• 學位論文

以GPU加速Adaboost為基底之多物件辨識系統

由於Nvidia推出CUDA(Compute Unified Device Architecture)，GPU(Graphic Processing Unit)在非電腦圖學外的領域，也有了快速的發展，CUDA使原本不是進行電腦圖學研究的程式開發者，也可以透過CUDA包裝好的函式，利用GPU進行運算，與CPU相較之下，單一GPU的執行指令速度雖然較慢，但當資料量夠大且經由適當安排時，GPU在單位時間內的產出可明顯優於CPU，惟目前CUDA支援於Nvidia開發的GPU。 除了CUDA外，由Khronos發表的OpenCL (Open Computing Language)也支援開發者在不需進行過多額外電腦圖學研究的情形下，使用GPU進行運算。 OpenCL不受開發商限制，可在各家廠商提供的GPU上進行開發，通用性較廣；但由於CUDA與Nvidia提供的硬體本身有較優良的整合對應關係，當使用的是Nvidia的GPU時，CUDA往往會有較顯著的效能增加。 近年來先進駕駛輔助系統(Advanced Driver Assistance Systems；ADAS)技術逐漸成熟，為了偵測周遭環境，提醒或提示駕駛因應下，系統判讀行人、交通號誌、車輛的準確率便越趨重要。傳統物件辨識的領域中常利用Adaboost演算法進行資料訓練，但訓練階段常需進行大量且繁複的計算，更新資料庫的速度因此受阻，對實際上路時的安全帶來隱憂，我們導入GPU進行萃取資料特徵及訓練資料庫的加速，在萃取資料特徵的部分，加快了6.12倍；而訓練資料庫的部分則較原始使用C++及單一CPU的時間加速了34.53倍。

• 學位論文

利用單張深度影像的三維物體定位與姿態估測

在本篇論文中，我們提出一個系統，此系統於多個物件下的深度圖中自動定位物體並得到其相對應的姿態估測，並可以將之拓展至機器人之應用上。所提出的物體定位演算法，最主要是根據關鍵點的擷取，並結合FPFH特徵描述法及RANSAC演算法尋找正確的對應關係。 關鍵點的偵測主要是從針對二維影像之Harris偵測方法延伸而來，此方法於立體空間中利用網格的關係建立點與點的資訊，並進一步以一個點以及其周圍的點為資訊應用並實作為三維Harris偵測方法，接著以FPFH特徵描述法描述關鍵點中各個關鍵點所代表的特徵，計算並找到相似的對應點集合，最後利用幾何RANSAC演算法，結合幾何的特性從相似的對應點集合中選取正確的組合。在我們所提出的系統中，結合了關鍵點偵測以及RANSAC演算法以偵測物體，並利用ICP演算法修正物體定位的結果，並利用正確的對應點計算剛體轉換並得到姿態估測。 在我們的實驗，我們藉由立體的物件模型以及模擬生成的深度資料中來評估我們所提出的方法在姿態估測的誤差，最後並展示其在真實資料的實驗結果。

• 學位論文

使用線段一致性從單張影像估測三維室內曼哈頓場景

在這篇論文中，我們提出了一套可利用單張室內場景影像估算空間布局的視覺分析演算法。我們所提出的方法，首先將室內空間視作一個三維的箱型空間，將此三維箱體投影在二維影像中，並在此立方體每一道預設平面(天花板、牆壁、地板)的投影區域中，利用所有共平面線段的一致性，以及各平面間交界線的邊界特性，合併設計出成本函數。最後以此成本函數進行旋轉、位移、箱體變型等各參數最佳化，求出準確的室內空間布局。在實驗部分，我們在成本函數中使用自適應的權重，也測試出對影像有不同先驗知識下給予權重適當調整有助於提高精確度。更進一步地，我們使用大量資料做系統穩定度測試，其中包含實際拍攝的影像和公開的室內空間影像資料庫，展示使用我們所提出的方法的準確度和穩定性。

• 學位論文

萬人響應一人到場：網路與現實世界活動參與之差距與成因

現今越來越多的活動利用社群網站（social network sites）來進行宣傳、召集參加者、管理等等。然而，針對某些需要現場出席，但是經由網路號召的活動，它們實際參與人數，與網路上表明參與的人數有落差的事時有所聞。由此可見，網路世界中的參與並不一定能帶入現實世界中。本論文正是要探討這個現象，究竟線上與線下參與行為是否真的存在差距？如果存在，其成因為何？研究分成兩個階段，首先是利用訪談了解人們如何回應網路的活動邀請，並挖掘出影響他們線上與線下參與行為的因素。接著針對訪談結果的幾項因素，社會連結（social tie）以及回覆介面設計，透過經驗抽驗法(experience sampling method)與實驗法進行檢證。研究發現線上與線下活動參與的一致性，與社會網路結構、媒體特性、活動性質三個構面相關。而使用者線上的回應，隨著邀請人、以及其他受邀人的社會連結的不同而改變。同時結果也顯示出，透過改善活動邀請回覆的介面，能夠使人們更明確地表達自己的參與意願，進而可能減少線上與線下落差。

• 學位論文

叢集圖形平面化問題之改良啟發式演算法

叢集圖形平面化是藉由添加啞交叉點至叢集圖形的底層圖形，使其轉換成具備叢集平面性質的叢集圖形的一系列操作。平面化的啟發式演算法含兩階段：暫除邊而得到具平面性質的子圖，然後將暫除的邊經平面化操作再補回圖形。其中第二階段一般牽涉到在機件圖形上的路徑搜尋。衡量平面化演算法的準則為產生的啞交叉點個數。 叢集圖形平面化的經典啟發式演算法將暫除邊補回圖形時保持叢集邊界圈。但構造叢集邊界圈會對每個叢集的外延邊的循環次序造成多餘限制，阻礙了潛在的良好嵌入以及其上所能找到的更好的解。 本論文提出針對叢集圖形平面化問題的改良啟發式演算法。構造叢集邊界圈的步驟拆作構造叢集邊界點及叢集邊界邊兩部分，其中叢集邊界邊的存在會對叢集外延邊的循環次序造成多餘限制。因此本論文提出的改良啟發式演算法將構造叢集邊界邊的步驟延後到暫除邊補完之後才實際構造。在此之上，構造並擴充捷徑機件子圖至機件圖上，使得在此擴充機件圖上尋找最短加權路徑即等價於在眾多嵌入中尋找單邊補回的最佳解。 本論文分別從理論及實驗兩方面檢驗此改良演算法。從理論角度驗證，此改良演算法中的單邊補回方法，對於叢集連通的叢集圖形，能夠解得其某類嵌入集下的單邊補回問題的最佳解。而從實驗角度驗證，此改良演算法確實勝過經典演算法，總和來看改良演算法所致生的啞交叉點個數縮減為經典演算法所致生的啞交叉點個數的 89.1% 。

• 學位論文

使用邊緣偵測與基於路徑規劃的方法解決影像分割中需要使用者定義標籤的問題

在此篇論文當中，我們根據影像中邊緣偵測的方法並結合了賽局理論在影像處理中分群的概念，衍生出一套在影像中尋找數個物件邊緣，並連結起來成為路徑，最後將路徑視為圖片中可能物件之輪廓的方法。並且隨著應用的方法不同，可以將中間過程產生的結果加以調整成不同物件切割方法的輸入標籤，同時我們保持使用我們的方法能夠不用經過使用者的操作來完成，而且還能處理多個的標籤的情形，藉此達到解決目前大多數方法需要使用者定義標籤的問題。 在論文的實驗結果中，則是以Spectral Matting為範例作物件切割的方法，我們利用最終路經包圍的區域，從路徑上的每一線段選擇周遭灰階值最亮與最暗的兩點RGB顏色值，在經過一些計算後能夠得到使用者可能劃分前景與背景標籤的區域，在將這筆結果輸入到spectral matting方法中，得到一個能令人滿意的結果。

• 學位論文

可移動式節點應用於無線感測器網路壽命延長之研究

無線感測器網路(Wireless Sensor Network, WSN)，廣泛的被應用在軍事、工業、水與空氣等資源的環境監控等等各個領域，但由於每個感測器的電力來源非常有限，故網路壽命向來是一項議題。針對此一議題，可移動式的中繼節點(Mobile Relay Nodes)與由其組成的結構被應用且廣泛的探討著。經由這些中繼節點提供的可移動性，讓節點能夠依照狀況移動到適當的位置，進而能延長無線感測器網路的壽命。基於這樣的技術，本篇論文提出了一個可調整的結構：LaCRE (Lifetime-aware Configuration with Residual Energy)，使得感測器網路的壽命能夠大幅的延長。 LaCRE與其他方法最大不同點在於，LaCRE以網路壽命作直接考量，而其他方法多以將資料傳輸之電量消耗最小化為目標。LaCRE設計一個以電量消耗與節點壽命為參數的方程式，計算出每個傳輸階段可移動節點的最適位置，讓整體感測器網路的壽命能夠再次的延長。在我們的模擬結果顯示，在相同拓撲的結構下，網路資料傳輸的電量消耗方面，LaCRE比起不可移動式節點感測器網路，約節省了10% 至15% 的電量；並且在我們主要考量的感測器網路壽命，LaCRE也較相同拓撲的不可移動式節點感測器網路提升了10% 至40%。

• 學位論文

基於合作賽局針對提升影像去模糊效能的區塊選擇方法

在影像處理中，影像去模糊是一個很重要而且很有挑戰性的任務。在未知點擴散函數的情況下，大部分的單一影像去模糊都採用使用整張影像去疊代估計出誤差最小的點擴散函數值，然而，使用整張影像去去模糊的方法通常會因為反覆估計點擴散函數而造成很大的計算量。我們觀察到利用整張影像去還原清晰影像並不是永遠都能有比較好的效果，相反的，使用一個擁有足夠資訊去估計點擴散函數的區塊，不但能減少計算時間，同時也因為減少了平滑區域和重複邊緣的影響而使得效能更好。 在這篇論文中，我們一開始利用模糊影像的資訊對影像進行二次偏微計算出有用的資訊點以保留強邊資訊，並以分群的方式讓這些資訊點自動形成群集以避免固定的區塊大小或錯誤的區塊形成，並將這些群集視為初始的區塊，然而單一區塊的資訊是不足以估計出點擴散函數的，因此我們在這裡使用了合作賽局去讓這些區塊進行聯集已選出最好的區塊，我們將每個區塊的中心點視為玩家去找出最好的聯盟。在我們的實驗中，我們將我們的演算法套在兩篇著名的去模糊方法上，結果顯示出運用我們的方法可以在真實影像和合成影像上都達到時間上的進步和準確率的改善。

• 學位論文

基於影像金字塔以及區塊選擇的超解析度方法

超解析度近來在影像處理領域已經是一個流行的研究主題，所謂的超解析度是從單張或多張低解析度的影像放大得到高解析度影像的一個過程，由於近來電子設備的演進，超解析度則是一個很重要的議題。 在超解析度領域中，一個很著名的方法是利用自我相似以及影像金字塔的方式，也就是利用不同的影像大小中找出相似的影像區塊，利用這些影像區塊去合成較高解析度的影像。 然 而 這 方 法 因 為 相 似 區 塊 的 不 足 跟 每 層 放 大 導 致 的 誤 差 (Error Propagation)，導致在某些物件上產生不真實的形狀以及邊緣，為了克服這些問題，我們在這邊提出一個超解析度方法的架構，利用原有影像金字塔架構，額外用影像插補法產生另外一個金字塔架構，並且比較彼此區塊的相似度。我們希望藉由減少每一層的誤差，來讓更高層的影像結果更好。 最後我們的實驗結果證明我們的方法可以達到更高的峰值訊噪比，除此之外也可以有效果的改善視覺品質。

• 學位論文

Automatic Correction of Grammatical Errors in English learner Writing

英語學習者在寫作時，常犯下各種錯誤而不自知，本篇論文中，我們提出一個英文自動文法改錯的方法。我們利用語言模型，及數個針對性的特徵值，為不同類型的常見錯誤設計改錯模組，我們將易混淆字代換入學習者書寫的原句，得到多組候選句，並衡量原句與候選句何者較優。實驗結果顯示，我們的方法在改正英語學習者文法錯誤上以不錯的表現。