科技與工程學院

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/5

沿革

科技與工程學院(原名為科技學院)於87學年度成立,其目標除致力於科技與工程教育師資培育外,亦積極培育與科技產業有關之工程及管理專業人才。學院成立之初在原有之工業教育學系、工業科技教育學系、圖文傳播學系等三系下,自91學年度增設「機電科技研究所」,該所於93學年度起設立學士班並更名為「機電科技學系」。本學院於93學年度亦增設「應用電子科技研究所」,並於96學年度合併工教系電機電子組成立「應用電子科技學系」。此外,「工業科技教育學系」於98學年度更名為「科技應用與人力資源發展學系」朝向培育科技產業之人力資源專才。之後,本院為配合本校轉型之規劃,增加學生於科技與工程產業職場的競爭,本院之「機電科技學系」與「應用電子科技學系」逐漸朝工程技術發展,兩系並於103學年度起分別更名為「機電工程學系」及「電機工程學系」。同年,本學院名稱亦由原「科技學院」更名為「科技與工程學院」。至此,本院發展之重點涵蓋教育(技職教育/科技教育/工程教育)、科技及工程等三大領域,並定位為以技術為本位之應用型學院。

107學年度,為配合本校轉型規劃,「光電科技研究所」由原隸屬於理學院改為隸屬本(科技與工程)學院,另增設2學程,分別為「車輛與能源工程學士學位學程」及「光電工程學士學位學程」。

News

Browse

Search Results

Now showing 1 - 3 of 3
  • Item
    基於生成對抗式網路的人臉影像身分重建
    (2021) 屈軒宇; Chiu, Daniel
    基於卷積神經網路的人臉辨識技術已經達成極高的準確率並且廣泛應用於各種場域,然而在特定的應用場合人臉辨識技術還是有很大的挑戰,特別是影像品質不佳的監控設備環境下,人會與鏡頭有較大的距離,導致人臉影像解析度過低造成人臉身分難以辨識,為此我們提出一個新穎的基於生成對抗式網路的人臉影像重建網路,藉由學習低解析度的人臉影像與高解析度的人臉影像之映射關係,我們可以從低解析度人臉影像重建出高解析度人臉影像,此外我們使用Feature Embedding的方法從網路的輸出層得到人臉身分特徵,並且利用三元組損失計算人臉身分特徵用以訓練神經網路,使神經網路可以藉由人臉身分特徵表達做相應的高解析度人臉影像重建,實驗階段我們使用了公開的人臉資料集CASIA-WebFaces進行訓練,並與近年來基於深度學習所提出的底解析度人臉重建方法作為比較並稱為傳統方法。實驗結果表明我們所提出的極低解析度人臉重建網路在大倍率放大的影像品質與辨識率優於傳統方法。
  • Item
    以深度學習為基礎之多人即時動作辨識系統
    (2020) 蔡仁凱; Tsai, Jen-Kai
    隨著人工智慧領域快速的發展,人類動作辨識技術在近年來獲得極大關注,應用也非常廣泛,例如在長照中心對受照護者提供即時活動偵測,在工廠環境及公共環境中提供異常行為之偵測等,都能藉由動作辨識的結果實現提醒、警示、紀錄等智慧監控之功能,預防意外的發生,也解決人力資源短缺的問題。因此,如何利用穩健的動作辨識達到即時智慧監控的目的,實為一重要議題。本文提出一套以深度學習為基礎之多人即時動作辨識系統,以達到智慧型監控的目的,並應用於長照環境中。本系統結合YOLOv3與Deep SORT演算法,能從影片中同時偵測多個人物,並進行追蹤。在人物面對鏡頭時,還能透過FaceNet架構辨識人物身份姓名。對於遠距離人物而言,我們開發一套zoom in方法,根據人物框選的大小自動使用高解析度畫面以獲得更好的辨識效果。為了提升系統的穩健性,在將畫面輸入I3D前,我們會先模糊人物以外區域,減少背景帶來的影響。最後,利用非最大值抑制方法,降低因多個滑動視窗所造成的不穩定情形。實驗結果顯示,本文所提出的方法能夠實現一套即時多人之動作辨識系統。
  • Item
    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。