Page 23 - profile-ok
P. 23

研究群   |   Research Laboratories










 多媒體技術實驗室     Multimedia Technologies Laboratory











 研究人員  研究群介紹

 廖弘源 Hong-Yuan	Mark	Liao  多媒體的快速發展已使它變成改變人類日常生活最重要的因素之一。舉凡數位影像、視訊、  題的探討可概分為藉由大量影像學習來減輕光線影響的方式,或  7. 賽局理論運用於計算資源的分配
 Research	Fellow  三維動畫、音樂及文字文件,都隸屬於多媒體之範疇。多媒體之所以在近幾年快速崛起主要  者直接基於影像的內在特性	(intrinsic	property)	對於影像作分解
 Electrical	Engineering	,	Northwestern	University                    雲端計算使得大部分本來在使用者端的計算轉移在「雲端」中的
 有兩個原因:(1)記憶單元及	CPU	的單位價格越來越低,使得吾人能快速且有效地儲存、擷  (decomposition)	的方式。過去我們發展了藉由學習的方法去除在
 呂俊賢 Chun-Shien	Lu  取大量的數位資料;(2)網際網路的大量使用使得吾人可以隨時隨地獲取有用的資訊。有許  靜態攝影機視訊中之運動陰影	(moving	cast	shadow)	的方法。但  伺服器處理,再加上嵌入式系統的進展,使用者端的計算設備會
 Associate	Research	Fellow  多數據顯示,生技產業、奈米科技產業以及多媒體產業將成為二十一世紀最閃亮的三大產  此方法需要較大量的影像與時間提供學習。在未來我們將探討基  越來越小,同時計算的功能也不斷的加大,這代表未來的計算模
 Electrical	Engineering	,	National	Cheng-Kung	                       式中,使用者將有許多的計算需求,將在「雲端」  的伺服器來
 University  業。因此,投入大量人力於多媒體領域之研究是緊急且必要的。  於分解的方法,透過變分法	(variational	approach)	的求解分析,  支援,於是產生了大量的使用者競爭共同的資源問題,由於多媒
                能夠將不同型態的訊號特徵區分開來,以利於找尋對於光線變化
 陳祝嵩 Chu-Song	Chen  本組計畫規劃進行兩個主要長期研究方向:(1)多媒體訊號處理(2)多媒體應用。關於多媒體  下較為穩定的特徵。  體資訊的資料量較大且被大量使用,這個競爭權問題的解決更有
 Research	Fellow  訊號處理方面,因為它涵蓋了視訊、音訊、影像、三維動畫及文字資料等,因此有許許多多           急迫性。我們將研究如何從這個趨勢之中,使用賽局理論來解決
 Computer	Science	and	Information	Engineering	,	  研究的議題待解決。在多媒體應用方面,因為數位多媒體透過網路傳輸,而且數位媒體被盜  多媒體資訊分配及競爭的問題。
 National	Taiwan	University
 取後是不失真之資料,因此安全議題也是非常重要的議題。在過去十多年,我們已經在影像
 黃文良 Wen-Liang	Hwang  處理、電腦視覺、電腦圖學、視訊處理、機器學習及影像安全保護等領域有許多研發成果,  4. 共用圖樣發掘
 Research	Fellow  部份成果並已成功技術移轉給產業界。在未來數年中,我們將持續努力,在視訊鑑識、視訊  我們將探討如何在多張影像或影像序列中發掘共同出現的圖樣	  8. 影像去噪及去模糊化的演算法
 Computer	Science	,	New	York	University
 內容分析及瞭解、共用圖樣發掘、多類別物件辨識、分散式視訊壓縮感測、賽局理論運用於  (pattern)。以利於以非監督性	(un-supervised)	的方式,主動發掘
 劉庭祿 Tyng-Luh	Liu  計算資源的分配、影像去噪及去模糊化的演算法、共軛焦顯微鏡影像的接合等領域繼續貢獻  出視訊中的重要特徵。我們預期將改進現有的共用圖樣發掘方  影像去噪的問題是個基本的問題,雖然已經有各種演算法,我們
 Research	Fellow  我們的專長。以下,將針對上述方向分項闡述:  法,能夠進一步對於在具多重共用圖樣或不具備共用圖樣之狀  仍然希望能夠不斷的改良、演進,希望能夠得到更好的解。同時
 Computer	Science	,	New	York	University                              去模糊的問題,雖然其歷史與去噪一樣久,但近幾年來這個問題
                 況下,進行更好的處理。
                                                                     的基本研究反而變得更為密切,尤其是手機越做越小,越輕,並
                                                                     且攝影的功能變得越來越強,模糊影像的模糊核心形狀的估測也
 1. 視訊鑑識
              5. 多類別物件辨識                                             變的很困難,所以如何去估量模糊核心,如何去得到更強的去模
 視訊鑑識是一門最先進的學問,過去幾年來,越來越多警察單位人員登門尋求協助。其                              糊演算法是值得研究的基本課題。
 中最大宗的問題是希望透過模糊的視訊尋求犯案跡證。基本上影像的強化,本實驗室在  在物件辨識的研究中,最大的困難係來自於處理同類別物件中的
 過去已有一些研究成果,但模糊視訊要強化,除了透過一張張	frame	的強化外,還要解  高變異性,這些變異性往往源自許多不同的因素,例如影像資料
 決時間軸上的種種問題,例如:明暗度變化、運動物體連續性等基本問題。雖然業界宣  中所存在的複雜背景,物件以不同的姿勢,於不同光照環境下所  9. 共軛焦微微鏡影像的接合
 稱已開發軟體處理模糊視訊,但均屬小範圍的應用軟體。其中具科學性的研究及一般性  呈現,或者物件本身有部分被遮蔽,諸如此類等因素。而另一個
 的處理程序均付之闕如。本於對國家社會回饋的信念,本實驗室將在未來數年內投入相  增加物件辨識困難度的原因為物件種類數目的龐大,雖然目前相  用共軛焦微微鏡影像來分析生物資訊時,為了得到更好的解析
 關研究。           關研究在資料特徵與相似函數的設計上有顯著進展,但一般來                          度,我們通常會將一張大的影像分成幾個部分來取像,然後將這
                說,當要處理的物件種類數升高時,並沒有單一種特徵可以有                          些不同時間不同部分的影像,利用影像接合技術接合起來,但這
                效地描述全部物件。在考量上述的困難點後,我們研究的目標                          類的技術會因為取像的方法不同而改變,我們研究在生物體加了
 2. 視訊內容分析及瞭解   將設定於多類別與高變異性物件之辨識。在之前物件辨識的研究                         染色劑後用共軛焦微微鏡來成像的接合問題。
                成果,我們已將區域合成核的概念融入於區域學習中,並在合成
 視訊內容分析及瞭解是目前世界上當紅的研究議題,舉凡	 IBM、	 Google、	 Microsoft、
 Yahoo	等大公司,以及世界上最主要的幾個大實驗室,例如哥倫比亞大學、義大利佛羅  核之設計上,導入了區域化與正規化的因子,而最重要的是,合
 倫斯大學、伊利諾大學等均投入極多的資源,從事類似研究。針對這個研究領域,我們  成核的使用提供了一個十分有效的結合多種特徵與相似函數之方
 未來所要探討的基本問題包括:(一)視訊內容分析。子議題包括時間、空間軸的內容擷  法,這項成果對於一些後續的研究有顯著之影響。有鑑於我們的
 取及分析,以及透過異質視訊內容產生簡潔及具代表性的視訊表達方式等。(二)視訊擷  方法,目前在處理複雜的物件辨識問題,仍無法達到令人滿意的
 取。子議題包括如何透過前述分析的內容有效地擷取大型資料庫的對應資訊。  辨識率,我們計畫延續先前的相關研究,並將重心放在探討一些
                關鍵議題上,並考慮更為廣義之資訊與技術結合(不局限於物件
                特徵層次上之結合),以更有效地解決多類別物件辨識問題。
 3. 光線變化處理
 在視訊內容的處理方面,光線變化的影響一直是一個基礎而重要的問題。過去對於此問  6. 分散式視訊壓縮感測
                無線視訊感測網路及其它低複雜度視訊通訊應用具有低複雜度視
                訊編碼的需求,然而,現行視訊編碼標準為了達到良好的壓縮效
                率而在編碼端執行了許多複雜運算(例如:運動估測)。另外,單
                張影像編碼雖然計算複雜度低,卻並未考慮到連續視訊框架之間
                的關連性,導致壓縮效率不佳。另一方面,現行影像/視訊編碼
                端都必需先讀入大量的原始資料再進行編碼,必需耗費大量的記
                憶體來暫存原始資料及執行多餘的編碼運算。因此,低複雜度視
                訊編碼演算法及低複雜度視訊編碼之硬體架構,成為一個重要的
                研究議題。



 22                                                                                                              23
   18   19   20   21   22   23   24   25   26   27   28