清華大學資訊工程學系所學位論文
國立清華大學,正常發行
選擇卷期
已選擇0筆
- 學位論文
人臉防偽辨識對於人臉辨識系統的安全性至關重要，已經有許多基於卷積神經網路的防偽方法被提出，而且這些方法都表現出了良好的性能。儘管取得了這些成功，但卷積神經網路對於對抗樣本的脆弱性讓這些防偽方法容易受到攻擊。 在這項研究中，對抗性雜訊被用於為幾種防偽方法製作對抗樣本，多種攻擊方法被應用於多幀防偽方法以研究其脆弱性。我們證明即便是傳統方法也有機會可以成功攻擊這些防偽模型。然而，在一些困難的攻擊對象如多幀防偽模型，以這些方法所生成的攻擊圖片在攻擊過程中通常會嚴重失真且容易被人眼識別。由於需要大量的雜訊來欺騙模型，這些雜訊方法可能不適合用於攻擊多幀防偽模型。因此，我們提出了一種新的智能展示攻擊以生成變形圖片來有效地攻擊反偽方法。 我們方法的泛化性透過對四個公開可使用的數據集進行多次實驗來驗證，實驗結果證實我們的方法表現良好，並且使用該方法所產生的攻擊圖片比使用傳統雜訊方法的圖片失真更少。此外，我們證明了使用元學習訓練並具有較強域泛化能力的防偽模型也容易受到這些攻擊。
- 學位論文
視訊異常檢測在監控視訊中的異常動作或事件之自動檢測中起著至關重要的 作用，其有助於保護公共安全。近期，深度學習模型被廣泛地採用於異常檢 測問題並取得出色的成果，視訊中的異常最主要發生在前景物體區域，然而 先前基於圖像生成的方法中，忽略了針對此性質加以訓練其模型，一些最新 的方法應用了預訓練的物件偵測模型將場景中之局部物件資訊提供給異常檢 測器，而這些方法需要對視訊中的異常類型具備先驗知識，這樣的設定與異 常檢測之無監督式學習設置產生矛盾。於本文，我們提出了一種基於使用卷 積自動編碼器架構，學習預測視訊中的運動物體特徵之新框架。我們訓練異 常檢測器以瞭解場景中的移動物體區域，這更適切地遵循了無監督的設置， 而無需事先瞭解特定物件類別，運動物體區域的外觀和運動特徵為無監督異 常檢測學習提供了描述運動物體之綜合信息，此外，所提出的潛在表示學習 策略鼓勵卷積自編碼器模型為正常訓練數據學習更收斂的潛在表示，而異常 數據則表現出截然不同的表示，最後，我們還提出了一種基於運動前景物體 區域的特徵預測誤差和潛在表示規律性之新異常評分方法。我們將所提出的 方法實驗於視訊異常檢測的六個公開數據集上，實驗結果顯示我們的方法與 最先進之方法相比，取得了非常具競爭力的結果。
- 學位論文
隨著臉部辨識技術被廣泛地應用在生活中各式各樣的安全存取系統，人臉防偽之相關研究也受到了越來越多的關注。近年來，許多的人臉防偽方法在面對已知的偽造攻擊類別時，有很好的辨識能力，但是，當面對未曾出現過的偽造攻擊類型時，這些方法在辨識能力會出現大幅度的下降。科技的進步，讓偽造的攻擊類型不斷地推陳出新，為了避免模型在事先定義的偽造攻擊類別上過度擬合，我們需要讓模型在訓練時，學習到更具有泛化能力與辨別能力的特徵。在此篇論文中，我們提出一種拆分模型表徵的方法，透過兩階段式特徵學習，可以有效地將偽造相關的特徵與其他特徵分開來。拆分的偽造特徵可以增強人臉防偽任務中辨識未出現過之攻擊的能力。而不同於過去的方法使用單階段的設計，我們利用二階段的架構，能增加模型在訓練時的穩定度，並能提取更具備泛化能力的特徵，我們在許多跨攻擊類別之人臉防偽資料集上進行實驗，實驗結果顯示，我們的方法有著優異的辨識準確度，並能與其他頂尖的方法相比擬。
- 學位論文
近年來網路功能虛擬化（Network Function Virtualization, NFV）逐漸受到網路服務供應商重視。相較於傳統專用的網通設備一個裝置只能提供一項功能，此乃受限於硬體、電路設計；網路功能虛擬化的願景是使用唾手可得之通用型電腦主機，運行所需要的網路服務如：防火牆、入侵偵測系統、代理伺服器等等，不受限於專用硬體即可增加資源利用彈性，也能降低被特定網通設備廠商綁架的風險。 然而採用通用型電腦主機缺點在於效能不易掌控，此乃該主機非專為網通用途設計，容易受到：系統中斷（interrupt）、快取未命中（cache miss）、資源競爭等影響。為了確保網路使用不會中斷與最大化資源效益，效能預測便成為重要的議題。 在本篇論文中會針對現有常見的虛擬網路設備（Virtual Network Function, VNF）進行執行階段分析、蒐集必要效能影響因子，透過機器學習方式訓練並預測不同設定檔、NF、網路流量下的效能表現。
- 學位論文
本論文介紹一個詞彙語意解歧系統，意旨在透過分析輸入文章中的歧異字並回傳對應的字典釋義，來輔助語言學習者進行閱讀。我們利用預訓練語言模型(Pre-trained Language Model)，將句子中的目標字轉換成含有上下文資訊的向量。我們的方法包含將字典中例句轉換為已標記的訓練資料，以及充分利用這些少量訓練資料，自動的標記新例句，來產生更多的訓練資料。執行時，輸入與訓練資料的向量會被互相比較，以選出最相關的釋義。實驗結果顯示，我們的方法相較於基準(Baseline)，解歧的正確率有顯著的提升。
本文將於2026/08/13開放下載。若您希望在開放下載時收到通知，可將文章加入收藏。
本文將於2026/08/09開放下載。若您希望在開放下載時收到通知，可將文章加入收藏。