現在的超商取貨機制存在著很大的時間成本，一次取貨要是花費數分鐘在找貨，那長久下來會造成大量時間的消耗，因此為了提高領或效率，我們設計了一台裝置來減少取貨的過程之中，因人為造成的時間耗損，並降低領錯貨物的可能性。 而我們也可以依據存放貨物種類及應用方式而改造，製作出適合不同物品的存取裝置，像是用於書籍的存放，讓使用者可以自行借閱或歸還，藉由改造裝置，普及於各種類型貨物的存放，為我們的生活增加便利性。 除了擴大使用方式，增添提領貨物的提示，為貨物增設設定，關於提升整體實用性的部分也有待我們進行更進一步的探討。

本研究旨在透過自行撰寫程式，探討人群如何盡快脫離狹小空間，主要模擬個體所受的各種吸引力與排斥力、設立衝突處理規則，分析疏散效率並比較優劣。經過測試得知減少鑽空行為、排斥人群、略為排斥牆壁或障礙、不失自身判斷追隨他人足跡，有利整體疏散。另外，若人群出現移動模式異於他人的少數者，將不利整體疏散，但少數者人數不多下，愛好爭搶、鑽入空隙、較不排斥人群有助其個體疏散。 無論是否將疏散場域外廣場人群移動納入考慮，角落出口疏散效率皆較邊上優，且出口個數呈邊際效益遞減。但廣場中人群若步行六步內便停下休息，將導致邊上廣場入口堵塞。最後，逃離疏散場域後即往廣場邊界者，疏散效率表現相當於在廣場步行十步便佇足休息。

In this project, we evaluate the effectiveness of Random Shuffling in the Cross Lingual Information Retrieval (CLIR) process. We extended the monolingual Word2Vec model to a multilingual one via the random shuffling process. We then evaluate the cross-lingual word embeddings (CLE) in terms of retrieving parallel sentences, whereby the query sentence is in a source language and the parallel sentence is in some targeted language. Our experiments on three language pairs showed that models trained on a randomly shuffled dataset outperforms randomly initialized word embeddings substantially despite its simplicity. We also explored Smart Shuffling, a more sophisticated CLIR technique which makes use of word alignment and bilingual dictionaries to guide the shuffling process, making preliminary comparisons between the two. Due to the complexity of the implementation and unavailability of open source codes, we defer experimental comparisons to future work.

近年來由於電腦視覺的蓬勃發展，物件辨識模型被廣泛運用在生活中，例如自動駕駛、醫療影像、農作物檢測等等。對於要在戶外運作的模型，由於檢測物體的背景會隨著時間、地點、季節、光照強弱等因素不斷改變，通常需要大量且多元的資料才能避免模型過擬和，然而取得多元的資料需要花費大量的人力與時間在收集以及為這些新資料標籤。 本研究利用影像風格轉換模型作為資料增強的方法，將於晴天拍攝的街景圖轉成夜晚及雨天，使原本只有晴天的資料集有更多元的資料。結果證實使用風格轉換模型生成的影像訓練的物件辨識模型的準確率在某些情況下有顯著的提升。此方法的優點在於能夠快速產生多樣風格的資料，由於是對影像的風格做轉換，影像的內容沒有改變，因此能夠沿用原有的標籤，同時節省了蒐集及為新影像標籤的人力及時間。

本研究針對學習圖論演算法的需求，設計一套使用者友善的繪圖軟體Graphene。Graphene繪圖程式除了提供高可讀性的繪製結果，作為輔助繪圖的工具外，也可直接輸入競賽題目的文字格式測試資料產生繪圖結果，並結合現有繪圖演算法，改善、優化樹與類樹圖的繪製結果。此外，也加入時間軸、自訂外觀、參數調整、匯出圖片等功能，幫助學習者理解圖論演算法，亦可幫助教師製作教材，有助於圖論演算法教學。 Graphene採用的繪圖演算法以force-directed graph drawing演算法為基礎，實作節點的分布。然而初始的節點分布會影響繪圖結果，因此我們利用biconnected component、block-cut tree等圖論結構對圖的繪製進行優化。首先找出圖的biconnected component及關節點，重新定義block-cut tree裡的block，接著利用radial tree的布局方式配置每個block，再套用force-directed graph drawing演算法，得到最後的布局結果。如此可以減少不同block之間的交錯，得到較佳的結果。

網路上常常會使用驗證碼(CAPTCHA)防止自動化程序取得網站資源，而一般而言，若驗證碼是可以輕易取得，十分容易被深度學習網路破解。然而，對抗式攻擊(adversarial attack)可以騙過許多深度學習網路。因此，本研究目的為建立能夠破解對抗式攻擊的深度學習網路。主要包含三個部分：建立Captcha breaker、使用對抗式攻擊影響breaker、防禦對抗式攻擊。Captcha breaker的部份使用模擬的目標驗證碼作為訓練資料，以解決訓練資料不足以及人工標籤的問題；而破解adversarial attack會使用adversarial training以及random noising的技術進行。

本研究以廢棄的蚵殼和回收紙作為研究材料，先將鍛燒後的蚵粉溶於水後，噴灑於手機螢幕與電腦鍵盤，並利用ATP生物冷光儀檢測微生物的殘存量，研究發現10ppm與100ppm濃度的自製蚵粉水在手機與鍵盤皆可達98.14%與96.08%以上的殺菌效果。之後再將自製蚵粉水與市售蚵粉水、自製文蛤粉水、水，在門把上做殺菌效果的比較，結果顯示殺菌效果最佳的是100ppm的自製蚵粉水，可達93.23%以上的殺菌效果。接著利用回收紙製作環保鞋墊，並加入自製蚵粉，用以探討加入自製蚵粉後的鞋墊中是否具有抑菌的效果，結果顯示加入5公克自製蚵粉微生物最佳可達89.5%的殺菌效果。

遠距醫療及自我健康檢測在最近幾年逐漸崛起，其講求利用大眾化的工具即可掌握醫療知識與自我健康監測，並透過大數據分析及人工智慧技術，協助醫師與病患進行更有效的治療，但目前中醫在這方面的研究不多，與影像辨識相關的也只有舌診。目前對於手掌的研究多半止步於身分辨識，因此手診還需中醫師切脈或檢查。 本研究作品旨在發展自動手診方法，提供民眾自我健康監測。利用兩種方式1.整張手的CNN圖像分類 2.用YOLO物件偵測進行掌中的特徵點抓取，使其能分辨肝掌、富貴手、蜘蛛痣、汗皰疹、無症狀，最後，並將模型與手機APP結合。

在生成性模型(Generative Models)中的一個主要應用就是“影像修復” (Image Inpainting) 也稱為“影像完成”(Image completion)。 影像修復經常被應用於許多影像處理，包含在生活照片中移除背景不必要的物件再回填移除後缺損的影像。 但是，或許之前的研究較多著墨於技術而非美學，至目前為止，很少有影像修復的研究著重於藝術作品的重建應用。 所以，本研究計畫提出三個新的模型來針對藝術作品做更優化的影像修復，以達到較一般處理日常照片所使用的如Places2 和ImageNet等影像修復技術在視覺上更為自然逼真的處理： 第一種模型是PConv (Partial Convolutions)，它利用部分旋積(partial convolution) 來避免一般由於遮蔽區域中畫素起始值設定而常見的影像模糊問題。 第二種模型是GLCIC (Globally and Locally Consistent Image Completion)，是一種以GAN (Generative Adversarial Network) 為基礎，進一步在全域鑑別器 (global discriminator) 之上，再建構一個區域性鑑別器(local discriminator)，以確保在整體畫面與細部畫面的合理與一致性的方法。 最後一個模型是一個在本研究中所提出的全新、整合性的模型–PConv-GAN。 在這個創新的模型中，我們將GLCIC模型中常用於旋積過程中”補零”(zero padding) 的手法，以PConv模型中部分旋積的方式來取代。最後我們會利用一系列的印象派畫作為例，以L1 loss 和PSNR (peak signal-to-noise ratio) 兩種方法來評估這三個模型。

本研究利用影像風格轉換模型作為資料增強的方法，將原始資料集中的影像轉換成不同風格，以增加訓練資料的多樣性。為了驗證使用此方法的有效性，本研究進行了兩個領域的實驗，分別是：(1)物件辨識模型在不同天氣時間的街景圖上的表現，(2)胃腸癌中的腫瘤檢測模型在不同染色結果的組織圖上的表現。結果證實使用風格轉換模型生成的影像訓練的模型的準確率在某些情況下有顯著的提升。此方法的優點在於能夠快速產生多樣風格的資料，由於是對影像的風格做轉換，影像的內容沒有改變，因此能夠沿用原有的標籤，同時節省了蒐集及為新影像標籤的人力及時間。

『程式解題系統』是提供不同難易的題目給學習程式設計者使用的系統，主要透過測試資料來驗證程式碼的正確性和效能姓。然而，這類系統大多為私人用。台灣著名的程式解題系統有台中女中程式解題系統及高中生解題系統(Zero Judge)等，題目雖然繁多卻分類雜亂，不能讓教師客製化題目給學生，只能從眾多題目中，零散的挑出適合學生的題目，給學生練習。基於以上理由，此研究目的是做出不同於一般程式解題系統的功能，希望能讓教師彈性增刪題目。使用Python為基礎語言，後端採用Django框架，已經架構出系統的原型，並上架至Heroku(zeaf.herokuapp.com)。希望循序漸進地讓學習者有成就感，也讓教師能監督每一個學生學習狀況。

本研究旨在利用深度學習實作改變字體風格的模型，試圖讓生活中處處可見的文字變得活潑、生動，並省去許多設計字體所需的時間、精力。我們利用了風格矩陣、對抗式生成網絡(GAN)等概念設計了3種模型，並在實際運行後進行分析與比較。 VGG模型運用了卷積神經網絡的概念，擷取特徵以生成風格矩陣並將其進行字體風格轉換。Bicycle-GAN模型結合了Conditional GAN和VAE的優點，能夠生成多樣風格的字體。Zi2Zi模型則是在pix2pix的方法改進部分缺點，能讓生成的字體更逼真，且具有顯著的成效。 經過多次的嘗試和失敗經驗，我們發現VGG、Bicycle-GAN、Zi2Zi，3種模型在字體風格轉換上具有相當的潛力，在經過適當的後處理之後，能夠在耗費少量時間和樣本的情況下，生成實際套用在電腦中的個人化字體。