KMITL Innovation Expo 2025 Logo

นภาระยับ

นภาระยับ

รายละเอียด

แบบจำลองเชิงแนวคิด (conceptual model) ที่ได้แรงบันดาลใจมากจากกระจกสีในสถาปัตยกรรมกอทิก (Gothic) ถ่ายทอดความซับซ้อนและสมดุลผ่านลวดลายเรขาคณิตที่ประณีต ซึ่งสะท้อนถึงความกลมกลืนอันศักดิ์สิทธิ์ โครงสร้างที่สมมาตร และการไล่ระดับของแสงที่ลอดผ่านกระจกสี ช่วยสร้างมิติของความเคลื่อนไหว เสริมให้บรรยากาศโดยรอบเปี่ยมไปด้วยความศักดิ์สิทธิ์และมนต์ขลัง เปรียบดั่งหน้าต่างที่เปิดสู่สรวงสวรรค์

วัตถุประสงค์

โครงการนี้เกิดจากแรงบันดาลใจในการสำรวจความสัมพันธ์ระหว่างศิลปะสถาปัตยกรรมกอทิกและการออกแบบสมัยใหม่ โดยนำกระจกสีมาใช้เป็นแรงบันดาลใจในการศึกษาความสมดุลและความศักดิ์สิทธิ์ของลวดลายและแสง เพื่อแสดงให้เห็นถึงความสำคัญของแสงและวัสดุในการสร้างบรรยากาศที่มีความลึกและความเคลื่อนไหว

นวัตกรรมอื่น ๆ

การตรวจจับอารมณ์ผ่านวิดีโอจากการแสดงออกทางสีหน้าที่มีความทนทาน  ต่อการบดบังบางส่วน

คณะเทคโนโลยีสารสนเทศ

การตรวจจับอารมณ์ผ่านวิดีโอจากการแสดงออกทางสีหน้าที่มีความทนทาน ต่อการบดบังบางส่วน

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

ลัคกี้ ลักษมี

คณะสถาปัตยกรรม ศิลปะและการออกแบบ

ลัคกี้ ลักษมี

เครื่องทำนายโชคชะตาแรงบันดาลใจพระแม่ลักษมี เทพีเเห่งความเจริญรุ่งเรือง : Luckier in Love Everyday — 2025 Edition. Amidst the buzz of the mall, take charge of your love destiny—because fate is so last season. ลูกรักลักษมีควรรู้... ตามหารักให้เหมือนช้อปปิ้ง - รีบซิ่งไปช้อป ก่อนหมดสต็อกนะจ๊ะ , Lakshmi 2025 Edition เครื่องทำนายโชคชะตาสุดล้ำ แรงบันดาลใจจากพระแม่ลักษมี เทพีแห่งความเจริญรุ่งเรือง เปลี่ยนโชคชะตาความรักของคุณให้กลายเป็นสิ่งที่คุณกำหนดเอง!

โครงการออกแบบ Micro car สำหรับนักศึกษาโดยแบรนด์ Nike

คณะสถาปัตยกรรม ศิลปะและการออกแบบ

โครงการออกแบบ Micro car สำหรับนักศึกษาโดยแบรนด์ Nike

-