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
ปัจจุบันการตรวจจับอารมณ์ของมนุษย์ผ่านการแสดงออกทางใบหน้า (Emotion Detection Using Facial Expression) ได้รับความสนใจมากขึ้น เนื่องจากมีการประยุกต์ใช้อย่างแพร่หลายในหลายด้าน เช่น สุขภาพจิตการศึกษา และการบริการลูกค้า อย่างไรก็ตาม การพัฒนาระบบที่มีความแม่นยำและสามารถทนทานต่อการเปลี่ยนแปลงของสภาพแวดล้อม เช่น การบดบังบางส่วนของใบหน้า หรือสภาพแสงที่ไม่สม่ำเสมอ ยังคงเป็นความท้าทายหลัก โดยเฉพาะการพัฒนาโมเดลที่สามารถทำงานได้ในสภาพแวดล้อมที่หลากหลาย จากการศึกษางานวิจัยเกี่ยวกับ Facial Expression Recognition (FER) ผู้วิจัยพบว่าเทคนิค Frame Attention Network (FAN) ซึ่งเป็นการประยุกต์ใช้กลไก Attention จากงานด้านการประมวลผลภาษาสามารถนำมาใช้เพื่อให้ความสำคัญกับเฟรมที่มีความหมายในวิดีโอ ทำให้ระบบสามารถโฟกัสเฉพาะเฟรมที่แสดงอารมณ์ที่สำคัญได้ ซึ่งส่งผลต่อประสิทธิภาพของโมเดล ทีมวิจัยจึงนำเทคนิคนี้มาปรับปรุงเพื่อเพิ่มความทนทานของระบบในการจัดการสถานการณ์ดังกล่าว เพื่อพัฒนาประสิทธิภาพของระบบให้ดียิ่งขึ้น ทีมวิจัยได้ใช้แนวทาง Ensemble Learning ซึ่งเป็นการรวมผลลัพธ์จากหลายโมเดลที่ถูกฝึกในเงื่อนไขเฉพาะ การใช้ Ensemble ช่วยลดข้อผิดพลาดจากการใช้โมเดลเดียว และเพิ่มความแม่นยำและความน่าเชื่อถือของผลลัพธ์ โดยเฉพาะอย่างยิ่งในสภาพแวดล้อมที่หลากหลาย อย่างไรก็ตาม ทีมวิจัยยังได้ขยายการพัฒนาเพิ่มเติมโดยใช้เทคนิค Multi-Task Learning (MTL) เพื่อให้ระบบสามารถเรียนรู้จากหลายงานพร้อมกัน ซึ่งในงานวิจัยนี้ได้นำ MTL มาใช้ใน Mixture of Experts โดยให้ MTL ทำหน้าที่เป็นกลไก Gating ช่วยเลือกโมเดลที่เหมาะสมกับแต่ละสถานการณ์ เช่น การบดบังใบหน้า ทำให้ระบบสามารถตัดสินใจได้อย่างมีประสิทธิภาพว่าควรใช้โมเดลใดในสภาวะแวดล้อมที่ต่างไป สามารถรักษาความแม่นยำแม้ในสภาวะที่มีความหลากหลายและยังคงรักษาข้อดีในเรื่องของความสามารถในการขยายขนาด (Scaling Up) ได้อย่างมีประสิทธิภาพ
วิทยาลัยการจัดการนวัตกรรมและอุตสาหกรรม
งานวิจัยนี้นำเสนอการพัฒนาเส้นใยนาโนคาร์บอนที่มีโครงสร้างหลายเฟสผสมออกไซด์ของโลหะ (CNF@MOx; M = Ag, Mn, Bi, Fe) โดยฝังอนุภาคนาโนของเงิน แมงกานีส บิสมัท และเหล็ก ลงในเส้นใยนาโนคาร์บอนที่ได้จากพอลิอะคริโลไนไตรล์ (PAN) ผ่านเทคนิคอิเล็กโทรสปินนิ่งและผ่านการอบชุบในบรรยากาศอาร์กอน ผลลัพธ์แสดงให้เห็นว่าเส้นใยนาโนที่ได้มีโครงสร้างที่เป็นระเบียบ เส้นผ่านศูนย์กลางเฉลี่ย 559-830 นาโนเมตร และมีอนุภาคนาโนฝังตัวขนาด 9-21 นาโนเมตร การวิเคราะห์เชิงโครงสร้างยืนยันการมีอยู่ของสถานะออกซิเดชันต่างๆ ของโลหะออกไซด์ ซึ่งมีบทบาทสำคัญในกลไกการเก็บประจุไฟฟ้า ผลการทดสอบทางไฟฟ้าเคมีพบว่า CNF@Ag/Mn/Bi/Fe-20 มีค่าความจุจำเพาะสูงสุดที่ 156 F g⁻¹ ที่อัตราการสแกน 2 mV s⁻¹ และมีเสถียรภาพสูง โดยยังคงค่าความจุได้มากกว่า 96% หลังจากการชาร์จ-คายประจุ 1400 รอบ กลไกการเก็บประจุของเส้นใยนี้เกิดจากการทำงานร่วมกันระหว่างความสามารถในการเก็บประจุแบบชั้นคู่ไฟฟ้าและกระบวนการรีดอกซ์ ซึ่งช่วยเพิ่มประสิทธิภาพของวัสดุอิเล็กโทรดสำหรับตัวเก็บประจุยิ่งยวด
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
งานชิ้นนี้ได้ถูกสร้างขึ้นภายใต้แนวคิดหลักของสภาวะโลกร้อนและโลกหลังยุคล่มสลาย ที่ได้ส่งผลกระทบให้ระบบนิเวศเกิดการแทรกแซงและความวุ่นวาย และการดำรงอยู่ของหลายๆสิ่งมีชีวิตบนโลกต้องสูญหายไป ซึ่งเกิดจากการกระทำของมนุษย์ การแก้ไขและซ่อมแซมโลกใบนี้จึงอาจเป็นความหวังที่ไม่อาจเกิดขึ้นจริง เชื่อมโยงกับประสบการณ์ส่วนตัวของข้าพเจ้าที่ต้องสูญเสียสิ่งที่รัก และความทุกข์จากการตั้งความหวังที่ยิ่งใหญ่ ผ่านกระบวนการศิลปะโดยใช้สื่อ Animation Art และ Sound art
คณะเทคโนโลยีการเกษตร
การวิจัยครั้งนี้มีวัตถุประสงค์พัฒนาเว็บไซต์เก็บรวบรวมข้อมูลของ Young Smart Farmer จังหวัดจันทบุรี ใช้แบบสัมภาษณ์เก็บจากกลุ่มตัวอย่าง จำนวน 30 ราย เพื่อการพัฒนาเว็บไซต์ โดยนำข้อมูลที่ได้มาจัดหมวดหมู่และใช้ข้อมูลดังกล่างในการพัฒนาเว็บไซต์เพื่อเผยแพร่แก่เกษตรกรและบุคคลที่สนใจ จากนั้นดำเนินการศึกษาความพึงพอใจต่อเว็บไซต์ โดยใช้แบบสอบถามวิเคราะห์ข้อมูลด้วยสถิติเชิงพรรณนา ได้แก่ ค่าความถี่ (Frequency) ค่าร้อยละ (Percentage) ค่าเฉลี่ย (Mean) และส่วนเบี่ยงเบนมาตรฐาน (Standard deviation) ผลการศึกษาพบว่า กลุ่มตัวอย่างเป็นเพศชายและเพศหญิงเท่ากัน มีอายุอยู่ระหว่าง 36-40 ปีมากที่สุด ร้อยละ 50.00 เป็น Young Smart Farmer อำเภอขลุง แหลมสิงห์ และแก่งหางแมวมากที่สุด ร้อยละ 13.33 สำเร็จการศึกษา ระดับปริญญาตรีหรือเทียบเท่า ร้อยละ 60.00 ประกอบอาชีพหลักเป็นเกษตรกร ร้อยละ 73.33 ผลการศึกษาความพึงพอใจต่อเว็บไซต์เพื่อเก็บรวบรวมข้อมูล Young Smart Farmer พบว่ากลุ่มตัวอย่างพึงพอใจอยู่ในระดับมากที่สุดทุกด้าน โดยเรียงลำดับได้ดังนี้ 1) ด้านการใช้งานเว็บไซต์ (ค่าเฉลี่ย 4.97) 2) ด้านความพึงพอใจโดยภาพรวม (ค่าเฉลี่ย 4.93) 3) ด้านคุณภาพของเนื้อหา (ค่าเฉลี่ย 4.91) 4) ด้านประโยชน์และการนำไปใช้ (ค่าเฉลี่ย 4.87) และ 5) ด้านการออกแบบและการจัดรูปแบบมากที่สุด (ค่าเฉลี่ย 4.85) ตามลำดับ