訊息公告

【人工智慧跨域研究中心訊】
本校人工智慧跨域研究中心（AI中心）於2025年5月6日舉辦年度首場AI跨域系列講座，特邀國立臺北科技大學電子工程系吳亦超副教授，以「基於深度學習之專注力偵測」為題，分享其在專注力與行為辨識系統之研究成果，並說明神經網路於深度學習中的核心角色。講座內容深入淺出，除介紹神經網路在影像辨識中的應用，也透過實例解析深度學習模型如何精準判斷使用者的專注狀態。

建構深度學習的專注力辨識系統
吳亦超副教授指出，其團隊開發的專注力偵測系統整合「分心」、「疲勞」與「行為」三大模組，能即時判斷使用者的注意力狀態。在分心檢測方面，系統透過頭部姿態分析與視線方向估算，結合攝影機參數與空間座標轉換技術，判斷視線是否偏離焦點。疲勞檢測則利用眼部關鍵點計算 Eye Aspect Ratio（EAR），當達到特定閾值即視為疲勞狀態，並以嘴部動作以提升判斷準確度；至於行為檢測則運用多目標追蹤與配對演算法，將手機、水壺等物體與使用者配對，分析當中的互動行為，提升系統穩定性與實用性。

在技術架構設計上，吳亦超副教授以YOLOv8模型為基礎進行改良，並融入深度卷積（Convolutio Neural Network）和結構重參數化（Re-parameterization）以提升推論效率與即時應用能力。他進一步說明CNN之所以在影像辨識領域中佔有一席之地，關鍵在於其能有效擷取圖像中如邊緣、紋理等特徵，並透過激活函數（如ReLU）與池化（Pooling）等機制，降低資料維度，同時保留關鍵資訊，達到減少運算量與提升辨識準確率的雙重效果。

為協助現場聽眾理解模型運作，吳亦超副教授也透過直觀的圖像範例，解說卷積操作如何模擬人眼對形狀與邊緣的辨識過程，幫助非資訊背景的學生理解AI模型如何「看見」圖像。

聚焦神經網路訓練機制，深化學習原理
吳亦超副教授也介紹神經網路的訓練流程包含初始化權重、設定學習率，根據誤差進行反向調整，最終讓模型學會正確分類或辨識，是神經網路學習的核心。而損失函數（Loss Function）則是量化預測錯誤程度的依據，在模型設計中扮演關鍵角色。以邊界框（Bounding Box）預測為例，研究人員會不斷微調參數，使預測框逐步逼近實際框位置，進而提升辨識精度。

從實作中學習AI的價值
在講座尾聲，吳亦超副教授鼓勵學生們勇於嘗試AI實作，指出現今AI學習資源豐富、門檻逐漸降低。透過如Teachable Machine等可視化工具，即使無程式基礎者依然能嘗試影像辨識任務，從實作中培養AI素養。吳亦超副教授強調，「AI的起點，不在於你懂多少，而在於你是否願意開始動手做。」本場講座成功串聯AI理論與實務應用，帶領師生深入了解深度學習技術在專注力偵測系統中的實踐方式，展現AI技術於跨域應用的龐大潛能。

吳亦超副教授透過公式說明神經網路概念。(照片來源：AI中心)

本場講座參與師生。(照片來源：AI中心)

吳亦超副教授透過 AND/OR/XOR 範例，引導學生理解神經網路的線性可分性。(照片來源：AI中心)