本研究旨在發展一套可限制特徵之人臉生成器，能依據目擊者對嫌犯的特徵描述，使用真實人臉照片進行特徵生成，以生成嫌犯臉孔。本研究以生成對抗網路為中心，配合選擇性傳輸單元、編碼器與解碼器結構，發展出五官、毛髮、飾品、整體形象四大類別，共有40個特徵生成編輯種類。搭配友善的圖形使用者介面，讓使用者可將已相關度篩選後之真實人臉資料庫或是另行輸入之照片，因應不同的嫌犯臉孔描繪需求情境，對該圖片臉孔進行指定特徵之生成編輯。此技術除了可輔助刑案目擊者回憶嫌犯臉孔特徵，亦可應用於眼鏡業、醫學美容、美髮業等領域。

做研究時，經常需要閱讀多篇長篇論文，如何快速理解並歸納重點是影響效率收益的關鍵任務。針對此問題本研究運用深度學習配合其他程式算法輔助。將整個問題拆解成三個主要部分：模型處理、結構剖析、心智圖輸出，模型處理的部分我們訓練了三種不同的Seq2seq模型實現文本摘要，分別使用LSTM、BERT、ALBERT、比較並選擇綜合效益最好的模型；而負責拆解論文的結構剖析系統，則利用論文目錄分解整份論文，最後，心智圖輸出系統則整合剖析系統與模型結果，再調用Xmind API去生成架構清晰易讀易理解的論文心智圖。

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。

新冠肺炎疫情期間，拍攝不少戴口罩的照片，但人們希望能保留未戴口罩照片，為了解決這個問題，本研究建構人臉口罩去除系統，給予無口罩覆蓋的來源圖片作為參考，透過擷取人臉和口罩輪廓的特徵點，進行人臉置換、圖像填補與色彩優化等步驟，對於戴口罩圖片的口罩區域進行人臉復原。 本研究透過校正戴口罩人臉特徵點的誤差，設計改良演算法精準地偵測口罩區域，利用輪廓偵測演算法擷取口罩輪廓特徵點框出區域，將來源圖片的對應區域置換到戴口罩圖片上，並使用圖像填補技術修復填補口罩置換後的殘影，再對圖片置換的拼接處進行色彩優化，讓整體臉部膚色具一致性，經成效評估驗證，成功自然地將戴口罩圖片復原為未戴口罩的真實樣貌。

對視障者而言，一般人習以為常的行走也變得十分困難，本研究希望透過電腦視覺充當他們的靈魂之窗，提供視障者更友善且能夠提升交通安全的輔助裝置。本研究使用樹莓派搭配網路攝影機與光達感測器接收影像與距離資料，將資料傳至伺服器後利用物件辨識演算法辨識障礙物種類，並辨識結果與距離回傳至樹莓派，當前方出現障礙物時，裝置能透過耳機即時發出警示音告知使用者。本研究也透過雲端減輕裝置運算負擔以達成減少耗能及縮小裝置體積的目標，讓裝置能夠像眼鏡一樣讓使用者得以辨識前方物體的種類與距離，輔助視障者避開行走路徑中的危險，進一步保障使用者的安全。

本研究設計一個可以感測容量及感應開闔的垃圾桶，透過雲端接受各地垃圾桶的容量及使用狀態，回傳到中央戰情室統整訊息以編派人力進行回收，提高回收服務及效率。利用超音波模組感測到有人接近時驅動伺服馬達打開垃圾桶，以非接觸的方式讓使用者可以丟垃圾或回收物，另外於桶內放置超音波偵測容量，用紅藍綠三色LED顯示使用容量，桶滿的時候可控制不打開蓋子。垃圾桶的資訊會透過ESP8266 WiFi模組，利用MQTT通訊協定傳送到Node-Red建立即時的戰情室中央監控，用Line Bot發出即時訊息通知工作人員，整合的雲端物聯網系統，可以得知各個垃圾桶的狀況，達到減少人力成本及即時管理垃圾及回收物達到環境整潔並提高服務品質的目的。

本研究旨在運用自然語言處理技術，建立辨識惡意程式的模型。首先搜集良性及惡意執行檔，進行反組譯及前處理以建立資料集。使用反組譯後的組合語言檔作為文本，訓練模型以區分良性和惡意程式。研究比較詞袋模型、序列模型、fastText以及不同n-gram對模型的影響，並將結果與其他相似研究比較。 研究結果顯示。詞袋模型以使用multi-hot編碼表現最佳，序列模型有位置編碼的Transformer encoder表現最優。在不同n-gram的比較，2-gram詞袋模型識別惡意程式達到99.6%的F1-score，且本研究的識別準確率優於其他相似研究。

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。

有鑑於高中選修化學相當困難，因此我們製作了一款有助於提升化學能力的遊戲。玩家必須活用沉澱表及化學來通過遊戲。蒐集離子球、並且按照要求合成出沉澱物或是酸鹼，來擊潰敵軍和敵方堡壘。 該遊戲是藉由網頁去宣傳的，因此我們需要一個平台去發布此遊戲，選擇了netlify這個平台。其中我們前端使用了三大前端程式，HTML、CSS、JavaScript，後端則利用Google試算表搭配Google APP Script去收集遊戲數據。最後，我們再利用AI演算法中的類神經網路分析，透過交叉比對找到玩家最有可能的成長結果。

本研究希冀提供學生另一種程式的學習方式，減少學生對於程式的排斥感，同時亦能讓學生在學寫程式之前，先訓練其溝通能力，使其說話較具邏輯性的結構，如此一來將能更有效的表達其所要陳述的事件，我們自行開發一套軟體系統，可經由口語的方式與電腦溝通，同時電腦經過關鍵詞的辨識後，能更精準的透過推薦演算推出幾種可能的目標事件，透過選擇的方式，一步步引導使用者完成其想要達到的動作，最終目標是透過這個軟體自動產生程式碼，如此一來將可減少學生對於程式學習的恐慌，提高學生對於程式設計的學習成就，同時，請老師利用我們自行開發的程式學習輔助軟體實際教學後進行問卷調查，亦有超過百分之64的同學認為，這樣的軟體使他們對於程式學習更感興趣，也提升他們撰寫程式的成功率。