臺灣博碩士論文加值系統

為了節省人力成本，簽到及打卡方式慢慢改用自動化的人臉辨識來實現，我們試著建構一個人臉辨識系統來辨識實驗室成員，其功能包含有辨識人臉、紀錄時間、紀錄人臉影像等功能，我們會收集實驗室成員的人臉數據，將其分類標示，過來將收集好的數據送進卷積神經網路訓練，訓練出來的模型具有將實驗室成員人臉分類的功能，我們可以將訓練完成的模型拿來做人臉辨識的打卡系統。

過來我們想知道哪一種增加數據的方法，能夠比較有效的提高模型的效能，我們選擇了兩種增加數據的方法，分別是直接隨機增加數據以及增加原本模型辨識錯誤的數據，用這兩種增加數據的方法分別以2000、4000、6000、8000、10000的原本數據量增加10%數據，各建立10個模型評估效能，統計結果，結果顯示，增加原本模型辨識錯誤的數據比隨機增加數據更能有效提高模型的辨識能力。

In order to save labor costs, sign-in and punch-in methods are slowly implemented using automated face recognition. We try to construct a face recognition system to identify lab members. Their functions include identifying faces, recording time, and recording face images. For other functions, we collect the face data of the lab members, classify them, and send the collected data to the convolutional neural network training. The trained model has the function of classifying the face of the lab members. The trained model can be used as a punching system for face recognition.

Come over, we want to know which method of adding data can improve the performance of the model more effectively. We have chosen two methods to increase the data, which are to directly increase the data randomly and increase the error of the original model identification. The data method increases the original data volume of 2000, 4000, 6000, 8000, and 10000 by 10%, and establishes 10 models to evaluate the performance. The statistical results show that increasing the data of the original model identification error is more than randomly increasing the data. Effectively improve the recognition ability of the model.

中文摘要 i
ABSTRACT ii
誌謝 iii
目錄 iv
表目錄 vii
圖目錄 viii
第一章 緒論 1
1.1 前言 1
1.2 研究動機 2
1.3 研究目的 2
1.4 報告架構 2
第二章 深度學習 4
2.1 感知器(perceptron) 4
2.1.1 感知器原理 4
2.1.2 單純的邏輯電路 5
2.1.3 感知器的極限 8
2.1.4 多層感知器 10
2.2 神經網路(Supervised learning) 11
2.2.1 神經網路架構 11
2.2.2 神經元 12
2.2.3 活化函數 13
2.2.4 常用活化函數 15
2.2.5 輸出層 18
2.3 神經網路的學習(Unsupervised learning) 20
2.3.1 訓練資料與測試資料 20
2.3.2 損失函數 21
2.3.3 更新參數 21
2.3.4 權重的預設 25
2.3.5 過度學習 25
2.4 卷積神經網路(Convolutional Neural Network) 26
2.4.1 卷積層 27
2.4.2 池化層 30
2.4.3 CNN的視覺化 30
第三章 研究方法 35
3.1 研究環境 35
3.2 系統架構 36
3.2.1 人臉偵測(face detection) 37
3.2.2 人臉識別(face recognition) 38
3.3 建模流程 38
3.3.1 收集數據 38
3.3.2 數據分割 39
3.3.3 訓練模型 39
3.3.4 評估模型 41
3.3.5 儲存模型 42
3.4 研究流程 43
3.4.1 問題 43
3.4.2 實驗 43
第四章 研究結果 44
4.1 研究數據 44
4.2 視覺化數據 49
第五章 結論與未來展望 51
5.1 結論 51
5.2 未來展望 51
參考文獻 52

[1]Jake VanderPlas，2017，Python資料科學學習手冊，何敏煌譯，初版，歐萊禮，台灣。
[2]斎藤康毅，2017，Deep Learning：用Python進行深度學習的基礎理論實作，吳嘉芳譯，初版，歐萊禮，台灣。
[3]林大貴，2017，TensorFlow+Keras深度學習人工智慧實務應用，初版，博碩，台灣。
[4]Sebastian Raschka，2016，Python機器學習，劉立民, 吳建華譯，初版，博碩，台灣。
[5]Valentino Zocca，et al.2018，Python深度學習，劉立民等譯，初版，博碩，台灣。
[6]簡禎富、許嘉裕，2014，資料挖礦與大數據分析，初版，前程文化，台灣。
[7]阿布、胥嘉幸，2018，TensorFlow之外的好選擇，初版，佳魁資訊，台灣。
[8]鄭捷，2016，今天不學機器學習，明天就被機器取代：從Python入手+演算法，初版，佳魁資訊，台灣。
[9]鍾亞凌，2019，使用卷積神經網路同時進行人臉辨識及表情辨識，大同大學，碩士論文。
[10]陳品均，2018，人臉辨識系統實現於樹莓派之研發，南開科技大學，碩士論文。
[11]沈明訢，2017，以階層式深度卷積網路實現少樣本的人臉辨識系統，國立中央大學，碩士論文。
[12]謝宏晟，2017，結合身份與屬性特徵之人臉辨識，國立臺灣科技大學，碩士論文。
[13]陳律廷，2017，量化模糊集中二元圖樣之人臉辨識，大同大學，碩士論文。
[14]蕭育典，2017，即時影像人臉辨識系統，龍華科技大學，碩士論文。
[15]邱仲毅，2016，基於多重亮度紅外線照明之夜間車牌及人臉辨識系統，國立交通大學，碩士論文。
[16]林美伶，2016，以深度卷積神經網路做人臉辨識，國立中央大學，碩士論文。
[17]李元正，2016，以深度學習完成基於彩色及深度影像的人臉辨識，國立清華大學，碩士論文。