樣式比對平行化的問題並企圖善用GPU 加速正規表示法樣式比對的速率。我們將說明利用GPU加速正規表示法樣式比對，包含了傳統邏輯架構與記憶體架構的優點。首先，GPU的方法如同記憶體架構一樣可以輕易的更新病毒攻擊樣式，而GPU的方法也類似邏輯架構，具有多重並行的硬體，可以平行比對病毒特徵。然而，利用GPU加速正規表示法樣式比對，仍存在三個主要的挑戰。首先，我們需要一個高效率的平行演算法來處理大量的簡單正規表示法樣式。第二，我們需要解決特定型態的複雜正規表示法樣式轉換為DFA時，會導致記憶體爆量的問題。第三、我們需要一個架構可以整合簡單與複雜正規表示樣式比對於一個單一平台。因此，在這個計畫中，我們將企圖發展一個新穎的平行演算法於GPU上，來加速正規表示樣式比對程序。同時，我們也要針對複雜的正規表示樣式，發展一個創新的狀態機架構，以解決記憶體爆量問題並可以實行於GPU的平行化架構。此外並以Snort與Bro 等系統之特徵樣式作為測試向量。
以多核心圖形處理器為基礎之並行化正規表示樣式比對演算法與架構設計I
(2010-07-31) 林政宏
以多核心圖形處理器為基礎之並行化正規表示樣式比對演算法與架構設計II
(2011-07-31) 林政宏
以完美雜湊優化樣式比對記憶體架構設計
(2013-07-31) 林政宏
樣式比對（pattern matching）在網路入侵偵測系統（Network Intrusion Detection System, NIDS）中扮演最重要的角色，決定了一個網路入侵偵測系統的效能。由於網路攻擊的大量增加與網路的複雜度，傳統循序的樣式比對演算法已經不適用於目前的高速網路。因此，加速與優化樣式比對電路與演算法已成為近年來重要國際會議包括INFOCOM、GLOBECOM、SIGCOMM、ISCA、ANCS等之重要議題。在過去的研究中，我們提出一個平行化的字串樣式比對演算法，稱之為PFAC (Parallel-Failureless Aho-Corasick algorithm)，適用於圖形處理器(graphics processing units, GPUs)與多核心中央處理器 (central processing unit, CPU)。實現於NVIDIA的高階圖形處理器，例如GTX 480 and GTX 580，吞吐量(throughput)更可以高達100Gbps以上，相較於傳統實現於CPU的Aho-Corasick algorithm，在效能上十倍以上的改善；研究成果已陸續或預計發表於GLOBECOM 2010、GLOBECOM 2011、21st VLSI Design/CAD symposium（最佳論文候選）、22nd VLSI Design/CAD symposium、GTC 2012、INFOCOM 2012。除此，我們並製作程式庫PFAC發表於Google code (http://code.google.com/p/pfac/)，已獲得許多使用者的正面回饋。我們所提出的PFAC演算法乃植基於記憶體架構的樣式比對方法，適用於多核心的CPU與GPU。記憶體架構樣式比對方法的運作是先將大量的病毒樣式編譯成一個deterministic finite automaton (DFA)，再藉由traverse它的state transition table來執行樣式比對。由於網路攻擊樣式的大量增加，降低 state transition table的記憶體需求已成為記憶體架構的重要議題。在這個計畫中，我們首先將針對記憶體架構中儲存state transition table，提出優化方法與架構，以有效降低記憶體需求。此外，我們將進一步研究以Amazon Elastic Compute Cloud (Amazon EC2)提供之高速NVIDIA GPU computing resources架構GPU cluster，以提升大量資料樣式比對的吞吐量。
以快慢雙流圖卷積神經網路架構實現骨架動作辨識
(2021) 周柏永; Chou, Po-Yung
本論文討論骨架動作辨識任務，此任務在過去的論文中較少討論到時間特徵的學習，大多研究如何學習到更好的空間特徵，而就過去在動作辨識任務中的經驗，時間維度對於動作辨識任務的影響是巨大的，因此我們聚焦在時間維度對此任務之影響，為此提出了一個雙流網路架構來融合不同時間尺度的輸入，以此方法來提取靜態與動態特徵，接著我們進一步針對圖卷積內部的鄰接矩陣作改良，將其設計為可以針對不同時間時間區段學習，進而學習到更精準的骨架相關性，從實驗結果可以得知，混和不同時間尺度特徵可以有效增加準確率，在NTU RGB+D能夠到達94.8%的準確率，經過改良鄰接矩陣後更是能到達95.2%的準確率，由此可以驗證，時間尺度上的特徵對於骨架動作辨識任務是相當重要的。
以輕量化卷積神經網路為核心之自動抄錶系統
(2020) 郭冠毅; Kuo, Kuan-Yi
隨著物聯網技術的蓬勃發展，政府逐漸淘汰了傳統電錶，開始了智能電錶的時代。然而，更換智能電錶的價格昂貴且面臨通訊不良等問題，導致智能電錶佈建緩慢，我們的想法是開發一種低成本的解決方案，該解決方案使用帶有攝影鏡頭的邊緣設備自動辨識傳統電錶，然後將辨識的值上傳到雲端。過去已有研究通過傳統的圖像分割方法自動讀取錶盤，但是由於傳統的電錶大多設置在遮蔽性高、光線昏暗、灰塵多的環境中，因此對於不清晰的電錶圖像，傳統方法難以獲得良好的辨識結果。在本文中，我們提出了一種基於輕量化卷積神經網路的自動讀錶器並實現在邊緣設備上，為了減輕佈建難度和提高錶盤辨識的準確率，我們所提出的錶盤讀取器具有自動調整傾斜錶盤圖像的能力。實驗結果顯示，相較於其他相關方法，所提出的輕量化卷積神經網路在分割錯誤，誤報和運行時間方面取得了顯著改善。
你如何取得地球科學(氣象類)的輔助教材
(臺灣師範大學科學教育中心, 1987-01-??) 林政宏