學習收穫

​1061716 葉佳銘

基於後方視野之車輛死角偵測暨車道變換警示系統

一、專業方面  

(1) Python

        Python的軟體插件包五花八門，而每一個包也都是一門新的學問，雖然之前也學過Python，但是較常用的是pandas、numpy及BeautifulSoup，但是這次因為是關於圖像辨識與深度學習，因此不只更熟悉了Python的基礎語法，又也是更多學到了Pillow、ImageAI、OpenCV、Pytorch、Keras、tensorflow…等。

(2) 圖像辨識知識

        原本對於圖像辨識方面可說是一竅不通，而現在可以大概的知道一些專有名詞及其含義，其中像是平滑、模糊、濾波、降噪、HSV、霍夫變換、直方圖均衡化、IoU、高斯金字塔、幾何變換…等。

(3) 深度學習知識

        由於在專題中使用的皆是CNN(Convolutional Neural Network)，因此較多學習到的都是關於CNN方面的深度學習。CNN是屬於機器學習中的監督式學習，相比較於其他深度學習結構而言，在圖像和語音辨識方面有更好的結果，而且也不若其他結構需要考量許多的參數。其中有主要的五個結構:卷積層、線性整流層、池化層、完全連接層、損失函式層。

​

二、非專業方面

(1) 英文

        如果說高三是英文能力的巔峰，那麼大一、二肯定就是低谷，而現在必然又是另一高峰了。不論是要閱讀論文、查詢資料、讀懂資料、使用資料皆是要用到英文，因此自然而然的就也學習到了不少的英文。

(2) 閱讀論文

        以前看到論文時，立刻就是一陣驚惶，隨即就硬著頭皮的從頭開始慢慢啃起，然而現在知道了，讀論文不比讀課文，除非已經是專家或專門研究，否則不應該是從頭開始細細的讀，而應該是快速瀏覽後擷取想要的、重要的部分即可。

(3) 撰寫計畫書

        這次的計畫書共需要寫十頁，而這是說長不長也說短不短的長度，要如何剛好不多也不少的完成，考驗的不僅僅是對自己研究目標的了解，也考驗著對文字的駕馭。而在其中也有許多的地方要注意，像是:摘要得放在最後寫、研究動機與問題要明確列出、文獻回顧與探討要扼要的提出重點脈絡、研究方法及步驟要完整的闡釋詳述、預期結果需要呼應研究動機與問題、參考文獻的格式、整個計畫書的格式…等。

(4) 環境建置

        在以往要編寫程式時，絕大多數的時候只要將編譯器照著步驟，慢慢的按下一步就可以安裝完成順利執行。但是在這一次卻並非輕易的就可以處理好環境，不僅僅三方的程式版本與硬體皆要相互對應到、安裝的先後也是有別，要額外做出調整的地方更是不少，更遑論是要在不熟悉的linux系統上建置了。

(5) 資料查詢

        在這一方面應該是學習、改變最多的，以前總是只會下中文的關鍵字，也對英文的網頁都退避三舍，只會點開有中文的網頁，但是後來發現如果只使用中文，那麼找到的資料就會少很多，特別是比較專業深入的知識與技術。