nas連接方式的問題，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

玩轉字首字根：理科英文單字這樣記好簡單!

為了解決nas連接方式的問題，作者清水建二,すずきひろし 這樣論述：

用傳統方法記單字，沒效率且老是背了就忘？ 碰到艱澀的理工醫、留考等專業領域單字直接想放棄？ 字源學習法權威「清水建二」指引最強字彙解方！ 以「理科重要字根 ╳ 通用字首」為基礎展開全腦鍛鍊 （左腦）單字拆解聯想字義 + （右腦）圖像輔助強化記憶 跨領域整合學單字，一般字、專業字全搞定！      　　將英文單字拆解成「字首、字根、字尾」來學習和記憶， 　　是非常科學、快速，且獲得英文教學及語言學專業人士認同的有效方法！ 　　關於此單字學習法的原理及創造的驚人效果無須贅述，坊間相關書籍亦多如牛毛， 　　如何從中挑選出最符合個人學習需求、且能發揮最高學習成效的一本才是最重要的！   　　日本字

源學習法權威大師、語言類百萬暢銷作者清水建二全新力作， 　　專為破解平時生活不常用到，卻在專業領域不可或缺的艱澀字彙而設計！ 　　無論是為了「升學、證照考」而不得不學這些不好記又不好發音之單字的「理科人」， 　　或是短期內需大量記憶學術領域字以通過 TOEFL, IELTS, GRE, GMAT 等留學考試的「準留學生」， 　　本書不只蒐羅應試必通重要單字，更傳授提高背單字效率及測驗時識字命中率的「方法」， 　　因為「理科特有英文單字」幾乎 100% 來自古希臘文或拉丁文， 　　所以用字源拆解的方法來記憶理科英文單字可發揮最大的效益！   　　★ 活用 175 組理科專業核心字根 ╳ 50 個

全領域通用字首， 　　再長再難的字也能經由拆解而推知字義！ 　　理科專業字彙在日常會話中較少使用，而且通常不好記又不好發音， 　　若用傳統方法死記硬背，大概也是反覆背了又忘，事倍功半！ 　　最好的方式是善用「字首、字根、字尾」進行單字拆解，有系統地聯想並推理出字義。 　　而依本書規劃，只要理解記憶一組字根，不但能同時學會5個以上相同字根的其他單字， 　　再藉由與字首、字尾的搭配組合，還能輕鬆推理出更多未知單字的意義！ 　　例如：adrenoleukodystrophy 這個非常艱澀的單字可拆解如下： 　　ad〔往∼的方向〕＋ reno〔腎臟〕＋ leuko〔白色的〕＋ dys〔不良〕 ＋ tr

ophy〔營養狀況〕   　　首先，由〔發生在接近腎臟處（＝腎上腺）的白色的營養狀態不良現象〕， 　　便可推得「腎上腺腦白質失養症」這一病名。 　　接著再針對 reno, leuko, dys, trophy 這些字根與其他字首字尾構成的相關單字群進行集中式學習， 　　更能反覆熟悉、輕鬆推理，無形中讓自己的詞彙量獲得爆炸性增長！    　　★ 結合「插圖」與「字源」的「全腦學習」， 　　將抽象單字具象化更容易理解，記憶更深刻！ 　　即便以字源拆解單字是最有效率的單字記憶方式， 　　然而記憶單純的單字列表不但容易忘記，且很難持續學習。 　　作者提倡「結合插圖與字源的學習法」，根據字源，將單字的抽

象意涵以圖像化表現， 　　亦即一邊以左腦理解單字根源，一邊用插圖將之深刻烙印於右腦的全腦式學習！ 　　例如「蒲公英」的英文是 dandelion， 　　如果利用這個外來語的音標硬背下來，恐怕時間一久就會忘得一乾二淨， 　　但若是將 dandelion 進行字源拆解為：dan(t) / den(t)〔齒〕＋ de〔～的〕＋ lion〔獅子〕， 　　讓左腦理解「蒲公英的葉子」很像「獅子的牙齒」，並進一步將之圖像化， 　　以視覺訴諸右腦，便可以記憶得更深、更牢、更長久。  　　 　　★ 文科人也需要的理科英文單字！ 　　舉例來說，你或許不認識也覺得沒有必要認識 nostalgia（思鄉病）這個字，

　　因為一般人在日常生活中只需要會 homesickness 即可溝通， 　　但是對於想進入如文學、社會學、心理學、人類學等專業領域的人來說， 　　nostalgia 是 TOEFL、GRE 等留學考試中必學的重要單字， 　　在文學、心理學中又被理解為「懷舊」，甚至發展出「懷舊理論」。 　　而此字的字根 algia 在希臘文中是「疼痛」的意思， 　　於是在醫學專業中，它又衍生出許多疾病名稱， 　　如 cardialgia（心臟痛、胃痛）、dentalgia（牙痛）、arthralgia（關節痛）⋯⋯ 　　由上例即可說明，許多理科單字其實也是幫助文科人跨過專業門檻的重要單字。 　　 　　此外，本

書雖然主要以理科背景人士之需求篩選核心字根及重要單字， 　　但藉由「字源筆記」中對於字源背景知識的說明及提點， 　　即使是一般文科人也能透過本書廣泛汲取許多有趣又有用的知識。 　　若再加上活用「圖像 + 字源拆解」的學習法來聯想和記憶單字， 　　漸漸地，你將發現自己竟然能夠推理字義，看懂生活中常見的科普、醫學用語。 　　

nas連接方式進入發燒排行的影片

具高可用性之磁碟陣列虛擬化方法之研究

為了解決nas連接方式的問題，作者劉凰源 這樣論述：

數位時代來臨，企業的資料存放，大都僅放置在單座磁碟陣列，縱使磁碟陣列本身擁有多重保護以強化資料安全，但在整個企業架構上，仍有單點故障問題存在。隨著時間流逝，企業的磁碟陣列也從單一廠牌逐漸變成多廠牌，不僅管理者要花費更多的時間學習與管理，也容易造成出錯的機率，且汰換磁碟陣列也是企業的一大痛處，不僅花費金錢、人力、時間，汰換過程更可能因遇到移轉失敗而延長時程。本論文之研究，運用磁碟陣列建立虛擬化與高可用性，透過專家會議方式，確認各功能的設計與驗證。以實作方式，在磁碟陣列虛擬化架構下，可提供企業依照主機的類別與特性不同，需挑選合適的移轉方式；在磁碟陣列高可用性之架構下，除可獲得更好的可用性外，也讓

主機在該架構之下，服務不中斷。未來若企業考量資料延伸存放到第三地，也可使此架構配合改變。且改採用Script方式改善磁碟陣列的管理速度，減少管理者的等待，以此提升企業的內部作業效能、節省時間成本、降低營運服務中斷時間。

深度學習之PyTorch物體檢測實戰

為了解決nas連接方式的問題，作者董洪義 這樣論述：

《深度學習之PyTorch物體檢測實戰》從概念、發展、經典實現方法等幾個方面系統地介紹了物體檢測的相關知識，重點介紹了FasterRCNN、SDD和YOLO這三個經典的檢測器，並利用PyTorch框架從代碼角度進行了細緻講解。另外，《深度學習之PyTorch物體檢測實戰》進一步介紹了物體檢測的輕量化網路、細節處理、難點問題及未來的發展趨勢，從實戰角度給出了多種優秀的解決方法，便於讀者更深入地掌握物體檢測技術，從而做到在實際專案中靈活應用。 《深度學習之PyTorch物體檢測實戰》共10章，涵蓋的主要內容有物體檢測與PyTorch框架基礎概念與背景知識；PyTorch基礎知識；基礎卷積網路Ba

ckbone；兩階經典檢測器FasterRCNN；單階多層檢測器SSD；單階經典檢測器YOLO；模型加速之輕量化網路；物體檢測細節處理；物體檢測難點問題；物體檢測的未來發展。 《深度學習之PyTorch物體檢測實戰》內容豐富，講解通俗易懂，案例典型，實用性強，特別適合PyTorch框架愛好者和物體檢測相關從業人員閱讀，也適合深度學習和電腦視覺領域的研究人員閱讀。另外，《深度學習之PyTorch物體檢測實戰》還適合作為深度學習培訓機構的教材使用。   董洪義本科、碩士均畢業於北京航空航太大學。深度學習與PyTorch資深愛好者。現任百度自動駕駛高級演算法工程師。曾擔任Pha

ntomTiger演算法負責人、地平線智慧駕駛部門演算法實習生、北航國際拓展團團長。曾經被評為北京航空航太大學年度人物。曾經獲得了Kaggle競賽銀牌。本科期間成績年級第一，曾前往日本、英國、比利時、荷蘭等國的知名學校訪問交流。研究方向為自動駕駛感知、智慧型機器人與電腦視覺。有3年以上的深度學習研發經驗。 第1篇  物體檢測基礎知識 第1章  淺談物體檢測與PyTorch 2 1.1  深度學習與電腦視覺 2 1.1.1  發展歷史 2 1.1.2  電腦視覺 7 1.2  物體檢測技術 9 1.2.1  發展歷程 10 1.2.2  技術應用領域 11 1.2.3  評價

指標 12 1.3  PyTorch簡介 17 1.3.1  誕生與特點 17 1.3.2  各大深度學習框架對比 17 1.3.3  為什麼選擇PyTorch 19 1.3.4  安裝方法 20 1.4  基礎知識準備 22 1.4.1  Linux基礎 22 1.4.2  Python基礎 24 1.4.3  高效開發工具 29 1.5  總結 36 第2章  PyTorch基礎 37 2.1  基本資料：Tensor 37 2.1.1  Tensor資料類型 37 2.1.2  Tensor的創建與維度查看 39 2.1.3  Tensor的組合與分塊 41 2.1.4  Tensor

的索引與變形 42 2.1.5  Tensor的排序與取極值 46 2.1.6  Tensor的自動廣播機制與向量化 46 2.1.7  Tensor的記憶體共用 47 2.2  Autograd與計算圖 48 2.2.1  Tensor的自動求導：Autograd 49 2.2.2  計算圖 50 2.2.3  Autograd注意事項 51 2.3  神經網路工具箱torch.nn 52 2.3.1  nn.Module類 52 2.3.2  損失函數 55 2.3.3  優化器nn.optim 56 2.4  模型處理 59 2.4.1  網路模型庫：torchvision.models

59 2.4.2  載入預訓練模型 60 2.4.3  模型保存 61 2.5  資料處理 61 2.5.1  主流公開資料集 61 2.5.2  數據載入 63 2.5.3  GPU加速 65 2.5.4  數據視覺化 66 2.6  總結 68 第3章  網路骨架：Backbone 69 3.1  神經網路基本組成 69 3.1.1  卷積層 70 3.1.2  啟動函數層 72 3.1.3  池化層 75 3.1.4  Dropout層 76 3.1.5  BN層 77 3.1.6  全連接層 79 3.1.7  深入理解感受野 81 3.1.8  詳解空洞卷積（Dilated Co

nvolution） 82 3.2  走向深度：VGGNet 83 3.3  縱橫交錯：Inception 87 3.4  里程碑：ResNet 93 3.5  繼往開來：DenseNet 95 3.6  特徵金字塔：FPN 99 3.7  為檢測而生：DetNet 106 3.8  總結 110 第2篇  物體檢測經典框架 第4章  兩階經典檢測器：Faster RCNN 112 4.1  RCNN系列發展歷程 112 4.1.1  開山之作：RCNN 112 4.1.2  端到端：Fast RCNN 113 4.1.3  走向即時：Faster RCNN 114 4.2  準備工作 11

4 4.3  Faster RCNN總覽 115 4.4  詳解RPN 117 4.4.1  理解Anchor 117 4.4.2  RPN的真值與預測量 119 4.4.3  RPN卷積網路 120 4.4.4  RPN真值的求取 122 4.4.5  損失函數設計 124 4.4.6  NMS與生成Proposal 125 4.4.7  篩選Proposal得到RoI 126 4.5  RoI Pooling層 127 4.6  全連接RCNN模組 130 4.6.1  RCNN全連接網路 130 4.6.2  損失函數設計 131 4.7  Faster RCNN的改進演算法 131 4

.7.1  審視Faster RCNN 132 4.7.2  特徵融合：HyperNet 133 4.7.3  實例分割：Mask RCNN 134 4.7.4  全卷積網路：R-FCN 137 4.7.5  級聯網路：Cascade RCNN 139 4.8  總結 141 第5章  單階多層檢測器：SSD 142 5.1  SSD總覽 142 5.1.1  SSD的演算法流程 142 5.1.2  代碼準備工作 143 5.2  數據預處理 144 5.2.1  載入PASCAL資料集 144 5.2.2  資料增強 144 5.3  網路架構 148 5.3.1  基礎VGG結構 14

8 5.3.2  深度卷積層 149 5.3.3  PriorBox與邊框特徵提取網路 150 5.3.4  總體網路計算過程 153 5.4  匹配與損失求解 154 5.4.1  預選框與真實框的匹配 154 5.4.2  定位損失的計算 155 5.4.3  難樣本挖掘 156 5.4.4  類別損失計算 156 5.5  SSD的改進演算法 157 5.5.1  審視SSD 157 5.5.2  特徵融合：DSSD 158 5.5.3  彩虹網路：RSSD 160 5.5.4  基於SSD的兩階：RefineDet 162 5.5.5  多感受野融合：RFBNet 165 5.6  總

結 166 第6章  單階經典檢測器：YOLO 167 6.1  無錨框預測：YOLO v1 167 6.1.1  網路結構 167 6.1.2  特徵圖的意義 168 6.1.3  損失計算 169 6.2  依賴錨框：YOLO v2 171 6.2.1  網路結構的改善 171 6.2.2  先驗框的設計 173 6.2.3  正、負樣本與損失函數 175 6.2.4  正、負樣本選取代碼示例 176 6.2.5  工程技巧 179 6.3  多尺度與特徵融合：YOLO v3 180 6.3.1  新網路結構DarkNet-53 180 6.3.2  多尺度預測 181 6.3.3  S

oftmax改為Logistic 182 6.4  總結 183 第3篇  物體檢測的難點與發展 第7章  模型加速之輕量化網路 186 7.1  壓縮再擴展：SqueezeNet 188 7.1.1  SqueezeNet網路結構 188 7.1.2  SqueezeNet總結 190 7.2  深度可分離：MobileNet 191 7.2.1  標準卷積 191 7.2.2  深度可分離卷積 192 7.2.3  MobileNet v1結構 193 7.2.4  MobileNet v1總結 198 7.2.5  MobileNet v2 198 7.3  通道混洗：ShuffleN

et 200 7.3.1  通道混洗 201 7.3.2  網路結構 202 7.3.3  ShuffleNet v2 205 7.4  總結 207 第8章  物體檢測細節處理 209 8.1  非極大值抑制：NMS 209 8.1.1  NMS基本過程 210 8.1.2  抑制得分：Soft NMS 212 8.1.3  加權平均：Softer NMS 213 8.1.4  定位置信度：IoU-Net 215 8.2  樣本不均衡問題 217 8.2.1  不均衡問題分析 217 8.2.2  線上難樣本挖掘：OHEM 219 8.2.3  專注難樣本：Focal Loss 221 8

.3  模型過擬合 224 8.3.1  資料增強 226 8.3.2  L1與L2正則化 227 8.4  總結 229 第9章  物體檢測難點 230 9.1  多尺度檢測 230 9.1.1  多尺度問題 230 9.1.2  降低下取樣速率與空洞卷積 232 9.1.3  Anchor設計 233 9.1.4  多尺度訓練 235 9.1.5  特徵融合 235 9.1.6  尺度歸一化：SNIP 236 9.1.7  三叉戟：TridentNet 238 9.2  擁擠與遮擋 239 9.2.1  遮擋背景 240 9.2.2  排斥損失：Repulsion Loss 242 9.

2.3  OR-CNN 244 9.3  總結 247 第10章  物體檢測的未來發展 248 10.1  重新思考物體檢測 248 10.1.1  精度與速度的權衡 249 10.1.2  卷積網路的可解釋性與穩定性 249 10.1.3  訓練：微調還是隨機初始化 250 10.1.4  考慮物體間關係的檢測 251 10.1.5  優化卷積方式 252 10.1.6  神經架構搜索：NAS 253 10.1.7  與產業結合的創新 255 10.2  擺脫錨框：Anchor-Free 257 10.2.1  重新思考Anchor 257 10.2.2  基於角點的檢測：CornerNe

t 258 10.2.3  檢測中心點：CenterNet 262 10.2.4  錨框自學習：Guided Anchoring 264 10.3  總結 266   隨著深度學習的飛速發展，電腦視覺技術取得了令人矚目的成果，尤其是物體檢測這一基礎又核心的分支，誕生了眾多經典演算法，在自動駕駛、智慧醫療、智慧安防及搜索娛樂等多個領域都得到了廣泛應用。與此同時，誕生於2017年的PyTorch框架，憑藉其簡潔優雅、靈活易上手等優點，給開發人員留下了深刻的印象。 目前，國內圖書市場上已經出版了幾本PyTorch方面的圖書，但大多數圖書停留在淺層的概念與簡單示例的講解上，缺乏實

用性，而且也沒有一本系統講解PyTorch物體檢測方面的圖書。因此，圖書市場上迫切需要一本系統介紹PyTorch物體檢測技術的書籍。這便是筆者寫作《深度學習之PyTorch物體檢測實戰》的初衷。 《深度學習之PyTorch物體檢測實戰》是國內原創圖書市場上首部系統介紹物體檢測技術的圖書。書中利用PyTorch深度學習框架，從代碼層面講解了FasterRCNN、SSD及YOLO這三大經典框架的相關知識，並進一步介紹了物體檢測的細節與難點問題，讓讀者可以全面、深入、透徹地理解物體檢測的種種細節，並能真正提升實戰能力，從而將這些技術靈活地應用到實際開發中，享受深度學習帶來的快樂。 《深度學習之P

yTorch物體檢測實戰》特色 1.系統介紹了PyTorch物體檢測技術 《深度學習之PyTorch物體檢測實戰》深入物體檢測這一基礎又核心的技術，從其誕生背景、主流演算法、難點問題、發展趨勢等多個角度詳細介紹了物體檢測知識，並結合代碼給出了多個演算法的實現。 從代碼角度詳細介紹了物體檢測的三大演算法 《深度學習之PyTorch物體檢測實戰》介紹了FasterRCNN、SSD及YOLO這三個影響深遠的檢測演算法，從代碼層面詳細介紹了它們所實現的每一個細節與難點，並進行了優缺點分析，而且給出了多種優化演算法。 涵蓋所有主流的物體檢測演算法 《深度學習之PyTorch物體檢測實

戰》幾乎涵蓋所有主流的物體檢測演算法，包括VGGNet、ResNet、FPN、DenseNet和DetNet等卷積基礎網路，以及從FasterRCNN、HyperNet、MaskRCNN、SSD、RefineDet、YOLOv1到YOLOv3、RetinaNet、CornerNet和CenterNet等物體檢測演算法，呈現給讀者一個完整的知識體系。 給出了多個實際的物體檢測實例，有很強的實用性 《深度學習之PyTorch物體檢測實戰》對PyTorch的知識體系進行了較為精煉的介紹，還結合物體檢測演算法重點介紹了PyTorch實現的多個物體檢測實例。因此《深度學習之PyTorch物體檢

測實戰》不僅是一本很好的PyTorch框架學習書籍，更是一本PyTorch物體檢測實戰寶典。 對物體檢測技術常見的細節、難點及發展做了詳細分析 《深度學習之PyTorch物體檢測實戰》不僅對物體檢測技術的熱門話題做了詳細分析，例如非極大值抑制、樣本不均衡、模型過擬合、多尺度檢測、物體擁擠與遮擋等，而且對各種細節與常見問題做了詳細分析，並給出了多種解決方法。 《深度學習之PyTorch物體檢測實戰》內容 第1篇物體檢測基礎知識 本篇涵蓋第1~3章，介紹了物體檢測技術與PyTorch框架的背景知識與必備的基礎知識。主要內容包括物體檢測技術的背景與發展；物體檢測的多種有效工具；PyTor

ch背景知識與基礎知識；多種基礎卷積神經網路的相關知識與具體實現等。掌握本篇內容，可以為讀者進一步學習物體檢測技術奠定基礎。 第2篇物體檢測經典框架 本篇涵蓋第4~6章，介紹了FasterRCNN、SSD與YOLO三大經典演算法的思想與實現。主要內容包括FasterRCNN兩階演算法的思想；錨框Anchor的意義與實現；FasterRCNN的多種改進演算法；SSD單階演算法的思想與實現；SSD的資料增強方法及多種改進演算法；YOLO單階演算法的三個版本演變過程及具體實現等。掌握本篇內容，可以讓讀者從代碼角度學習物體檢測的種種細節。 第3篇物體檢測的難點與發展 本篇涵蓋第7~10章，介紹了物

體檢測技術的細節、難點及未來發展。主要內容包括針對模型加速的多種輕量化網路思想與實現；非極大值抑制；樣本不均衡及模型過擬合等物體檢測細節問題的背景知識與解決方法；多尺度、擁擠與遮擋等物體檢測難點問題的背景知識與解決方法；多種擺脫錨框的檢測演算法；物體檢測的未來發展趨勢等。掌握本篇內容，可以讓讀者更加深入地學習物體檢測的相關技術。 《深度學習之PyTorch物體檢測實戰》讀者物件 需要全面學習物體檢測技術的人員； PyTorch框架愛好者和研究者； 電腦視覺從業人員與研究者； 深度學習從業人員與愛好者； 自動駕駛、智慧安防等領域的開發人員； 人工智慧相關產業的從業人員； 電腦、機器人等專業的高

校學生。 閱讀建議 沒有物體檢測與PyTorch基礎的讀者，建議從第1章順次閱讀並演練每一個實例。 有一定PyTorch與物體檢測基礎的讀者，可以根據實際情況有重點地選擇閱讀各個演算法的細節。 對於每一個檢測演算法，建議讀者先閱讀一下原論文，多思考演算法設計的動機與目的，並重點思考如何用代碼實現，這會加深讀者對檢測演算法的理解。原論文的下載地址和《深度學習之PyTorch物體檢測實戰》原始程式碼檔一起提供。 多思考各種物體檢測演算法的優缺點、相互之間的聯繫與區別，以及可以優化和改進的細節等，形成完整的知識體系樹，這樣會進一步加深讀者對知識的理解。 配書資源獲取方式 《深度學習之PyTorc

h物體檢測實戰》涉及的全部原始程式碼都放在了GitHub上，需要讀者自行下載。下載地址見圖書。 有些章節的代碼較多，但在書中僅給出了重要的片段代碼，完整代碼以GitHub上的代碼為准。 另外，讀者也可以登錄華章公司的網站www.hzbook.com，搜索到《深度學習之PyTorch物體檢測實戰》，然後按一下“資料下載”按鈕，即可在本書頁面上找到相關的下載連結。 致謝 《深度學習之PyTorch物體檢測實戰》的編寫得到了許多人的幫助。可以說，《深度學習之PyTorch物體檢測實戰》是多人共同努力的結晶。感謝北京源智天下科技有限公司的王蕾，她在稿件整理方面幫我做了大量的工作！感謝王田苗教授、陶吉

博士、夏添博士、侯濤剛博士、嚴德培、單增光、王策、鄂俊光、李成、丁甯、付航、高鵬、朱本金、彭強、王粟瑤、張騰、王兆瑋、黃彬效和拓萬琛等人，他們對《深度學習之PyTorch物體檢測實戰》提出了許多寶貴的意見和建議！感謝我的女朋友及家人，他們一直以來都對我鼓勵有加，給我寫作《深度學習之PyTorch物體檢測實戰》以最大的動力！感謝為《深度學習之PyTorch物體檢測實戰》付出辛勤工作的每一位編輯，他們認真、細緻的工作讓《深度學習之PyTorch物體檢測實戰》品質提高不少！ ……  

應用 ResNet+U-NET 於視網膜血管圖像分割

為了解決nas連接方式的問題，作者楊曜任 這樣論述：

現今深度學習已經廣泛的運用在各種領域當中，並且已經是人們日常生活中不可或缺的一部分，例如在工業自動化領域，我們運用深度學習讓工廠減少人力成本支出、在金融方面，我們可以利用過往的數據來預測未來的經濟走勢及趨勢，在醫療方面，可以找出病灶區，來幫助醫生進行診斷，等例子可以發現深度學習的潛力。在當前的臨床醫療診斷中，醫學圖像具有越來越重要的應用價值。常用的醫學圖像有磁共振（Magnetic Resonance Imaging，MRI）、X 光（X-Ray）、電腦斷層攝影(Computer Tomography，CT）。然而傳統的醫學影像處理主要依靠專家的個人經驗，並且人工地對圖像來進行分析以及處理。

然而，這種人工處理方法效率較低，而且分析結果往往受主觀影響較大。此外，近年來醫學圖像數量急劇的增加更是導致傳統以人工處理的方式變得嚴重耗力且耗時。因此，所以迫切需要利用電腦來類比人類的視覺感知機制，讓電腦自動地對於圖像進行分類，以此來方便醫生診斷。如今隨著科學技術以及硬體性能的迅速發展，運用電腦來快速的分析、處理各類醫學圖像來輔助專家進行診斷，已經成為醫學領域的一種重要趨勢，具有重要的研究意義與應用價值。基於電腦視覺的醫學圖像自動分析與處理技術具有其獨特的優勢，如：利用電腦的強大計算能力可獲取快速準確的分析與處理結果，可使醫學影像處理結果不受專家疲勞或資料過多等等影響，利用電腦技術可促進更快的

臨床資訊溝通，以方便為偏遠地區病人提供快速、準確的醫療診斷資訊。有鑑於此，本論文提出一個結合 ResNet 與 U-NET 的深度學習模型的RUNet。在 RUNet 中，使用了 U-NET 做為基本模型架構，並將模型與 ResNet 中的殘差模塊進行結合，以此來提升網路的深度，增強網路提取特徵的能力，而在神經網路當中末端的特徵圖雖然較細緻但範圍較小，而前端的特徵圖雖然範圍大但特徵比較粗糙，因此最好的方法是都讓他們做學習，ii所以這裡使用全尺寸的跳躍連接使模型能更好的利用各層提取的特徵。而在充分結合圖像各層的資訊後，接著在底層時使用不同尺寸的捲積核，提取不同尺度的特徵，再加以結合。而在實驗設計

上，我們使用視網膜之資料集 DRIVE 和 ROSE，並對其進行資料前處理以及資料增強，進一步提升分割效果。實驗結果顯示RUNet 相較於其他網路模型 U-NET、ResUNet、U-NET3+、ResUNet++，在圖像分割的準確度更好。本研究希望透過此模型能夠更精準地分割出血管，同時大幅減少人力的成本。