AI 跨域應用研究所

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/124121

該研究所主要研發方向在人工智慧、物聯網科技、智慧製造技術等,與企業合作技術開發及研究四大主題,包含「智慧顯示科技開發與應用」、「元宇宙3D顯示器」、「影像顯示器智慧製造與自動生產校正」及「智慧資安技術發展」,共同培育產業實務需要的人才。另可透過產學合作機制與企業聯手開發人工智慧相關創新應用服務,加速孵育AIoT整體解決方案進軍國際市場,符應行政院110年核定「六大核心戰略產業推動方案」有關「資訊及數位」之內涵,符合國家重點領域「人工智慧、智慧製造」之設立精神。 此研究所目標為深化研究、產業技術升級、整合不同專業領域資源、以及開發科技新的契機。此研究所教學研究領域包含:深度學習、人工智慧系統平臺、影像處理與分析、電腦視覺、自然語言處理、智慧顯示科技、智慧物聯網科技、智慧製造技術、智慧機器人等。課程特色注重產業鏈結,聘請國內外研究單位與企業之人工智慧應用領域專家參與授課,落實學用合一,解決學用落差。並與企業合作擬定技術開發議題,共同指導研究生進行前瞻技術開發計畫,培養具備人工智慧跨域應用所需的專業知識與實作技術的人才,解決產業實務議題。

Browse

Search Results

Now showing 1 - 1 of 1
  • Item
    針對長尾視覺辨識之自適應目標增強策略
    (2025) 范哲瑋; Fan, Che-Wei
    監督學習中的長尾問題是由於現實世界資料集中固有的不平衡性所引起的,其中少數幾個類別或樣本佔據了資料分佈的大部分,而大多數類別(「尾部」)則擁有顯著較少的樣本。這個問題對傳統的監督學習算法構成了挑戰,因為這些算法通常優先優化在頻繁(頭部)類別上的表現,而犧牲了在罕見(尾部)類別上的表現。在近期提出的方法中,資料增強技術如 MixUp 和 CutMix 被廣泛應用於解決長尾問題。MixUp 通過對兩張影像進行插值,而 CutMix 則將一張影像的剪切區域貼到另一張影像上,從而合成更多樣化的訓練樣本。然而,據我們所知,目前尚無研究明確探討應該配對或結合哪些影像來達到最佳效果。為了解決這個挑戰,本研究提出了一種名為特徵感知分數選擇 (Feature-Aware Score-Based Selection, FASS) 的新策略。在應用 MixUp 或 CutMix 之前,FASS 根據影像的特徵表現動態選擇並配對影像。與傳統增強方法主要著重於增強少數類別樣本不同,FASS 動態識別與特徵相關的目標類別,以提升模型區分相似特徵的能力。當 FASS 與其他先進方法結合時,在 CIFAR-100 和 ImageNet-LT 等基準資料集上,FASS 展現出卓越的性能,達到了最新的最佳表現。