電腦科學與資訊工程

利用深度學習解決醫學問題一直是受矚目的研究主題。鑒於近期新冠肺炎疫情上升，有關新冠肺炎檢測的研究便成了熱門研究主題。目前，最有效的檢測方法是聚合酶連鎖反應 (PCR)，然而，PCR耗時甚久且有人為誤差。因此，以X光影像圖透過深度學習來診斷並分級是一個有效率且安全的做法。在研究中，我們利用深度學習進行疾病診斷，在五元分類上有相當高的準確率(84.91%)、在COVID-19單獨辨識時得到了極高的準確率(99.35%)、產生出疾病熱區及設計了新的分級系統( X-ray Severity Grading System , XSGS)，並將其用於嚴重程度分類，在不同分級下具有可辨別的差異。

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.

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。

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。

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.

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。

本研究企圖建構一個運用邊緣運算技術(Edge Computing)之人工智能機器人代理人(AI Agent)，並將之運用於實體人型格鬥用機器人的研究開發中。 在此以人型格鬥機器人做為場景需求使用設定目標，運用彈性化模組，加上分散式、嵌入式即時網路技術來降低系統設計的複雜度，整合通訊協議與深度學習YOLO影像演算法，進一步運用ZMP運動控制理論，以及多維感測器融合技術(sensor fusion)，融合陀螺儀(GYRO)、加速儀(accelerometer)、CMOS Sensors、FSR(Force sensing resistor)作為人形機器人智慧平衡基礎，再藉由圖形識別做為預測辨識以及智慧姿態ZMP控制技術作為攻防策略判斷。 整體系統藉由AI 晶片與嵌入式系統網路作為整合。透過網路即時傳輸環境資訊與指令，使機器人可以知道高層的指令目的資訊。值得一提的是本系統網路設計建構依照仿生哺乳類動物的分層式架構。神經系統將反射以及即時控制交由智慧代理人軟體作為即時演算與控制來達到高性能與彈性發展的需要，未來可用在高等擴充性的人形機器人使用，包括格鬥機器人，人形機器人工地建材搬運、具自平衡醫療外骨骼機器人......等，使人與機器人能並肩工作，提升人與機器人整合互動。

以將古文翻譯成白話文為初衷，以爬蟲擷取古文解譯網站「讀古詩詞網」中的大量古文及其白話翻譯作為訓練用的資料，並按照不同文體分開訓練。我們先嘗試用Bert模型做選擇題：給一句古文讓機器從四個選項中選出其翻譯。一開始隨機挑選其餘三個選項，正確率高達96%。因此我們挑戰更困難的設置，撰寫搜尋關鍵字的程式，將有與題目古文相同字的白話文放入選項。雖然準確率有些許降低，但仍高於只選重複字最多選項的結果，代表模型有發展出獨立的判定標準。選擇題成功後，我們用MT5 模型嘗試更困難的翻譯，並在訓練集中新增提供不同前後文的注釋資料幫助訓練。雖然還無法翻得非常準確，但仍在某些句子有不錯的表現。我們也發現了模型對某些特定類型字詞的翻譯有待加強，未來希望透過加強代名詞判斷訓練及持續新增注釋來增加整體翻譯能力。

『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。