問題的答案無所不包論文書籍站
國立臺灣大學 電信工程學研究所 林宗男所指導 顏宏宇的 為無序性資料集設計之基於深度學習之自動學習資訊檢索系統 （2019），提出ocr貼合關鍵因素是什麼，來自於深度學習、訊息檢索、無序性資料。
而第二篇論文國立彰化師範大學 光電科技研究所 黃啟炎所指導 莊幃名的 觸控面板材料光電與可靠度之特性研究 （2014），提出因為有 霧度、可靠度、光學膠、電性量測的重點而找出了 ocr貼合的解答。
為無序性資料集設計之基於深度學習之自動學習資訊檢索系統
為了解決ocr貼合 的問題，作者顏宏宇 這樣論述：
近年來由於現代資訊系統的發達，各種資訊量成指數型成長，如何讓使用者能方便快速找出所需的資料愈顯重要。用於各式資訊檢索的模型日漸被提出，也展示了在一般網路搜尋環境下優異的搜尋能力。然而，此類研究皆專注於日常常見的有序性資料集。有序性資料即為資料中各個詞排列順序會影響資料整體意義的資料，大多數網路上的資料文章，只要以文字形式儲存的基本上都是有序性資料；無序性資料則是資料中的各個詞，即使順序調換也不會影響資料整體的意義。以我們擁有的資料集來說，由於原始資料為圖片，為了取出其中的文字我們使用了光學字元辨識（OCR），導致無法保證取出的詞相互的上下文關係，這就是一種無序性資料集。在這篇論文中，我們設計
了一個系統專門用於解決無序性資料集上的資訊檢索系統。並且我們的系統訓練資料皆可以從使用者行為紀錄中產生，因此可以收集資料、自動學習使用者之行為。為了在無序性資料集上解決資訊檢索的問題，我們將每個在 query 中的每個字詞分開，以避免上下文之間的資訊誤導。將字詞分別加上文件送進訓練好的類神經網路（DNN）進行評分，也就是文件以及輸入字詞的相關程度。將屬於輸入的所有字詞總合起來即為文件與輸入之分數，在對所有文件以此分數進行排序做為系統輸出。實驗中我們使用我們所持有的搜尋系統做為訓練與測試資料，並使用統計模型產生模擬的 label 來模擬使用者的真實行為，當使用 NDCG 評量指標時，分數比相關文
獻中針對有序性資料及設計的模型(Conv-KNRM)增長了2-3百分比不等。為了使訓練神經模型的效果更好，在訓練模型時我們也使用了新的輸出設計。以往在訓練此種神經網路時，通常都是以一個輸入加上一個文件當成一組作為訓練，而我們則使用一個輸入加上兩個文件當成一組作為訓練。此種訓練方式在基於相同訓練時間的實驗中證實比原有的設計更快收斂、效果更好。另外也進行了從較弱的模型（tf-idf模型）開始訓練，後來加入較強的模型（BM25）做為使用者新的行為模擬，在訓練後可以完全貼合bm25的搜尋結果，證明此系統可以隨著使用者點擊紀錄來優化搜尋結果。
觸控面板材料光電與可靠度之特性研究
為了解決ocr貼合 的問題，作者莊幃名 這樣論述：
本篇論文研究觸控面板材料，內容分為三個部份，第一部份著重在反射霧度量測之探討，主因為商用霧度計在量測低霧度樣品時解析度不足。本實驗開發高解析度霧度光學量測系統，成功地模擬人眼所見的白霧現象。第二部份探討觸控式面板光學膠之可靠度測試，因為光學膠在正常環境使用下壽命達52350 hr。因此，本論文使用Arrhenius模型求得加速條件下試驗歷時，訂定計算光學膠壽命測試標準。第三部份是光學膠電性量測之研究，利用直流阻抗、交流阻抗、片電阻等量測方法分析光學膠阻抗。實驗證實交流阻抗法適合用於量測光學膠之阻抗。研究並發現，環境中的水氣對於光學膠阻抗有顯著的影響，因為水氣會導致光學膠電阻變小、電容變大。電
阻變小會使電極層之間絕緣性不足而導通；而電容變大則會使觸控面板之接收層訊號與模組層訊號互相干擾，導致觸控不準。