學位論文

Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73890

Browse

Subject: search.filters.subject.CNN

Search Results

Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    高性能之輕量級卷積神經網路之設計
    (2021) 周世耀; Jou, Shyh-Yaw
    因深度學習強大的分析能力，其時常被用做影像辨識與物件偵測的工具。時至今日，已有許多基於深度學習方法的著名模型被提出，例如：SENet、EfficientNet、Densenet、MobileNet、ResNet、ShuffleNet、GhostNet、Yolo等。深度學習模型的性能主要可從4個層面進行探討，分別是參數量，資料分析能力、處理資料的速度以及模型的泛用能力。一般而言，模型能在上述4個層面都表現優秀是很困難的。在本論文中，我們設計出一各性能皆優秀的深度學習模型―ExquisiteNetV2。我們選用了15個具公信力的影像辨識資料集以及1個物件偵測資料集進行實驗，並以上述提到的著名模型做為比較對象。我們分別使用兩種不同的權重更新法做實驗，根據實驗結果，無論使用何種權重更新法，在超過一半以上的資料集中，ExquisiteNetV2的分類正確率都是第一名。ExquisiteNetV2的參數量遠少於其他模型，但資料分析能力以及運算速度卻優於其他模型，因此，ExquisiteNetV2是一種高性能之輕量級卷積神經網路，可通用於影像分類與物件偵測之應用。
  • No Thumbnail Available
    Item
    語意分類及其應用於兩輪機器人控制
    (2020) 唐凡; Tang, Fan
    本論文目的在建構一語意分類系統，使指令不單局限在單一詞彙或單一描述，例如指令旋轉之後前進及前進之前旋轉視為同樣意思，使機器人不是單純的判斷關鍵詞的順序而是使機器人能夠自行判斷語意後執行動作，讓所接受的指令更為靈活且多樣。語意分類系統建構是先以文字語句作為訓練資料，將詞彙透過詞嵌入的方式轉為數據。接著，使用神經網路進行分類訓練，主要以卷積類神經網路(Convolutional Neural Network, CNN)、長短期記憶(Long Short-Term Memory, LSTM)這兩種神經網路進行建模，CNN 具有優秀的特徵擷取及處理能力，LSTM 則在序列表現異，透過實驗比較這兩種方法，並選擇結果較好的架構應用於兩輪機器人。
  • No Thumbnail Available
    Item
    以CNN為基礎之語音辨識系統及應用於兩輪平衡車的控制
    (2019) 林哲宇; Lin, Jhe-Yu
    本論文實現語音辨識及使用語音控制於兩輪平衡車，語音辨識系統使用基於TensorFlow之上執行的Keras完成，語音訊號利用梅爾頻率倒譜係數(Mel-Frequency Cepstral Coefficients, MFCCs)提取特徵值，並使用卷積類神經網路(Convolutional Neural Network, CNN)進行學習及建立模型。 兩輪平衡車使用Arm Cortex M0之微控制器實現，整體架構包含馬達、驅動電路、改變重心的機械結構及各類感測器。本論文採用比例、積分及微分控制器(Proportional-Integral-Derivative, PID)進行對兩輪平衡的控制，並以機械結構使重心改變達成兩輪平衡車前進或後退的功能。 本論文針對語音辨識系統架構修改進行實驗，挑選出正確率最高的架構應用於兩輪平衡車之控制中，最後實驗證實此論文的可行性。