新型快速機械/電腦視覺關鍵技術開發與智能自動化多目標生物特徵辨識與追蹤模組之整合應用

基於前期之科技部計畫支持下，我們分別根據量子化學理論—密度泛函理論(Density Functional Theory, DFT)以及量子統計理論，開發出新穎的半無監督式人工智慧電腦視覺特徵辨識技術以及全自動化影像特徵增強技術。在爾後研究中，我們成功的根據DFT發展了適用於各種資料結構的理論及其在電腦視覺與邊緣計算之初步研究，因此遂將此技術稱為快速資料密度泛函轉換(fast Data Density Functional Transform, fDDFT)。由於fDDFT規範於物理法則之下，因此可將希爾伯特空間(Hilbert space)的資料結構皆視為類物理粒子，也因此造就了該方法能擁有一種自發性的自注意力且能自主學習的法則。於前期研究當中，我們發現這種自發性的自注意力學習功能，可作為腦腫瘤核磁共振影像以及多物件影像的無監督分割技術的核心模塊。因此我們將於本三年期計畫當中，除進一步開展與完備其理論架構之外，亦將其自發性的自注意力學習模塊應用於多發性的腦腫瘤分割、彩色生物醫學影像的患部辨識與分割、多物件影像的即時辨識追蹤以及多模態的高維度醫學影像的深度建模與三維重構。此外，亦由於本模塊的自注意力與自學習為輸入影像所自動觸發，因此其計算複雜度相當小。從數學結構上而言，本模塊僅為一個已經定義完備的倒數捲積核(reciprocal convolutional kernel)作用於輸入影像上，因此非常適合運用於邊緣運算(edge computing)的應用領域中。於前期研究中我們已經證實了本模塊於邊緣運算上的可實行性。因此於本三年期計畫之後期，我們將除了將本模塊持續運用在生物醫學影像的辨識、追蹤以及分割等重點生醫問題之外，我們亦將本方法嵌入低成本的微處理器中以用於智慧感測模組在生物特徵識別上之運用。我們期待能藉由這個三年期計畫，推廣這個具備自發性的自注意力且能自主學習的fDDFT方法。同時亦期待本方法可以改觀當代深度學習與電腦/機械視覺的基礎架構，並成為人工智慧領域的主要運作核心。