This study presents an automated system for corn field detection and measurement that combines Unmanned Aerial Vehicle (UAV) technology with deep transfer learning to address critical inefficiencies in agricultural data verification. Current verification methods rely on time-consuming on-site inspections that strain resources and delay operations. Our methodology integrates aerial data acquisition with automated analysis by leveraging transfer learning techniques to adapt pre-trained convolutional neural networks for corn field detection. Through a comparative evaluation of three architectures – MobileNetV1, MobileNetV2, and InceptionV3 – we demonstrate how transfer learning enables efficient model training with limited agricultural datasets while maintaining high accuracy. Testing revealed MobileNetV2’s superior performance with a Mean Absolute Error of 0.147, enabling field measurements accurate to within ±50 square meters of actual dimensions. Field validation demonstrates the system’s capability to automatically detect and delineate corn cultivation areas with high precision, offering substantial improvements over traditional manual verification methods. This transfer learning approach significantly reduces both human intervention requirements and operational costs while improving measurement accuracy and minimizing the need for extensive training data. The system’s demonstrated effectiveness suggests broad applications in agricultural monitoring and resource management, particularly in regions where manual verification poses logistical challenges.

The integration of sequential and social recommendations using a graph-based co-attention architecture marks a significant advancement in deep learning, substantially improving recommender system performance. This innovation enables effective representation learning of user interactions by capturing dynamic preferences influenced by both sequential and social contexts. While prior research has attempted to model evolving user preferences, existing approaches suffer from two key limitations: 1) ineffective modeling of complex sequential dependencies and 2) overlooking the hierarchical nature of social influence, resulting in suboptimal performance. To address these challenges, we propose GCA4Rec (Graph-Based Co-Attention Networks for Sequential and Social Recommendation), a novel framework designed to handle the complexities of user preference dynamics across sequential and social domains. Our model combines a graph attention contrastive learning module to track sequential preference shifts, while a hyperbolic graph attention isomorphism network models social-level preference dynamics. Additionally, we introduce fusionGated, a novel gating mechanism that effectively integrates co-attention signals from both levels. Extensive experiments on real-world benchmark datasets demonstrate that GCA4Rec outperforms state-of-the-art methods in Top-k recommendation tasks and exhibits robustness under varying degrees of data sparsity.

สถาบันอุดมศึกษาโดยทั่วไปใช้ทั้งการจัดการเรียนการสอนแบบบรรยายและการจัดการเรียนการสอนแบบโครงงาน การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อศึกษาว่าลักษณะใดของสภาพแวดล้อมการจัดการเรียนการสอนแบบบรรยายและแบบโครงงานที่มีส่วนส่งเสริมแนวทางการเรียนรู้แบบเชิงลึก (deep approach) และแนวทางการเรียนรู้แบบผิวเผิน (surface approach) ของนักศึกษา ผู้วิจัยเก็บรวบรวมและเปรียบเทียบข้อมูลจากแบบสำรวจของนักศึกษาระดับปริญญาตรีที่เรียนรายวิชาวิศวกรรมโยธา โดยแบ่งเป็นกลุ่มที่ได้รับการจัดการเรียนการสอนแบบบรรยาย จำนวน 181 คน และกลุ่มที่ได้รับการจัดการเรียนการสอนแบบโครงงาน จำนวน 142 คน การวิเคราะห์ข้อมูลดำเนินการโดยควบคุมอิทธิพลของการมุ่งเป้าหมายด้านแรงจูงใจของนักศึกษา ผลการศึกษาพบความสัมพันธ์ทางบวกระหว่างการเรียนรู้เชิงลึกกับระดับของวัฒนธรรมการสืบเสาะหาความรู้และการมีส่วนร่วมของนักศึกษาในชั้นเรียนที่ใช้การจัดการเรียนการสอนแบบโครงงาน นอกจากนี้ ระดับการมุ่งเน้นงานที่สูงขึ้นในชั้นเรียนแบบโครงงานมีความสัมพันธ์ในทิศทางตรงกันข้ามกับแนวทางการเรียนรู้แบบผิวเผิน ผลการศึกษาชี้ให้เห็นถึงคุณค่าของบรรยากาศการเรียนรู้ที่ส่งเสริมการสืบเสาะหาความรู้และการมีส่วนร่วมต่อแนวทางการเรียนรู้ของนักศึกษา รวมถึงนัยต่อการออกแบบหลักสูตรและการจัดการเรียนการสอนแบบโครงงานและแบบบรรยาย