pixel 6a台灣的問題，透過圖書和論文來找解法和答案更準確安心。 我們從中挖掘出下列相關新聞

基於卷積神經網路與 U 型卷積網路之影像感測器的色彩特性化建模

為了解決pixel 6a台灣的問題，作者王柏東 這樣論述：

本研究以卷積神經網路 (convolutional neural network, CNN) 與 U 型卷積網路 (U-Net convolutional network, U-Net) 演算法為核心技術， 並根據 CIE ( 法語：Commission Internationale de l´Eclairage，國際照明委員會 ) 所推薦基於人眼色彩視覺為基礎的色度測定標準，進行色彩特性化建模 (colorimetric characterization modeling)，以實現彩色影像感測器 (color image sensor) 之高精度色彩特性化。影像感測器之色彩特性化是一項艱鉅

的任務。首先彩色影像感測器所感測的 RGB 訊號不能當作色彩度量 (colorimetry)，因為相同的圖像以不同的影像感測裝置量測所產生的 RGB 訊號差異很大，同樣的 RGB 感測訊號可能代表不同的顏色，因此 RGB 訊號不是 CIE 所規範色彩度量的標準 ( 例如 CIELAB 或 CIE XYZ)。所謂影像感測器之色彩特性化係透過演算法進行 RGB 與 CIELAB/CIE XYZ 的色彩空間轉換。過去的研究主要採用包含對照表內插模式 (LUT-interpolation model)、迴歸模式 (regression model) 與類神經網路模式 (artificial neura

l network model) 等方法，到目前為止，色彩特性化的技術經過評測結果：還無法達到接近分光光譜儀的測色水準，其中主要原因為色彩特性化係一非線性的複雜關係，因此，色彩特性化的演算法還有很大的進步空間。基於 CNN 卷積神經網路為基礎，本研究試圖突破傳統 (3 x N) 多項式迴歸建模的度量精度。對於 CNN 色彩特性化技術的研究，我們透過影像感測器自動擷取 IT8.7/4 色彩導表，將 (3 x 8 x 8 ) 像素 ( 3 為 RGB 三顏色， (8 x 8) 為像素大小 ) 輸入 CNN 卷積神經網路，再映射由分光光譜儀量測所輸出的 CIELAB (3 x 1 x 1) 像素

( 3 為 LAB 三顏色 , (1 x 1) 為像素 ) 數據，經過 5 次迭代的卷積神經網路學習，到第 5 次迭代卷積層已擴增為 8 幅 (3 x 8 x 32) 特徵圖 (feature map)，最後平面化 (flatten) 生成 6,144 筆色彩特徵向量輸入至倒傳遞神經網路(back-propagation neural network, BP NN)。 在色彩特性化平均色差值的評比：CNN 建模的 ΔE*ab 為 0.48 優於傳統 (3 x 11) 多項式迴歸建模的 ΔE*ab 為 3.03。CNN 色彩特性化建模面臨的挑戰：CNN 訓練所需的電腦運算量龐大、訓練時間長、

訓練的色彩數據不足、與可驗證的色彩數據過少等。為了克服上述瓶頸， 本研究藉由 U-Net 突破 CNN 訓練運算時間的問題：U-Net 只花了 1,000 波期 (epoch) 的學習週期而 CNN 需要耗費 100,000 波期的學習週期。透過 U-Net 學習可以解決 IT8.7/4 色彩導表數據不足的問題：U-Net 僅從 ISO 12640 (CIELAB/ SCID) 的六幅影像，再利用資料擴增 (data augmentation) 技術標註 32,027,200 色面：U-Net 驗證 ISO 12640 (CIELAB/SCID) 的兩幅 CIELAB 影像中 9,338,45

6 像素與 1,626,192 顏色；而 CNN 從 IT8.7/4 色彩導表中驗證 39,488 像素與 317 顏色。本研究利用 CNN 與 U-Net 卷積網路所建構之創新色彩特性化方法，相較於傳統 (3 × N) 多項式迴歸建模的性能表現更勝一籌，經由研究結果驗證 CNN 卷積神經網路的平均色差值 ΔE*ab 為 0.48，而 U-Net 的平均色差值 ΔE*ab 為 0.52，二者皆優於傳統 (3 x 11) 多項式迴歸模式的 ΔE*ab 為 3.03。雖然 U-Net 建模的平均色差值的精準度略遜於 CNN 模型，但是 U-Net 建模的運算效率比 CNN 建模快約六倍，實

驗透過配備 Nvidia GPU GTX 1080 Ti 的 PC，驗證一張 ISO 12640 (CIELAB/ SCID) 彩色影像之特性化模型，CNN 模型運算平均需要 5 秒，而 U-Net 模型運算平均需要 0.8 秒。本研究證實藉由 CNN 與 U-Net 所產出的色彩特性化建模演算法技術，可提升影像感測器裝置之色彩特性化更高的精度。

高雄市鳳山四大古廟之人物裝飾圖案研究

為了解決pixel 6a台灣的問題，作者簡太鴻 這樣論述：

摘要廟宇是「宗教信仰」的地方，為聚落發展中居民共同的心靈寄託。基於對神明的禮數，廟宇在雕琢、彩塑上無不竭盡講究之能事，可謂傳統藝術的精華，其思想直接反映在中國傳統吉祥圖案裝飾藝術上，透過裝飾圖案裡的吉祥寓意，達到心靈上驅邪避凶、祈福納祥慰藉。廟宇中裝飾人物裝飾圖案的產生，即為滿足此基本需求的產生，從心理學家馬斯洛的「需求層次論」來看，人的需求可分為審美、自我價值之高層次需求，以及溫飽、健康與安全的低層次基本需求。四間廟宇的特色裝飾都與主祀神有關，以主祀神的故事或者隨從為題材的人物裝飾是這四間廟宇的特色。廟宇人物圖案裝飾除了表層的裝飾符號意義外，更具有教化世人的功能，透過人物裝飾圖案的典故，產

生圖案裡的故事結構，教忠、教孝、教四維八德、教固有的倫理道德觀等。由於早期的廟宇建築都屬於較簡陋的祭祀空間，隨著生活的富庶與改善，廟宇建築與裝飾日趨宏大，每隔一段時期都進行整修或者增建。一座廟宇除了主祀神外，更增加了許多的從祀神與配祀神，無論婚喪喜慶、祈福納祥、事業運途都可透過廟宇得到心靈的慰藉。主祀神的不同，可以發現廟宇人物裝飾圖案會和主祀神產生相呼應的題材樣式，最直接就是門神裝飾。從門神裝飾就可以知道主祀神是屬於那個宗教、階級、執掌等明顯的特徵。 本研究的方法，主要採用「文獻分析法」與「田野調查法」。以高雄市鳳山四大古廟中主祀神明與裝飾圖案象徵符號之人物裝飾圖案為研究的主軸。本研究取

樣以廟宇建築以三川殿、龍虎門、拜殿三個位置為廟宇藝術表現的重點所在，其裝飾最為華麗亦最為繁複，也是本研究取樣的範圍。 神話傳說人物，具有祈福納祥、驅邪避凶之象徵意義。古聖先賢具有傳統的四維八德的儒家思想，強調中華文化最深層次的道德象徵。在人物吉祥裝飾圖案中，象徵忠孝節義多以三國演義、封神榜等文學作品為藍本，勸人向善的題材則以幽冥地府的審判為主。 經歸納整理，其結論為：由於生活條件的富庶，科技文明的進步，時間、空間的距離縮點，人們的見識更加寬廣、更多元。思想觀念上，也跟著改變，不再侷限於傳統的人物圖案題材與樣式。現今廟宇人物吉祥裝飾圖案的題材變得更加多元，使得在地精神得以全球化，為廟

宇藝術與文化注入新元素、新風貌。 廟宇人物裝飾圖案，透過仙禽瑞獸、器物、植物與人物之間的搭配組合，產生出獨特的吉祥符號象徵，透過人物的裝飾使廟宇不再只有祈福的功能，更具有民間藝術的收藏意義。