第25個冬天

  2026年IEEE 針對Deepfake兩篇Review論文 Explainable Deep Learning for Digital Image Forgery Detection: A Systematic and Critical Review https://ieeexplore.ieee.org/document/11467619 大多數鑑識框架使用二元分類結果 真正例（True Positives, TP）、偽陽性（False Positives, FP）、偽陰性（False Negatives, FN）與真陰性（True Negatives, TN）來評估檢測準確度與定位可靠性 精確率（Precision）、召回率（Recall）、F1 分數（F1-score）、交集比並（Intersection over Union, IoU）、準確率（Accuracy）以及馬修斯相關係數（Matthews Correlation Coefficient, MCC）是最常被採用的衡量指標 Conclusion 即時或大規模的鑑識部署亦具挑戰性，資源與限制仍是部署上的瓶頸。 未來研究應探討可於裝置端或雲端輔助分析上使用的輕量、低成本且具可擴展性的平臺。 Deepfake Detection in Images and Videos: A Comprehensive Review of Techniques and Challenges https://ieeexplore.ieee.org/document/11570319 深偽偵測方法 Image-Based Deepfake Detection Video-Based Deepfake Detection Graph-Based Deepfake Detection Ensemble and Hybrid Deepfake Detection Conclusion and future work 現有方法仍在產生高品質 deepfake、跨資料集泛化（過度擬合）、資料集多樣性不足以及在計算資源受限情況下運作等方面面臨挑戰。 未來的工作應著重於開發在未見操控技術與多樣化實際情境下仍具穩健性與泛化能力的偵測框架。諸如視覺與音訊等多模態資料能大幅提升偵測效能。 除此之外，亦需研發輕量且高效的模型，以便在應...

Do Deepfakes Adequately Display Emotions? A Study on Deepfake Facial Emotion Expression https://pmc.ncbi.nlm.nih.gov/articles/PMC9596270/#B15 用Dataset :Celeb-DF Detecting Deepfakes using Temporal Consistency of Facial Expression Transitions https://ieeexplore.ieee.org/document/11268852 用Dataset : DeeperForensics-1.0 Emotion-Audio-Visual Alignment for Deepfake Detection: A Multimodal Semantic Inconsistency Approach https://assets-eu.researchsquare.com/files/rs-9202918/v1_covered_949e2635-99a4-47aa-b8ca-7552dda9f330.pdf?c=1781879317 為什麼需要在臉部表情分析中使用自定義表情呢？ - Noldus https://humansci.kyst.com.tw/blog/detail/881 FaceReader™ 臉部表情分析軟體 https://humansci.kyst.com.tw/Facereader?page=1&limit=30&lv1=30 情緒辨識AI技術介紹 https://ai.iias.sinica.edu.tw/emotion-ai-tech-intro/ 情緒辨識與年齡偵測(Deepface 函式庫) https://steam.oxxostudio.tw/category/python/ai/ai-emotion.html Facial Action Coding System (FACS) – A Visual Guidebook https://imotions.com/blog/learning/research-fundamentals/facial-action-coding-system/?s...

Opencv人臉檢測內建的是CascadeClassifier (級聯檢測)，採用Haar特徵。 透過正負樣本訓練得到級聯方程式 Haar-like Features 是一種量化描述影像特徵的方法，藉由定義不同的模板實踐邊緣特徵、線性特徵、中心或對角線特徵的計算。 例如人臉影像中，可直觀去感受到眼睛比雙頰顏色在深色一些，鼻樑兩側要比鼻樑顏色更深。 嘴巴比周圍顏色深諸如此類。如此我們可設計不同尺寸、角度的特徵模板進行計算。 在人臉偵測中Haar-like Features，它不直接判斷一個像素的顏色，而是比較影像中相鄰矩形區域的亮度差異，藉此描述人臉的局部結構。 例如，人臉通常具有以下明暗規律： 眼睛區域通常比臉頰暗。 眉毛通常比額頭暗。 鼻樑通常比鼻子兩側亮。 嘴巴通常比周圍皮膚暗。 一個 Haar 特徵通常由白色與黑色矩形區域組成，其特徵值可表示為： Haar特徵值=白色區域像素總和−黑色區域像素總和 如果這個差值符合訓練時所學到的人臉明暗關係，就可能被判定為人臉特徵。 Viola-Jones 人臉偵測法使用 積分影像，讓任意矩形區域的像素總和只需要查詢四個位置。 也就是從影像左上角到目前位置之間，所有像素值的總和。 對一個矩形區域，假設四個角的積分影像值為 A、B、C、D，矩形內像素總和可快速計算為： 矩形總和=D−B−C+A 因此，不論矩形有多大，都只需要少量加減法，這也是 Haar Cascade 能在 CPU 上快速執行的重要原因。 Haar 特徵與 AdaBoost 的關係 AdaBoost 的任務就是從大量 Haar 特徵中，挑選最有用的特徵。 每一個 Haar 特徵可以形成一個簡單的弱分類器： Haar Cascade 人臉偵測流程 將影像轉換為灰階影像。 建立積分影像。 使用不同大小的視窗掃描整張影像。 在每個視窗中計算 Haar 特徵。 使用 AdaBoost 選出的弱分類器進行判斷。 將弱分類器安排成多階段級聯結構。 任一階段未通過，就排除該視窗。 通過全部階段的區域，視為可能的人臉。 合併彼此重疊的人臉框，得到最終偵測結果。 C++程式碼 #include <opencv2/opencv.hpp> #include <iostream> #include <direct.h> // _getc...

  首先到opencv org官方網站 https://opencv.org/releases/ 去下載解壓安裝包 執行安裝精靈程式後會自動解壓到指定目錄 先將bin目錄複製起來 E:\Libraries\opencv\build\x64\vc16\bin 開啟設定=>【系統資訊】 =>點選【進階系統設定】=>點選【環境變數】 到下方【系統變數】=>點選【Path】=>之後再點選【編輯】=>開啟【編輯環境變數】跳窗 =>新增貼上 後續再連點3次確定關閉視窗返回主畫面。 開啟Visual Studio 2022 新增主控台應用程式專案 配置include目錄 E:\Libraries\opencv\build\x64\vc16\lib 配置連結器 => 其他程式庫目錄 配置連結器 =>輸入=>打上  opencv_world4120d.lib 測試程式碼 #include <opencv2/opencv.hpp> #include <iostream> using namespace cv ; int main () { std::cout << "OpenCV: " << CV_VERSION << std::endl; Mat img = cv::imread( "C:/img/Bike_Unbrella.jpg" ); namedWindow( "First OpenCV Application" , WINDOW_AUTOSIZE); cv::imshow( "First OpenCV Application" , img); cv::moveWindow( "First OpenCV Application" , 0 , 45 ); cv::waitKey( 0 ); cv::destroyAllWindows(); return 0 ; } 執行效果 Ref: OpenCV C++ on Windows — Visual Studi...

在2016論文此篇文獻中，主要是首篇探討議題是從臉部影像偵測脈搏藉此來達成泛化性人臉防偽偵測。早期針對遠程光體積變化描記圖法(remote Photoplethysmography, rPPG)大部分聚焦在生理健康監控方面應用。 文獻探討到人臉生物辨識系統在早期時常會受到偽裝攻擊，包括出示某個使用者照片通關或用影片、3D面具等手法。早期手法是透過影像的局部描述子去擷取紋理上固有差異，而這類方法的限制在於，不適用於未見過的攻擊類型，比方更仿真的真實皮膚紋理的3D面具，即可能造成失效。 因此論文主要採用從人臉影片或視訊去進行活體檢測的泛化解法，首先透過3DMAD面具偽裝資料庫(The 3D Mask Attack Database)，官方提供的評估方法，來驗證再偵測3D面具攻擊方式的有效性。 此篇論文也去探討之前Erdogmus 等學者們 [11] 透過釋出第一個 3D 面具攻擊資料集 3DMAD 來處理這個問題，資料集中攻擊者佩戴目標人物的 3D 臉部面具。 他們也展示了這類攻擊能夠騙過利用眼睛眨動 [8] 或深度資訊 [10] 的防偽方法。 受 [7] 啟發，Erdogmus 等人使用基於局部二值模式（LBP） [12] 的臉部紋理表示來偵測 3D 面具攻擊。雖然基於紋理的方法在 3DMAD 上表現良好，但一個潛在限制值得關注。3DMAD 所包含的面具存在明顯的 3D 列印痕跡。從圖1中可觀測到當拿更逼真的面具時，LBP方式會失真，不再能依賴單純紋理特徵作假臉鑑別。 圖1. 3DMAD（左）與 REAL-F（右）中使用面具的比較。 3DMAD資料集Link: https://www.idiap.ch/en/scientific-research/data/3dmad https://github.com/blancaag/face-datasets/blob/master/3D/README.md Printed 3D Masks Attacks Dataset - 3,800+ videos https://www.kaggle.com/datasets/unidpro/3d-mask-attack https://www.face-rec.org/databases/ https://www.idiap.ch/en/scientific-research/dat...

  快速評估腦中風及心血管疾病風險之非侵入式影像技術 https://innoaward.taiwan-healthcare.org/award_detail.php?REFDOCTYPID=0oixuypu3kj5hwfu&REFDOCID=0oj71pdqhff4j6sz (2015/6)國立台灣大學工學院機械工程學系-新型非侵入式頸動脈血管疾病檢測方法 https://www.airitilibrary.com/Article/Detail/U0001-0207201511322000 Applicability of rPPG-Based Deepfake Detection: Evaluating Heart Rate Estimation in Forensically Relevant Conditions https://www.clhc.nl/shared-content/research-topics/2025-2026/applicability-of-rppg-based-deepfake-detection.html?cb (2024/11)Facial and Neck Region Analysis for Deepfake Detection Using Remote Photoplethysmography Signal Similarity https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/bme2/7095412 (2025/4)Examination of Signal-to-Noise Ratio in Remote Photoplethysmography Signal Extraction for Video Authenticity Detection https://ieeexplore.ieee.org/document/10967967 (2025/8)Utilizing rPPG Signal Synchronization and Deep Learning Techniques for Deepfake Video Detection https://ieeexplore.ieee.org/document/11145026 (2...

人工智慧時代的資料導向決策科學－ 報名截止日：09/04(週一18：30～21：30) 2026-09-07~2027-01-04 https://cec.nycu.edu.tw/Course/CourseInfo?CId=93310 人工智慧金融投資決策－ 報名截止日：07/01 (7/4~8/22每週六上課，共8週。) 2026-07-04~2026-08-22 https://cec.nycu.edu.tw/Course/CourseInfo?CId=93321 科技管理研究方法與論文撰寫－ 報名截止日：09/04(週四 18:30~21:30) 2026-09-10~2027-01-07 https://cec.nycu.edu.tw/Course/CourseInfo?CId=93309 115-1 科技管理研究所學分班-量化研究方法－ 報名截止日：09/04(週一18：30～21：30) 2026-09-07~2027-01-04  https://cec.nycu.edu.tw/Course/CourseInfo?CId=93306  (430107)Go人工智慧大數據平行運算 2026-02-23~2026-06-13 報名截止日：02/10 https://cec.nycu.edu.tw/Course/CourseInfo?CId=93152 https://timetable.nycu.edu.tw/?r=main/crsoutline&Acy=114&Sem=2&CrsNo=430107&lang=zh-tw

  資訊技術類、 經營管理類及研究方法類共三類課程，至少須選修 6 門（18 學分）， 且至少須選修二類課程。此外， 所修課程須包含至少五門不同本系專任  （ 含已退休之專任教師轉任兼任教師者）或合聘教師所開授之課程。 (3)商用資料通訊-古老師(資訊技術類) (3)策略管理-楊老師(經營管理類) (3)數位內容與機器學習-蔡老師(資訊技術類) (3)數位金融-李老師(經營管理類) (3)資料探勘研究與實務-劉老師(研究方法類) (3)電子商務-蔡老師(經營管理類) (3)分散式系統-莊老師(資訊技術類) (3)分散式網路與社群應用-莊老師(資訊技術類) (3)賽局與策略-李老師(經營管理類) -------------------------------(27) 必修課程四門(10 學分) (3)企業經營與倫理專題講座 (1)碩一上-資訊管理論文研討 (1)碩一下-資訊管理專題 (2)碩一下-個別研究 (3)碩二上-碩士論文研究 -------------------------------(37)

 https://programming-dp.com/ https://programming-dp.com/chapter1.html https://programming-dp.com/chapter3.html https://www.census.gov/programs-surveys/decennial-census/decade/2020/planning-management/process/disclosure-avoidance/differential-privacy.html https://hackmd.io/@phonkaii/HyTwWbJah