.net core .net frame的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

基於統計準則式方法強化出版物參考元數據提取方法之研究

為了解決.net core .net frame的問題，作者楊庭豪 這樣論述：

出版物字串是描述資源資訊以讓其他研究者可以搜尋到該資源的一種特殊格式字串，通常用於論文最後引用資料描述以及研究者個人的著作資料整理。我們延續過去的研究基礎，提出結合統計技術與知識規則的方法，透過自動化的準則生成演算法與匹配演算法將出版物字串資料轉換為結構化資訊。出版物參考元數據提取作為學術資料結構化的基本任務，除了用於文獻檢索的精確資訊萃取以外，對於研究學術社群活動網路關係也有助益。然而文獻引用格式的變化性大，且文獻格式也以驚人速度增加，這對於出版物參考元數據提取造成障礙。在這一篇論文中，我們將針對此議題作探討，尋求方法來提升參考元數據提取的效果。此篇論文將研究方向集中在兩個議題上：(1)

整合統計技巧與知識本體之系統設計：我們建構了一套知識表達與應用的環境。該環境包含了知識管理環境與整合式方法核心模型，整合式方法核心模型結合了階層架構式的知識本體與統計方法。在簡化了標記工作的同時仍可以保有資訊提取效能。結合知識的系統架構也使得專家能夠分析各階段的錯誤,並針對關鍵處快速改善系統。我們以此環境開發了出版物參考元數據提取模型。(2) 以統計準則式方法(Statistical Principle-Based Approach, SPBA)強化出版物參考元數據提取： 過去實驗室發展了幾個系統來處理出版物參考元數據提取的任務，在發展過程中我們針對準則產生方式改進並嘗試用於不同任務，最後發展

出了SPBA。SPBA方法有三個步驟，第一步為建立知識本體(Ontology)，並用這些知識對文本進行語意標注(Semantic Labeling)。第二步將前一步驟生成的樣板(Pattern)透過準則生成演算法(Principle Generation Algorithm)將樣板們整合成具有代表性的準則(Principles)。最後用準則批配演算法(Principle Matching)提供彈性比對機制以處理多變的引用格式在本論文中，我們以出版物參考元數據提取任務的公開資料集與專家編輯過的雜訊資料集來驗證SPBA方法的可用性，實驗測試了四個期刊論文引用字串資料集跟一個會議論文引用字串資料集。

我們也比較了當前技術的CRF與Bi-LSTM-CRF方法，SPBA方法在元數據提取任務的效能上在各資料集都獲得了改進。在使用較少訓練資料的實驗中也驗證了SPBA的強健性。大多數的出版物參考元數據提取研究少有提出整合機器學習與知識規則的方法，SPBA可填補此空缺。本研究的貢獻可歸納為下列幾點：第一是結合精簡標記與批配，可以減輕標記工作的負擔。第二是讓從資料中生成準則，可以減輕專家撰寫準則的負擔。第三是我們分享了新的出版物參考元數據提取任務資料集，讓後續研究可以有新的發展材料。SPBA作為一個結合知識本體與統計方法的的技術，能夠產生有可讀性的準則，也能夠讓從各步驟中理解出錯誤的原因，這種具可解釋性

的特性將有助於拓展到未來其它需要細緻處理語意的資訊萃取任務。

基於立體匹配及深度學習架構之景深估計與強化方法

為了解決.net core .net frame的問題，作者黃智鉉 這樣論述：

三維視覺技術在很多領域激發出很多相關的研究主題與轉化應用，對於觀賞者來說，三維影像將有助於他們能夠真實的體驗及欣賞相關娛樂、教育及遊戲作品。而對於許多辨識相關系統而言，其深度資訊可協助其演算法做出更精密的判讀，減少因為彩圖資訊所造成的干擾誤判，深度的獲取就扮演了很重要的角色。傳統電腦視覺的方法是利用雙視角影像中兩眼物件的視差來反推出深度值，但往往會在遮蔽、平滑、及重複圖像區產生許多不可避免的誤差。隨著類神經網路的發展，雙視角深度估測所面臨的問題也漸漸被解決，且在單視角深度估測的準確度也有大幅度提升。本論文提出傳統及深度學習方面的深度估測演算法。對於傳統演算法的初始成本運算，利用了四階普查以及

超畫素分割資訊，且成本疊代也利用多種不同搜索框來增加其可靠性。在深度優化方面，因為有了物件分割資訊，我們將可以依照相對應之物件延伸其深度資訊，來達到重建的效果。而在深度學習深度估測方面，我們利用了多尺度特徵來做左右圖像素關係的運算。並且利用多尺度的關係特徵來還原出各尺度深度圖以提升估測表現。除此之外，在單視角估測使用了相對關係深度的計算方式，可以更兼容的運用在各種場域的環境中。實驗結果顯示，本論文所提出的多個方法分別在各種不同條件下都展現不錯的表現。