-
-
คณะวิทยาศาสตร์
จากการเข้ามาถึงของนวัตกรรมทางมัลติมีเดียอย่างเกมทำให้การเข้าถึงสื่อไม่เหมือนเดิม สร้างความแปลกใหม่ให้กับการเสพสื่อ โดยโอเวอร์สเตียร์เป็นโครงงานที่ใช้ประโยจน์จากสื่อประเภทเกมเพื่อทำให้ผู้ใช้สามารถสัมผัสประสบการณ์การขับรถคล้ายกับการขับรถบนสนามแข่ง
คณะวิศวกรรมศาสตร์
การออกแบบและพัฒนาหัวรถจักรไฟฟ้าเพื่อเข้าร่วมการแข่งขัน TRRN Railway Challenge 2025 มุ่งเน้นการพัฒนาศักยภาพในการเรียนรู้และการประยุกต์ใช้ทฤษฎีในภาคปฏิบัติ โดยเน้นการพัฒนาหัวรถจักรให้สามารถพิชิตบททดสอบต่างๆ เช่น อัตราเร่ง ระบบหยุดรถอัตโนมัติ เสียงรบกวน การสั่นสะเทือน การใช้พลังงาน และความทนทาน รวมถึงการพัฒนาทักษะในการเขียนรายงานการออกแบบทางวิศวกรรมเพื่อเสริมสร้างทักษะในการวิเคราะห์และอภิปราย เพื่อให้สามารถผ่านการทดสอบตามกฎเกณฑ์ของการแข่งขันได้อย่างครบถ้วน
คณะเทคโนโลยีสารสนเทศ
การตรวจจับอารมณ์ผ่านการแสดงออกทางใบหน้า (Facial Expression Recognition, FER) ได้รับความสนใจอย่างมากในหลายสาขา เช่น การดูแลสุขภาพ การให้บริการลูกค้า และการวิเคราะห์พฤติกรรม อย่างไรก็ตาม ความท้าทายยังคงอยู่ที่การพัฒนาระบบที่มีความทนทานและสามารถรับมือกับการเปลี่ยนแปลงของสภาพแวดล้อมรวมถึงสถานการณ์ที่หลากหลายได้ ผู้วิจัยได้นำเสนอการใช้เทคนิค Ensemble Learning เพื่อรวมผลลัพธ์จากโมเดลหลายตัวที่ถูกฝึกในเงื่อนไขเฉพาะ ทำให้ระบบไม่ลืมข้อมูลเก่า และยังสามารถเรียนรู้ข้อมูลใหม่ได้อย่างมีประสิทธิภาพ โดยเทคนิคนี้มีข้อได้เปรียบในด้านเวลาและทรัพยากรที่ใช้ในการเทรน เนื่องจากช่วยลดความจำเป็นในการสร้างโมเดลใหม่ทั้งหมดเมื่อมีสภาพแวดล้อมใหม่ เพียงเพิ่มโมเดลเฉพาะทางใหม่ในระบบ Ensemble ซึ่งใช้ทรัพยากรน้อยกว่าแทน ในงานวิจัยนี้ Ensemble Learning ถูกแบ่งออกเป็นสองแนวทางหลัก คือ การเฉลี่ยผลลัพธ์จากโมเดลเฉพาะทางที่ถูกฝึกภายใต้สถานการณ์เฉพาะ (Averaging Ensemble) และการใช้เทคนิค Mixture of Experts (MoE) ซึ่งเป็นการผสมผสานโมเดลหลายตัวที่เชี่ยวชาญในสถานการณ์ต่าง ๆ ไว้ด้วยกัน ผลการทดลองแสดงให้เห็นว่า การใช้ Mixture of Experts (MoE) มีประสิทธิภาพสูงกว่าวิธี Averaging Ensemble ในการจำแนกอารมณ์ในทุกสถานการณ์ โดยระบบ MoE สามารถเพิ่มความแม่นยำเฉลี่ยได้ถึง 84.41% บนชุดข้อมูล CK+, 54.20% บน Oulu-CASIA และ 61.66% บน RAVDESS ซึ่งสูงกว่าวิธี Averaging Ensemble ที่มีความแม่นยำเฉลี่ยที่ 71.64%, 44.99% และ 57.60% ตามลำดับ ผลลัพธ์เหล่านี้แสดงให้เห็นว่า MoE สามารถเลือกโมเดลที่เชี่ยวชาญในสถานการณ์เฉพาะได้อย่างแม่นยำ และยังช่วยเพิ่มความสามารถในการรับมือกับสภาพแวดล้อมที่ซับซ้อนกว่า