Browsing by Author "Wang Tsaipei"

Now showing 1 - 7 of 7

使用AHA-17心臟模型進行電腦斷層影像中冠狀動脈自動標記與追蹤之研究
(2015)
王才沛
;
Wang Tsaipei
;
國立交通大學資訊工程學系（所）
使用基於樣本之雛型的面叢集演算法以及其在電腦視覺之應用的研究
(2007)
王才沛
;
Wang Tsaipei
;
國立交通大學資訊工程學系(所)
根據模糊C 均值(FCM) 或可能性C 均值(PCM) 的面叢集法(shell clustering) 曾被建議可以使用在物件與形狀偵測。它的優點包括收斂速度快，對記憶體需求低，以及對資料誤差與不完美邊界有較高的容忍度。然而其現有的應用也受限於已有的演算法，而只被用來偵測具有二次曲線或曲面特徵的物件。由於絕大部份的物件並不具有二次曲線的形狀，一個有效率的、可以使用由任意形狀的樣本定義的叢集雛型的面叢集法，將會是面叢集法能否有更廣的應用的關鍵。這個計畫的目標是發展一個使用根據樣本定義的叢集雛型的面叢集法，並對其效能做有系統的分析。我們的重心是在於使用二維資料的面叢集法，而物件與形狀的偵測是預設的應用。我們將發展一個一直缺乏的，能夠有系統的分析面叢集法效能的評估架構，來幫助我們瞭解面叢集法的各種實作方式的優缺點。我們也已經初步成功實作了基於FCM 與PCM，但使用由樣本定義的叢集雛型的面叢集法。以這個現有的演算法為基礎，我們將發展合適的強韌叢集法，來降低叢集結果對未知叢集總數、資料誤差度、離群值比例、以及初始叢集雛型參數的敏感度。我們也將實作與分析數個預期可以增進其功能、效率、與實用性的延伸演算法。
使用蒙地卡羅樹狀搜尋技術於模擬賽車遊戲中學習超車與阻擋行為
(2014)
王才沛
;
Wang Tsaipei
;
國立交通大學資訊工程學系（所）
利用叢集演算法與叢集整合分析視訊中人物與地點之研究
(2012)
王才沛
;
Wang Tsaipei
;
國立交通大學資訊工程學系（所）
本計畫的主要目標是利用叢集演算法進行視訊內容的分析，尤其是在視訊中辨認出主要的人物與地點。一個直接的應用是以所找到的人物與地點作為視訊索引的根據，讓使用者可以利用這些資訊快速的找到有興趣的視訊內容。本計畫的成果亦可對視訊內容分析的未來研究有許多幫助，包括分析人物關係，利用人物與地點資訊產生更語意的視訊內容描述，以及作為更進一步與語音分析或動作分析的結合的基礎。在本計畫中，我們會建立一組經人工標記的測試資料組，包括電影、電視影集、以及使用者自行拍攝的視訊內容。針對人物與地點的分群，我們將分析許多因素對分群結果的影響，包括臉部姿態、衣物色彩、畫面的前景/背景分割、各種計算串列（人物或地點）間相似度的方法、以及不同的相關性資料叢集法。除此之外，我們也會針對叢集整合在人物與地點的分群的應用進行分析。叢集整合與一般叢集演算法相較，具有新穎性與強韌性等優點。我們將實作兩種不同的叢集整合演算法並比較其結果。
基於證據累加的叢集整合技術之強韌化與功能延伸
(2009)
王才沛
;
Wang Tsaipei
;
國立交通大學資訊工程學系(所)
叢集化是一個可以在沒有分類資訊的資料當中，將相關的資料點區分成叢集的方法。叢集化演算法的種類很多，但並沒有一個方法可以對所有的資料與叢集性質都產生好的結果。叢集整合(cluster ensemble) 技術是近年的一個新趨勢，其做法是對同一組資料產生多個不同的叢集化結果，再結合這些個別結果來產生一個具有共識的、更穩定也更能代表實際資料分佈的分群。叢集整合的優點最近已逐漸被證實，也有愈來愈多的應用出現在不同的領域。這個二年期計畫的整體目標是以證據累加叢集法(evidence-accumulation clustering) --也就是基於co-association 矩陣的叢集整合方法--為基礎，研討改善其強韌性與延伸其應用範圍的方法。一方面，我們將證據累加叢集法與強韌叢集法做結合來改進其應用到雜訊環境與未知叢集數量的問題時的效能。另一分面，我們也將叢集整合應用到有特定叢集形狀的問題，以利用叢集整合的優點於使用叢集演算法偵測線段叢集、面叢集、以及主曲線的演算法，以改善其結果。我們預期這些研究成果將對發展叢集整合的應用有明顯的貢獻。
基於證據累加的叢集整合技術之強韌化與功能延伸(II)
(2010)
王才沛
;
Wang Tsaipei
;
國立交通大學資訊工程學系（所）
叢集化是一個可以在沒有分類資訊的資料當中，將相關的資料點區分成叢集的方法。叢集化演算法的種類很多，但並沒有一個方法可以對所有的資料與叢集性質都產生好的結果。叢集整合(cluster ensemble) 技術是近年的一個新趨勢，其做法是對同一組資料產生多個不同的叢集化結果，再結合這些個別結果來產生一個具有共識的、更穩定也更能代表實際資料分佈的分群。叢集整合的優點最近已逐漸被證實，也有愈來愈多的應用出現在不同的領域。本計畫是我們執行中的國科會專題計畫（編號：98-2221-E-009-146-；題目：基於證據累加的叢集整合技術之強韌化與功能延伸；期間：98 年8 月1 日至99 年7 月31 日）的延續性計畫。這個計畫的整體目標是以證據累加叢集法(evidence-accumulation clustering) --也就是基於co-association 矩陣的叢集整合方法--為基礎，研討改善其強韌性與延伸其應用範圍的方法。本計畫的主要目標有兩項：（一）Co-association 矩陣的主要限制及其運算複雜度。我們要利用co-association 矩陣的資訊重複性，發展降低運算複雜度的方法，而提升其實用性。（二）我們將叢集整合應用到有特定叢集形狀的問題，以利用叢集整合的優點於使用叢集演算法偵測線段叢集、面叢集、以及主曲線的演算法，以改善其結果。我們預期這些研究成果將對發展叢集整合的應用有明顯的貢獻。
模擬賽車遊戲中玩家駕駛行為之分析、建模、與模仿技術
(2013)
王才沛
;
Wang Tsaipei
;
國立交通大學資訊工程學系（所）