◎系所教育目標：
為配合國家建設及產業發展之需要，本系以培育中高級資訊科技人才為目的。在教學理念上除了注重理論的探討之外並強調實際動手的能力，以期培育出具有深厚學識基礎並能實際應用的資訊科技人才。在專業必修中涵蓋基礎理論、電腦硬體、作業系統、資料結構及計算機網路等方面，並有畢業專題製作，使學生紮實基礎，同時課程包含四個專業學程，兼顧學術及實務之分流與訓練。分別為一：軟體工程及知識工程學程、二：互動多媒體學程、三：網路及資訊安全學程、四：資訊系統開發實務學程，以期作為日後升學就業的準備。 |
| ◎核心能力 | 關聯性 |
| 1.應用數理邏輯推理之能力 | 2 關聯性稍弱 |
| 2.具備資訊軟體專業之能力 | 1 關聯性最弱 |
| 3.發掘、分析及解決問題之能力 | 3 關聯性中等 |
| 4.現代資訊發展工具之使用與熟悉資訊應用系統之能力 | 3 關聯性中等 |
| 5.資訊軟體或硬體創新設計與實作之能力 | 2 關聯性稍弱 |
◎本學科內容概述：
圖訊識別雖是很早就有的研究議題，隨訊息與通訊革命後，將接手所謂智能革命中之自動化視覺，其核心技術與知識就是圖訊識別，本課程主要教授內容是識別器所組成特徵擷取器與分類器，與傳統圖訊識別課一點不同就是因應: 環境限制、應用範圍、成本要求與使用族群差異下，來探討特徵之擷取與分類器之選取。讓修課同學不只了解圖訊識別等演算法，也讓他們多少知道工程師研發商品時、所需要之系統分析與實務。 |
◎本學科教學內容大綱：
主要 1 機率學之貝氏理論、數值分析之LMS建立回歸函數、數位訊號處理之濾波器與內外差方法、影像處理之影像強化和偵測、物件切割演算法(如region-based、edge-based, mean-shift、energy-cut segmentations and so forth)等 2 K-NN, K-mean (ISO-data) Ostu等基本型分類器介紹
2.1由線性代數了解基底轉換與Eigen vectors基底與主軸分析(principal component analysis, PCA)
2.2 PCA特徵, HOG特徵,Scale-invariant feature transform (SIFT)特徵等介紹等; 3 由 Eigen vector之PCA(principal component analysis)-到LDA (linear discrimination analysis)-到SVM支援向量機 (support vector machine),
traditional neural network說明 了解分類器和辨識器演化 4 相關深度學習網路之數位訊號濾波器與數值分析介紹;
深度學習網路骨幹介紹: residual, recurrent, inception, high-resolution backbones |
◎本學科學習目標：
圖訊識別雖是很早就有的研究議題，隨訊息與通訊革命後，將接手所謂智能革命中之自動化視覺，其核心技術與知識就是圖訊識別，本課程主要教授內容是識別器所組成特徵擷取器與分類器，與傳統圖訊識別課一點不同就是因應: 環境限制、應用範圍、成本要求與使用族群差異下，來探討特徵之擷取與分類器之選取。讓修課同學不只了解圖訊識別等演算法，也讓他們多少知道工程師研發商品時、所需要之系統分析與實務。 |
| ◎教學進度： |
| 週次 | 主題 | 教學內容 | 教學方法 |
01
02/21 | 圖訊辨識系統介紹 | 圖訊辨識系統所需要處理器 | 講授。 |
02
02/28 | 圖訊辨識系統之前處理 | 相關圖訊辨識之前數位訊號與影像處理處理 | 講授。 |
03
03/06 | 特徵向量之擷取 | 影像/視訊各式可用特徵擷取、特徵自由度分析 | 講授。 |
04
03/13 | 特徵向量之分析 | 影像/視訊各式可用特徵等效能之分析 | 講授。 |
05
03/20 | 支援圖訊辨識之統計或數學: | 機率學之貝氏理論、數值分析之LMS建立回歸函數、數位訊號處理之濾波器與內外差方法、影像處理之影像強化和偵測、物件切割演算法(如region-based、edge-based, mean-shift、energy-cut segmentations and so forth)等 | 講授。 |
06
03/27 | 支援圖訊辨識之統計或數學: | 機率學之貝氏理論、數值分析之LMS建立回歸函數、數位訊號處理之濾波器與內外差方法、影像處理之影像強化和偵測、物件切割演算法(如region-based、edge-based, mean-shift、energy-cut segmentations and so forth)等 | 講授。 |
07
04/03 | 1 支援圖訊辨識之統計或數學:
2 小考I (找夜間3hrs時段) | 1 機率學之貝氏理論、數值分析之LMS建立回歸函數、數位訊號處理之濾波器與內外差方法、影像處理之影像強化和偵測、物件切割演算法(如region-based、edge-based, mean-shift、energy-cut segmentations and so forth)等
2 小考I (找夜間3hrs時段) | 講授、找夜間3hrs 時段考試。 |
08
04/10 | 支援圖訊辨識之統計或數學: | 機率學之貝氏理論、數值分析之LMS建立回歸函數、數位訊號處理之濾波器與內外差方法、影像處理之影像強化和偵測、物件切割演算法(如region-based、edge-based, mean-shift、energy-cut segmentations and so forth)等 | 講授。 |
09
04/17 | 1 分類器 I
2 主軸分析,基底轉換與特徵擷取 | 1 K-NN, K-mean (ISO-data) Ostu等基本型分類器介紹
2.1由線性代數了解基底轉換與Eigen vectors基底與主軸分析(principal component analysis, PCA)
2.2 PCA特徵, HOG特徵,Scale-invariant feature transform (SIFT)特徵等介紹等; | 講授。 |
10
04/24 | 分類器 II | 由 Eigen vector之PCA(principal component analysis)-到LDA (linear discrimination analysis)-到SVM支援向量機 (support vector machine),
traditional neural network說明
了解分類器和辨識器演化 | 講授。 |
11
05/01 | 小考I | 小考I (找夜間3hrs) | 考試。 |
12
05/08 | 深度學習網路之基礎論述 | convolution功能原理與扮演作用;相對傳統影像訊號處理方法, 以深度學習網路處理影像訊號優勢的說明 | 講授。 |
13
05/15 | 深度學習網路 | 深度學習網路骨幹之訓練學習運用, 與各種loss functions研究說明 | 講授。 |
14
05/22 | 深度學習網路 | 相關深度學習網路之數位訊號濾波器與數值分析介紹;
深度學習網路骨幹介紹: residual, recurrent, inception, high-resolution backbones etc | 講授、討論。 |
15
05/29 | 前瞻深度學習網路 | Transformer, GAN and Diffusion 深度學習網路骨幹介紹之 案例分析與與應用評論 | 講授。 |
16
06/05 | 前瞻深度學習網路 | 前瞻深度學習網路如生成式AI | 期末考。 |
17
06/12 | 深度學習網路之發展 (extra: 視實際需要才上課) | 深度學習網路應用與發展之交流 | 討論。 |
18
06/19 | 期末考 | 深度學習網路應用與發展之交流 | 討論。 |
◎課程要求：
有基礎邏輯與系統概念 |
◎成績考核
課堂參與討論20% : 到課率，上課態度
小考20%
期中考20%
期末考20%
口頭報告20% : 討論分數或實作回饋(為同學專題找題目鋪路)分數
補充說明：1 課堂參與討論分數:主要對應著"點名分數"
上課盯著手機玩手機 經提醒一次後, 就開始扣分
2 討論實作有回饋分數,例如用生成式ChapGPT回饋上台報告 |
◎參考書目與學習資源
為智慧顯示元件與影音互動教學聯盟計畫開發之自製教材 |
| ◎教材講義 請改以帳號登入校務系統選擇全校課程查詢方能查看教材講義 |