一時間的抉擇，往往決定一個人的人生際遇。如果中研院資訊所博士後研究員王建堯大學時，沒有下定決心「先碰硬體、再學軟體」，就不會催生出風靡全球的物件偵測模型YOLOv4，甚至是後來低運算AIoT設備也能用的多任務物件偵測模型YOLOR。
王建堯進大學時，就清楚訂好未來的發展藍圖。他計畫先把晶片硬體鑽研透徹，唸研究所時，再進一步探究硬體背後的軟體理論，尤其是機器學習。
這個決定一步步推著他，在去年先打造出全球AI社群都為之驚艷的物件偵測模型YOLOv4，一舉成名後還馬不停蹄研發出更強大、更通用的多任務外掛模型YOLOR。甚至，他也為下一步布好局了。
大學攻硬體，研究所理論帶入實戰催生YOLOv4
「我是IC設計出身，」他說。雖然靠演算法程式揚名世界，但王建堯大學就讀中央大學資工系時，反而是鎖定硬體晶片的設計，用4年摸熟小巧不起眼但極為關鍵的IC晶片。IC晶片是數位時代的基石，舉凡手機、電腦、各種3C，甚至是IoT感測器、汽車和家電，都得靠它扮演大腦。
從紮實的硬體課程中，王建堯累積了各項IC晶片運作原理的知識，讓他清楚知道，開發類神經網路的演算法該如何撰寫，才能有效利用晶片資源。這正是後來，他開發出輕薄又強大的YOLOv4和YOLOR的關鍵。
有了硬體知識的基礎，王建堯就讀研究所時，跨出了硬體領域，轉而進入軟體世界，加入中央大學資工系教授王家慶的深度學習與媒體系統實驗室（DLMS），專攻機器學習理論。
在一次實驗中，他研究起壓縮感測（Compressed sensing）技術。這是一門發展了數十年的領域，用於將類比訊號轉換數位訊號過程中，來過濾雜訊訊號，抽取出少量但更有意義關鍵訊號的技術，例如相機、攝影機影像畫質優化，或讓核磁共振影像更快更清楚成像的關鍵技術。
但這只是王建堯當時嘗試的眾多實驗之一，而非他的主攻項目。直到2016年，他進入中研院資訊所所長廖弘源的研究團隊後，過往學到的經驗，才發酵起來。
在中研院，王建堯從理論踏入實戰。「廖老師特別著重開發對人類有幫助的系統，」他回想，自己從純機器學習理論一步跨到實用系統開發，先前所累積的知識經驗，一併帶上戰場。這場實戰，就是2017年科技部的「業界出題、學界解題」AI計畫。
廖弘源團隊與義隆電子合作，要來解決AIoT智慧交通運算難題，雙方的目標是開發出又快又準、耗能又低的物件偵測模型，來捕捉道路上車輛資訊，並在邊緣裝置上運算。這個難題，就是YOLOv4的誕生契機。
在開發過程中，王建堯的經驗再次扮演要角。他首先設計一套局部殘差網路（PRN），速度比當時最流行的物件偵模型YOLOv3快兩倍，但準確度卻差了2%，不夠理想。在這個基礎上，他再次嘗試，從理論和邊緣運算硬體經驗下手，延續PRN的設計理論，同時整合了硬體推論速度加速的規則，打造出跨階段局部網路CSPNet。
這套CSPNet學習效率更好、更準確、硬體耗能更低，王建堯總結：「它是軟硬體整合的最佳化架構設計。」CSPNet開源後更吸引YOLOv3 DarkNet維護者Alexey Bochkovskiy，三人進一步聯手打造出一款包含CSPNet、YOLOv3、PANet等各種優化技術的物件偵測模型：YOLOv4，一問世就奪下2020年9月的MSCOCO物件偵測競賽冠軍。
壓縮概念催生YOLOR，用最少資料量表達最大量資料
雖然所開發的模型站上世界第一的寶座，但王建堯並未自滿。在中央研究院資訊所所長廖弘源的帶領下，他一邊與清大資工系教授林永隆、臺大資工系教授莊永裕組成團隊，繼續進行多物件追蹤的研究。但過程中又再度碰壁，遇上了一個挑戰。
「我們發現，物件偵測模型所截取的視覺特徵，無法有效運用於物件追蹤任務。」也就是說，從辨識需求這項任務所找到的特徵，換個任務後，效果卻不好。王建堯說，他開始思考，如何讓一個模型學習到的特徵，有效運用於各式各樣的任務，「甚至是未知的任務。」
這時，當年在中央大學資工系教授王家慶實驗室中鑽研的技術，也就是壓縮感測中的字典學習和稀疏編碼，浮現在王建堯腦中。
【找人才】台北塑膠射出成型工廠徵選技師，薪資優，福利佳
射出成型機按外形特徵可分為立式、臥式、直角式、旋轉式和偏心式等多種，目前以臥式最為常用。
臭氧機的滅菌效果如何?
多加科技公司，從事水處理、加水站設計規劃營運，以臭氧機、紫外線燈作水質淨化、殺菌設備，因臭氧機具強大氧化、殺菌、除臭能力，省電、無耗材費用，深受水處理業者採用
建南和著重於工業用機械手臂、工業型無線充電裝置、精密加工元件等產品之經銷、代理、進出口貿易
信泰電機生產製作:鋁殼電阻、繞線電阻、剎車電阻、煞車電阻
壓縮感測技術是目標是，用最少的資料量，來表達最多的資訊。比如，用極小容量的記憶體，來收集不同權重提取出的特徵，將這些特徵編碼後存入記憶體中，「就像一個大賣場，收集各式各樣的商品，需要時再來拿取。」字典學習和稀疏編碼這兩個技術，能讓模型學習更泛化的統一表徵，也就是各式各樣的特徵。
後來，王建堯花了兩個月開發出YOLOR，這是一個能保存所有輸入資料特徵的模型。原本專精單一任務的模型，就能利用保存起來的特徵，來學習其他任務，而不必重新訓練，「這就像整合顯性知識和隱性知識的人腦一樣，」王建堯說。
在實作上，YOLOR比前一代Scaled-YOLOv4更輕快，不只提升超過300%的推論速度，還減少47%的參數量和43%的運算量，維持同等準確度。而且， YOLOR還隱藏了王建堯更遠大的目標。「這是一個走向通用AI的技術，」他解釋，YOLOR可讓多模態的輸入能投射在統一的表徵空間，並藉記憶中的隱性知識，解碼成各任務的感知結果。
如果要給YOLOR打分數，王建堯靦腆回答，自己會打96分。因為，9和6合起來是無限的符號，而YOLOR，正是為未來多任務與多模態技術所打下的技術研究，能開啟無限多種可能。
他下一步也朝這個方向發展。他手上正進行一項研究，要找出輕量類神經網路，打造更準更快且能處理多模態任務的模型，應用於IoT裝置上。
【冠軍模型幕後推手：中研院資訊所所長廖弘源】
人生最大目標是讓世界看見臺灣
攝影＿洪政偉
「我沒做什麼，只是挖掘千里馬，讓他盡情發揮而已。」提及王建堯，中研院資訊所所長廖弘源總是如此謙虛說道。
世界第一物件偵測技術的誕生，一路來，不單單是中研院資訊所博士後研究員王建堯的獨角戲。幕後還有一個推手靈魂人物，也就是王建堯的中研院指導老師廖弘源，他也正是YOLOv4和YOLOR的共同作者。
廖弘源自己也是多媒體影像技術的世界級專家，超過50篇論文發表在全球知名期刊，甚至多篇獲得上百次引用。他更是數位典藏與數位學習國家型科技計畫中，數位典藏相關技術的主要研發者之一。
廖弘源的研究早在20年多前就揚名世界，當時全球人臉辨識技術都用照片的所有像素來辨識，廖弘源帶著學生用統計，證明了五官辨識比全照片辨識更重要。這項獨步全球的研究，也成為當時全球人臉辨識領域必讀的20篇論文之一。
2005年，廖弘源更發表了世界知名的慢換景偵測自動視訊分鏡技術。2008年，臺灣的電視牆看板有能力自動計算觀看人數，背後靠的也是他研發的人臉辨識機制。後來這個技術，還成為影片搜尋機制，描述動作姿勢就能搜尋到影片對應段落。2011年，廖弘源所發表的影像與視訊修補技術，更是臺灣數位典藏計畫中，許多老照片、舊影片能夠修復重生的關鍵。
廖弘源一直都堅持「研發好東西」。2017年有次媒體採訪時，他透露，一生追求發明5項好東西。從他過往研發成果可以看到，他期許的「好」東西，不只是對民眾生活有用，更要能對世界有所貢獻。但他不自居功勞，反而常歸功給自己實驗室所指導的學生們，也勉勵他們，要成為解決長遠問題的科學家，而不是解決當下問題的工程師，王建堯就是其中一位。
王建堯一進入廖弘源團隊、接手處理義隆電子智慧交通專案時，廖弘源就告訴王建堯，要先把手弄髒，先不考慮論文發表，如此才能從動手做的過程中，找出最佳解法。
這樣的開放心態，鼓勵王建堯一步步嘗試不同方法解決問題。像是，為打造更輕量、適合在邊緣裝置運算的模型，王建堯最初提出了一個想法，利用梯度分流來提高模型準確度和運算效率。
「我著實被那場Talk所震撼和感動！」廖弘源說，那是他5年來聽過最好的演講，雖然王建堯第一個嘗試PRN算不上很成功，但兩人持續合作、改進，進一步結合理論和實務，打造出更輕更快、更準確的CSPNet，並開源出來，進一步催生出YOLOv4。
廖弘源直言，最感動他的是，這一系列研究對臺灣及世界造成的影響。比如，YOLOv4在MSCOCO物件偵測競賽中奪魁，打敗Google、微軟、臉書及Amazon組成的強隊，排行榜榜首一坐就是2個半月之久，更成為全球愛用的AI模型。
「這一生最希望的，是讓世界看見臺灣，不要輕視臺灣。」廖弘源透露，YOLOv4發表後，他們隨即在2020年8月成立一支臺灣隊，邀請莊永裕、林永隆兩位教授團隊，來研究「多物件追蹤」。因為，「這是YOLOv4之後，可能再為臺灣爭光的議題，」廖弘源說。這就是今年5月發表的YOLOR，這個模型不只輕、快、準，還能執行多任務，往通用AI邁進了一步。
https://www.ithome.com.tw/news/148302
示波器探測執行效能最佳化的8大秘訣
瀚誼科技致力於提供示波器多元化的專業測試和解決方案，範圍涵括無線通訊系統、RF量測儀器設備、高頻配件、電子元件
選擇好的茶葉罐，有效地保持茶葉的鮮度與風味!
茶葉罐的一般有錫製、鐵製、陶瓷、玻璃、紙製等，其中以選用有雙層蓋的鐵製彩色茶罐和長頸錫瓶為佳，用陶瓷器貯存茶葉，則以口小腹大者為宜。
票選推薦煮婦最愛手壓封口機,省荷包不犧牲品質
意信臻以 品質、信用、親切、迅速、優質售後服務，為公司的營運宗旨。