目的：在台灣，胰臟癌雖非癌症發生數最高，但85%為末期，五年存活率小於5%，有癌王之稱。如何早期偵測胰臟癌風險，一直是醫療上的重大議題。本研究運用時間矩陣搭配深度學習進行大量變數之胰臟癌風險偵測。 方法：健保資料庫收集國人疾病、用藥等結構化資料，可藉此反映每人健康狀態。將三年內診斷與藥物碼轉為時間矩陣，以卷積神經網路訓練，訓練組與測試組比例為9:1。 結果：共計案例組1095名及對照組10950名，訓練後測試組表現之AUROC(area under the receiver operating characteristiccurve)為0.937，六十歲以上及以下AUROC分別為0.846及0.897。 結論：結論：能將診斷、藥物、時間轉成矩陣，是以疾病軌跡預測胰臟癌風險，且能找到新特徵，未來搭配健康存摺，為低成本、快速、大量的胰臟癌數位快篩。

本研究目標旨在完成多人合奏、原音重現的自製樂器，透過Arduino作為傳遞訊號的中介，並以電腦對應輸出不同樂器的實際音色。在系統架構上，我們利用Arduino的類比訊號，讀取電壓值轉換成字串對應音階，實際錄製我們想要的樂音建立音源資料庫，以視覺化圖形輔助音階表現，隨時對設備進行調整，完成撥放系統的模組。實驗過程中，我們測試了兩個世代的訊號傳輸系統，最終以分壓原理為知識架構，焊接可變電阻，形成有效、穩定的訊號傳輸。其次，以生活上的紙箱素材、Cat6雙絞銅線、鋁箔紙自製耐受恢復力高、導電性高的琴鍵結構。最終，透過以上的研究歷程製作出虛實整合的電音樂團(BAND)。

本作品的特色是以Arduino微處理器為核心，利用開源軟、硬體，自製一個電腦數值控制系統的保麗龍自動切割機。使用者只要先以繪圖軟體Inkscape製作出切割路徑的G-Code程式，再以Universal Gcode Sender軟體將程式傳送至控制器，系統即會自動控制步進馬達，將所需切割之圖形自動、快速的切割完成。

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。

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。

1.手機及筆電已成不可或缺生活用品。但，若其充電器如果充電時間太久，可能會因為本身過熱而造成充電完畢要取回時，造成手部的燙傷。因為有此生活經驗，想改善充電器等高溫設備的散熱。 2.本研究探討電腦CPU上如果加上致冷晶片，如何加速散熱，增加使用安全外也進而提高電腦效能。 3.以電腦主機為實驗的操作器材，探究研發該散熱系統，並做為以後其他需要散熱的結構基礎，作為加速散熱的要件。目前致冷晶片在兩面溫差超越20°C時，可以使致冷晶片產生電能，接上微型馬達後，得以驅動，並產生對流散熱。 4.目前有關致冷晶片的實驗中，多數是使用致冷晶片和帕爾帖效應的關係，以通入電能使晶片兩面產生溫差。而本研究將採賽貝克效應做基礎，來探討新式散熱解決方案，使CPU產生的熱轉換成可以驅動微型馬達的電能。

本研究的腦波辨識基於特徵提取，可應用於身分認證，具有不能被仿冒的優點。我們用低成本高便利性的腦波儀，自行撰寫程式讀取原始腦波，建立一致性的實驗程序。首先用腦波專心度的高低來控制智能車，再用腦波來測謊，有隱藏說謊行為時會觸發高電位腦波，在兩項前期研究後發現可用腦波特徵進行身分認證。三位受測者於不同日期提取10份腦波，每份腦波紀錄5120筆數據。接著我們反覆嘗試組合數十種統計函數進行特徵提取，找到兩項最佳特徵，達成將大量凌亂腦波資料降低維度又具有辨識力。我們腦波辨識分類方法使用近鄰演算法，測試程序用盲測交叉驗證法，辨識正確率百分百。最後我們用Arduino板來展示腦波辨識應用於腦波身分認證，資料庫中只要儲存每位受測者的腦波特徵值，就能在數秒內正確辨識說出受測者身分，顯示每個人腦波是不同的，而且能用特徵將其分辨出來。

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。

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。

According to CNN Indonesia 2020, the demand for e-Commerce in Indonesia has nearly doubled during this pandemic. This surge in demand calls for a time-efficient method for warehouse order-picking. One approach to achieve that goal is by incorporating automation in their warehouse systems. Globally, the market of warehouse robotics is expected to reach 12.6 billion USD by 2027 (Data Bridge Market Research, 2020). In this research, the warehouse system studied would utilize AMR (Autonomous Mobile Robots) to lift and deliver movable shelf units to the packing station where workers are at. This research designed a heuristic algorithm called A.N.T.s (Algorithm for Navigating Traffic System) to conduct task assigning and pathfinding for AMR in the automated warehouse. The warehouse layout was drawn as a two-dimensional map in grids. When an order is placed, A.N.T.s would assign the task to a robot that would require the least amount of time to reach the target shelf. A.N.T.s then conducted pathfinding heuristically using Manhattan Distance. A.N.T.s would help the robot to navigate its way to the target shelf unit, lift the shelf and bring it to the designated packing station. A.N.T.s algorithm was tested in various warehouse layouts and with a varying number of AMRs. Comparison against the commonly used Djikstra’s algorithm was also conducted (Shaikh and Dhale, 2013). Results show that the proposed A.N.T.s algorithm could execute 100 orders in a 27x23 layout with five robots 9.96 times faster than Dijkstra with no collisions. The algorithm is also shown to be able to help assign tasks to robots and help them find short paths to navigate their ways to the shelf units and packing stations. A.N.T.s could navigate traffic to avoid deadlocks and collisions in the warehouse with the aid of lanes and directions.

Face pose estimation has many possible applications, ranging from driver attention measurement systems to applications in the metaverse, which this project will be focused on. Rather than using a more traditional landmark-to-pose method where the head pose is estimated via keypoints, our method trains a simple convolutional neural network, using the dataset 300W_LP, where the images are simply inputted into the network. The model is fitted with three fully connected layers that are linked to the each of the three Euler angles (yaw, pitch, and roll), alongside multiple loss functions, which improve the robustness of the network.

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。