shannon entropy計算的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

以眼動作業之多尺度熵分析畫面複雜度

為了解決shannon entropy計算的問題，作者林慶諭 這樣論述：

隨著網路的普及化，使用者對於網頁的需求已經改變，開始追求良好的使用體驗，因此開發人員開始注重在網頁介面改善，儘管如此，使用者還是持續抱怨網頁網站複雜且難以操作，相關研究發現網頁複雜度是導致此狀況的一個關鍵因素。但目前針對網頁複雜度的研究大多依賴主觀評論，缺乏可以客觀量化的評量，因此本研究試圖建立一套客觀的複雜性定量方法。本研究主要應用多尺度熵(multiscale entropy)計算時間序列資料波動的複雜性，以電子商務網站為基礎產生三種水平的複雜度網頁介面，透過13位受試者在網頁介面中搜索目標物的任務進行使用者瀏覽網頁之實驗，從中得到客觀的眼睛運動數據、心率變異、膚電流反應與主觀的心智負荷

評估，並將多尺度熵應用至生理數據進行分析，希望利用此方法探討網頁複雜度和生理數據複雜性的變化。本研究結果發現在複雜度愈高的網頁介面時，其熵值愈高，眼動訊號經過多尺度熵的計算後可以量化網頁的複雜度；且再次驗證當網頁介面的複雜度為適中時，其心智負荷最低，成正U形曲線。期望本研究之結果，能為網頁複雜度帶來貢獻。

利用深度學習演算法及RGBD影像於人臉辨識之研究

為了解決shannon entropy計算的問題，作者顏毓昌 這樣論述：

隨著人臉辨識技術的發展，各種辨識特徵與演算法的精進，使得許多應用隨之出現，例如身分辨識被應用在機場、門禁與犯罪偵防，可以加速、簡化流程與減少人力資源；另外透過人臉影像分析也可以進行性別、年齡、表情等判斷，部分應用已被企業採用並商業化，幫助企業獲利。近年來機器學習方面有了重大突破，硬體方面出現了NVIDIA 所開發的GPU使得深度學習演算法的效率大幅提升。在Apple公司推出帶有人臉辨識技術的智慧型手機後，全球掀起了人臉辨識技術的熱潮，而該人臉辨識技術使用的則是當下最熱門的深度學習演算法。同一時間內，世界各國與企業開始看好人臉辨識與深度學習的未來發展，期待能結合大數據分析，開發創新模式與便利快

速的應用。人臉辨識對於拍攝環境的光源有很大的影響，另外品質差的影像如含有過多的雜訊也會導致辨識率下降。本研究利用自行蒐集的人臉影像，並利用深度學習技術進行訓練。結合Kinect V2攝影機的深度資訊來進行3D人臉與照片的判斷。在實驗中，身分辨識的部分使用自行蒐集的30個人共4962張影像，並依訓練、驗證8:2比例進行測試。測試資料集為10個人在8個不同環境下所蒐集的影像共12164張，實驗結果平均準確率為84.46%、TOP3準確率為90.13%。本研究也與AlexNet、GoogLeNet V3、VGG-16進行比較，將效率與辨識率列入考慮並與所提出的模型進行比較。最後在判別3D人臉與2D照

片部分，本研究蒐集的3D人臉深度資料共計10個人，3174筆、照片的深度資料共163筆，透過資訊量entropy計算並選取合適的門檻值來區分這兩種情況，可以100%區分出測試物為3D人臉或是2D照片。最後根據不同人臉影像資料集(包含RGB, D, RGBD 模式)進行訓練，每個資料集中有3074個影像。將每個資料集分為三個部分，訓練、驗證和測試比例為7:2:1。準確率分別為96.75%，99.35%和100%。此外，邀請資料集中的6個人在4個不同的環境中進行測試，分別獲得79.51%，88.01%和82.66%的平均準確率。