室外 停車格 尺寸的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

基於成對學習架構之分類演算法、跨域轉換學習、及其於電腦視覺上之應用

為了解決室外 停車格 尺寸的問題，作者陳武黃 這樣論述：

此論文中，我們著重於設計成對深度學習架構於探索資料關係的實際應用，如基於視覺的實際應用系統和遷移學習。對此我們總結兩個主要問題如下：首先，我們希望透過設計一個成對深度學習架構，來探索相同領域內的數據(Same Domain Data)關係，從而解決電腦視覺領域中的任務，並完成一個符合實際應用的系統。此研究中，我們的目標是實現一個基於視覺的應用系統，用於停車場的空間狀態偵測，然而，影像辨識領域當中有一些不可避免的挑戰，像是環境的光影變化、天氣變化以及影像變形，由於這些因素的影響使得室外場景的停車場車位偵測變得具有相當程度的挑戰性。透過現有的深度學習模型雖然可以很好地處理光影變化，但為了實現更加

穩健與準確的偵測系統，我們還需要解決其他問題，如停車車輛之位移、不同大小之車輛、車輛間的物體遮蔽以及影像透視變形等，若是更進一步的考慮到不同場景的停車格大小的差異，會使得任務變得非常具有挑戰性。因此我們設計一套深度卷積與對比網路架構，此架構有三個主要的貢獻如下：首先，我們引入一個孿生神經網絡（Siamese Network）架構來學習對比以及穩健的特徵圖描述，有助於減少經由各種不同的物體所造成之遮蔽現象，接著我們在網路內部使用卷積空間變換器網路（Convolutional Spatial Transformer Network），我們將三格停車格視為一個停車單元作為輸入，此架構能自適應地將車輛

尺寸和停車位轉移到合適的位置與大小，並且透過空間變換器幫助我們克服透視變形的問題，第三點我們設計一個基於多任務的損失函數，通過同時考慮推測目標的空間狀態之準確性和高階特徵語意的平滑性來訓練網路，由此可以減少物體間遮蔽所引起的誤差。為了驗證和評估我們的系統對停車格狀態偵測的穩定度，目前我們在公共停車場有一套即時停車場空位偵測系統，證明提出之深度學習網路的能力。其次，我們擴展成對學習與雙分支深度學習架構，探討成對架構於跨領域資料(Cross Domain Data)關係的實際應用可能性。更精確地說，我們轉注於研究非監督式域適應(Unsupervised Domain Adaptation)，嘗試藉

用來源域(Source Domain)資訊解決目標域(Target Domain)訓練資料不足的問題。為有效處理非監督式學習的挑戰，我們提出一個新穎的三合一架構，網路架構將同時考量三項任務，任務包含域適應（Domain Adaptation）、分離特徵（Disentangled Representation）與風格轉換（Style Transfer）。學習的特徵分離為公共部份（Common Parts）和特定部份（Specific Parts），兩個不同域共同的部份代表可轉移特徵，其適用於有較少負轉換（Negative Transfer）的域適應。反之，特定部份則表示每個域的獨特風格。在這樣的

基礎上，我們研究使用跨域特徵交換的新概念，不僅增強共同特徵的可轉移性，且可以被應用於圖像風格的轉換。這些設計使我們能夠引入五種類型的訓練目標，並同時實現三項具有挑戰性的任務，透過實驗結果顯示，提出之網路結構所學習的分離特徵能夠良好地應用於完全轉移學習和部份轉移學習，此外，我們的網路模型也展現其在生成風格轉移圖像中有著非常高的潛力。