深度學習 (deep learning) 或稱為卷積神經網路 (convolutional neural network, CNN) 最近幾年因顯著的效果改進而極度的熱門。雖然卷積神經網路的基礎是來自90年代的類神經網路 (artificial neuralnetwork),但因為快速硬體的推波助瀾,並且加入卷積運算,藉由學習取得最好的特徵代替傳統神經網路的人工特徵輸入,使得神經網路的分類與辨識應用變得又快又準確。2016年我們做了卷積神經網路的人臉辨識;相較於傳統的主成份分析 (principal component analysis, PCA) 之特徵臉 (Eigenface)、線性分類 (linear discrimination analysis, LDA) 的費雪臉 (Fisherface)、支援向量機 (support vectormachine, SVM)、及適應性提昇分類器 (adaptive boost, AdaBoost),卷積神經網路都有顯著的效果改進,辨識率約從 70 % 提昇到 99 %。從2001年起到現在,我們就一直很積極的從事先進駕駛輔助系統 (ADAS) 之視覺偵測與辨識技術的實務研究,其中我們完成 12 項軟體技術:1.車道偏離警示 (LDW)、2.前車碰撞警示 (FCW)、3.盲點偵測 (BSD)、4.行人碰撞警示 (PCW)、5.交通標誌/號誌偵測與辨識 (TSSR)、6.全周俯瞰監視系統(STM)、7.廣域全周俯瞰監視與偵測 (WSTD)、8.影像式停車導引 (IPG)、 9.倒車碰撞警示 (RCW)、10.影像式主動跟車偵測 (ISG)、11.自動跟隨巡航 (AFN)、及 12.昏睡偵測 (DD)。其中部份技術已技術轉移給廠商,且部份技術也已變成商用產品。在上述先進駕駛輔助系統 (ADAS) 的研究項中,我們有碰到一些偵測率一直無法改善的問題;例如,在不良天候的前車偵測、行人偵測的穩定度與可靠度、倒車障礙物的偵測、自動跟隨追蹤的穩定度、.. 等。因此才促成我們提出這一個三年期的研究計畫,擬以深度學習技術提升部份傳統先進駕駛輔助系統的偵測與辨識率。在這個計畫中,每一年都有一個卷積神經網路的技術發展項目及一個先進駕駛輔助系統的應用項目。第一年我們將發展適合台灣IC設計製造的小網路系統架構,解決擬合不足(underfitting) 與擬合過度 (overfitting) 的問題,並且應用於前車碰撞警示 (FCW) 系統上。第二年發展快速物件偵測的卷積神經網路系統,在不需要使用滑動視窗掃描整張影像下,同時提高物件偵測效果 (effect) 與速度 (performance),並且應用於行人碰撞警示 (PCW) 系統與倒車碰撞警示 (RCW) 系統上。第三年發展小樣本的物件偵測與追蹤之卷積神經網路系統,使得卷積網路可在不同環境與場景下快速轉移應用,並且應用於自動跟隨巡航 (AFN) 系統的前導者偵測與追蹤上。本研究亦將卷積神經網路系統實現在行動嵌入式平行處理器上。本研究是建立在過去的基礎及成果上,針對特定議題,發展深度卷積神經網路技術解決過去難以顯著突破的偵測與辨識問題。計畫主持人已有二十多年電腦視覺的研究經歷,且已有十多年電腦視覺技術應用在駕駛輔助系統上的經驗;更在 2008 - 2010 年間合聘到工研院機械所智慧車輛組協助先進安全車輛之視覺偵測技術的發展,並且獨自與共同獲得或申請多個電腦視覺輔助道路安全駕駛之中華民國、美國、及中國發明專利,其部份成果具備高度實用性,已被數個單位及公司選用於發展產品。在 2015 年,我們與台積電合作研究深度學習在顯微影像 (scanning electron microscope, SEM) 的瑕疵檢測應用,在 2016 年也與國安單位合作深度學習在人臉辨識上的應用,因此我們有信心及能力完成本計畫的執行。
狀態 | 已完成 |
---|
有效的開始/結束日期 | 1/08/18 → 9/09/19 |
---|
聯合國會員國於 2015 年同意 17 項全球永續發展目標 (SDG),以終結貧困、保護地球並確保全體的興盛繁榮。此專案有助於以下永續發展目標: