目前網路上流傳許多使用人工智慧修復照片的網站或應用軟體。然而，由於這些訓練資料多數來自國外，導致修復台灣「本地」照片的效果欠佳。此外，許多老舊照片因氧化、潮濕而泛黃，使得修復程序比起修復純黑白相片更加困難。因此，本研究旨在建立一個專門修復本地照片的機器學習模型，主要分為以下三個部分：首先，使用機器學習模型對老舊照片進行修復，包括著色、去模糊化和降噪；其次，分析使用不同比例之有色調照片(模擬泛黃照片)訓練模型的效果；最後，研究不同的修復順序(著色、去模糊化、降噪)和模型執行次數對照片修復效果的影響，發現「著色、去噪、去模糊化」的順序修復效果最佳。

小提琴主要是由琴弓帶動琴弦使提琴透過音柱與音箱振動而發出聲音，而琴身、琴橋、琴弦、拉弦板、肩墊、松香……等，這些因素都可能影響提琴的「音色」，但是多數人，是很難用耳朵聽出「音色的差異」，因為聲音既看不到也摸不著，所以希望透過傅立葉電腦軟體Audacity，來分析聲音的『頻譜圖』，用科學化的證據，讓非音樂專業人士，也能「看」到音色的差異，並利用頻譜圖與聲響學理論說明音色的奧妙，讓喜歡音樂的我們，找到適合的小提琴，也讓初學者或演奏者更容易找到合適的琴。 在關於小提琴音色的實驗裡，影響小提琴音色表現最主要的因素是松香和琴弦。我希望將松香與琴弦所產生的音色用科學方法分析，建立資料庫，讓演奏者很快找到適合的松香或琴弦。

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.

平常聽音樂時經常有種似曾相識的感覺。為了描述這種感覺，我們展開了複音音樂片段相似性度量的研究。因為曾經使用過最長公共子序列實作卻效果不如預期，我們將音樂片段正規化後，視為座標平面上的時間、音高點對的集合，使用點對應與二分圖匹配的方法，定義兩個複音音樂片段的相似度為最大權重匹配的平均邊權。我們計算了資料集(JKUPDD)中相同、相異的音樂片段的相似性，調整算法中的參數，找出最適合的參數組合，並且透過音符之間的權重，畫出自相似度矩陣，發現樂曲中的重複片段。

鐵路時刻表排點至今為止仍十分仰賴人工作業，且排班優劣對於乘客服務品質有顯著影響。本研究採用元啟發式最佳化演算法及模擬器進行旅客列車鐵路時刻表排點，旨在找出一份針對旅客需求、提升旅客運輸成功率且降低旅途時間的時刻表。我們提出一種班表編碼機制，可依此產生班表草稿。我們研發的模擬器可將班表草稿轉換為合法無衝突之班表。最後，透過登山演算法及基因演算法來搜尋班表草稿，並以模擬器評估優劣，我們實現了一個自動化排班系統。我們也以不同的乘客測資針對於不同演算法進行比較，並試圖找出表現最好的演算法。實驗結果指出我們的模擬器能有效率產生無衝突時刻表，且所提出之演算法操作相較現行班表可提升運輸成功率和降低旅途時間。

本研究提出有關數橋謎題遊戲的程式實作辦法，我們已知數橋被證明是個NP-complete問題。我們研製出了數種解題條件與窮舉策略在演算法上的實現，並且比較了這幾種解決辦法的相對效率，再者也提出了數個NP問題的解決策略。本研究發現在進行窮舉的時候以取最小頂點值期望效率最高(表示該程式能有相對多，相對快的執行結果)。

With the introduction of the transformer architecture by Vaswani et al. (2017), contemporary Text Generation Models (TGMs) have shown incredible capabilities in generating neural text that, for humans, is nearly indistinguishable from human text (Radford et al., 2019; Zellers et al., 2019; Keskar et al., 2019). Although TGMs have many potential positive uses in writing, entertainment and software development (Solaiman et al., 2019), there is also a significant threat of these models being misused by malicious actors to generate fake news (Uchendu et al., 2020; Zellers et al., 2019), fake product reviews (Adelani et al., 2020), or extremist content (McGuffie & Newhouse, 2020). TGMs like GPT-2 generate text based on a given prompt, which limits the degree of control over the topic and sentiment of the neural text (Radford et al., 2019). However, other TGMs like GROVER and CTRL allow for greater control of the content and style of generated text, which increases its potential for misuse by malicious actors (Zellers et al., 2019; Keskar et al., 2019). Additionally, many state-of-the-art pre-trained TGMs are available freely online and can be deployed by low-skilled individuals with minimal resources (Solaiman et al., 2019). There is therefore an immediate and substantial need to develop methods that can detect misuse of TGMs on vulnerable platforms like social media or e-commerce websites. Several methods have been explored in detecting neural text. Gehrmann et al. (2019) developed the GLTR tool which highlights distributional differences in GPT-2 generated text and human text, and assists humans in identifying a piece of neural text. The other approach is to formulate the problem as a classification task to distinguish between neural text and human text and train a classifier model (henceforth a ‘detector’). Simple linear classifiers on TF-IDF vectors or topology of attention maps have also achieved moderate performance (Solaiman et al., 2019; Kushnareva et al., 2021). Zellers et al. (2019) propose a detector of GROVER generated text based on a linear classifier on top of the GROVER model and argue that the best TGMs are also the best detectors. However, later results by Uchendu et al. (2020) and Solaiman et al. (2019) show that this claim does not hold true for all TGMs. Consistent through most research thus far is that fine-tuning the BERT or RoBERTa language model for the detection task achieves state-of-the-art performance (Radford et al., 2019; Uchendu et al., 2020; Adelani et al., 2020; Fagni et al., 2021). I will therefore be focussing on attacks against a fine-tuned RoBERTa model. Although extensive research has been conducted on detecting generated text, there is a significant lack of research in adversarial attacks against such detectors (Jawahar et al., 2020). However, the present research that does exist preliminarily suggests that neural text detectors are not robust, meaning that the output can change drastically even for small changes in the text input and thus that these detectors are vulnerable to adversarial attacks (Wolff, 2020). In this paper, I extend on Wolff’s (2020) work on adversarial attacks on neural text detectors by proposing a series of attacks designed to counter detectors as well as an algorithm to optimally select for these attacks without compromising on the fluency of generated text. I do this with reference to a fine-tuned RoBERTa detector and on two datasets: (1) the GPT-2 WebText dataset (Radford et al., 2019) and (2) the Tweepfake dataset (Fagni et al., 2021). Additionally, I experiment with possible defences against these attacks, including (1) using count-based features, (2) stylometric features and (3) adversarial training.

本實驗之研究目的在找出繼光餅的最佳配方。以不同比例的麵粉、酵母粉和水溶液種類設計出三組實驗組、每組三種不同配方共7種(每組皆有一個原始配方)，找出麵粉和酵母粉及水溶液對繼光餅的影響。本研究使用電腦軟體imagej測量氣孔數量、砝碼加壓法測量其硬度及回彈度、體積置換法來測量體積的改變，以科學化數據觀察，量化紀錄資料比較繼光餅本體外型和品評口感，綜合比較結果，最後第一組實驗以高筋麵粉、第二組以五克酵母粉、第三組以鮮奶口味為本研究最喜愛的配方。最後無添加酵母粉及更改水溶液為高粱酒的繼光餅不受到大家的喜愛。

現今的大型活動，如：校慶活動、新北耶誕城等，缺乏互動性與參與感，其中原因大多是觀眾時常埋沒於手機中的社交軟體當中所導致。而我們的研究將利用此特性，探討大眾對於活動的觀點，搭配網路爬蟲抓取使用者的貼文，觀眾只需在Instagram、Twitter等社交軟體中發布文章，系統就會即時推播至活動中的大螢幕上，並且結合圖像辨識快速審核貼文，設計出一套能改善互動性低落的解決方案。研究中我們探討不同的網路爬蟲演算法、圖像辨識技術，及問卷調查等來使作品更加精進，且搭配Line Bot、後臺管理，及常駐貼文等功能來為各類大型活動量身打造，也能夠運用於政令宣導或文宣廣告等用途上，大幅提升活動的互動性與精采程度。

本研究利用蠟燭燃燒產生的碳焦，混加蘆薈及自製史萊姆開發為綠色產品~薈碳拉膜。研究中為取得碳焦，探討不同火源、吸附材質及離火焰高度對碳焦產生的影響，發現距離蠟燭火焰高度1公分處，以不鏽鋼杯底收集，可取得最多碳焦量。並以自組各種工具測試薈碳拉膜的延展性、隔熱及耐酸雨濕沉降等功能及運用電腦課所學編寫程式-程小奔進行RGB透光測試遮光效能。研究試驗出蘆薈碳焦拉膜的最佳組成比例為蘆薈：碳焦：自製史萊姆(20：0.6：10)。經與市面隔熱紙比較，蘆薈碳焦拉膜具有較佳展延性，防護酸雨濕沉降功能、遮光及隔熱能力佳，有取代化學隔熱紙的可能性，符合綠色化學節能、低毒、簡潔、可解原則，是值得推廣的綠色優質產品。

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。

本研究主要為進行安全帽改造，昔日我們常見關於汽車的盲區偵測、內輪差等先進技術皆建置於汽車上面，但實際在行車上造成災害發生的主角大部分為機車，我們閱讀相關文獻發現目前並無機車有相關技術，再者我們希望此技術可以讓騎乘機車、電動機車、電動腳踏車、腳踏車等對象皆可使用，因此我們於安全帽上裝設鏡頭及雷達感測器，透過鏡頭進行車輛物件識別，以識別車輛類型及輪距，進而以公式繪製內輪差曲線與進行盲區車輛偵測；透過雷達計算車側距離以判斷車輛是否會太靠近汽車或是落入汽車之內輪差範圍內，將以上偵測結果透過抬頭顯示方式直接投影在安全帽的面罩上，如此一來將可讓機車及腳踏車族在行車上更具安全性。