2026-10-302026-10-30https://scholars.csmu.edu.tw/handle/123456789/36960在機器學習中，碎形維度或其對應的赫斯特指數經常擔任特徵的角色。隨著深度學習的進步，許多研究人員毋需事先擷取影像特徵即可進行疾病分類。然而，經前一期的研究證明，特徵工程對深度學習仍具有相當的影響力。該計畫證明，將原始影像當作第一種模態輸入，再將原始影像轉換成赫斯特指數圖以做為第二種模態輸入，接著整合兩種模型的影像特徵，可以獲得更好的辨識率。因此，準確地估測赫斯特指數可提升醫學影像的辨識率，以節省因錯誤辨識造成的醫療開銷。此外，此計畫所提出的多流模型用於單一資料集的用法，有助於研究人員在有限的資源(資料集)下，善用各類團隊提出的預訓練模型以持續增加最終性能，將對學術界提供一條嶄新的研究路徑。二維分數布朗運動分數布朗表面碎形維度赫斯特指數最大相似估測器深度學習多流模型two-dimensional fractional Brownian motionfractional Brownian surfacefractal dimensionHurst exponentmaximum likelihood estimatordeep learningmultiple-stream modelProject