ระบบจัดเก็บและค้นหางานวิจัยอัจฉริยะ

การประมวลผลภาพชุดข้อมูล CIFAR-10 ด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN)

ผศ.ดร.นิกร กรรณิกากลาง | โครงข่ายประสาทเทียมแบบคอนโวลูชัน ชุดข้อมูล CIFAR-10 การจำแนกภาพ การเรียนรู้เชิงลึก

จำนวนผู้เข้าชม

988

การประมวลผลภาพชุดข้อมูล CIFAR-10 ด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN)

ยังไม่มีไฟล์เอกสาร

Collection	RMUTK Research Repository (RMUTK IR) บทความประชุมวิชาการ — Proceedings
ID RMUTK Digital	RMUTK000068
Title	การประมวลผลภาพชุดข้อมูล CIFAR-10 ด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN)
Alternative title	Image Processing on the CIFAR-10 Dataset Using Convolutional Neural Networks (CNN)
Authors	ผศ.ดร.นิกร กรรณิกากลาง ผู้แต่งหลัก
Faculty	คณะบริหารธุรกิจ
Volume / Issue / Pages	pp.3404-3413
Conference	การจัดการในยุคเทคโนโลยีนำการเปลี่ยนแปลง ครั้งที่ 8 ประจำปี 2569 (MDTE 2026)
Conference Date	2026-04-24
Conference Location	วิทยาลัยนวัตกรรมการจัดการ มหาวิทยาลัยเทคโนโลยีราชมงคลรัตนโกสินทร์ (รูปแบบออนไลน์)
Year	2569
Level	ระดับชาติ
DOI	-
ISBN / ISSN	978-616-8387-16-0
Funding Source	มทร.กรุงเทพ
Abstract	งานวิจัยนี้มีวัตถุประสงค์ดังนี้(1) เพื่อศึกษาประสิทธิภาพของโครงข่ายประสาทเทียมแบบคอนโวลูชัน (Convolutional Neural Network: CNN) สำหรับการจำแนกภาพจากชุดข้อมูล CIFAR-10 และ (2) เพื่อ เปรียบเทียบประสิทธิภาพของโมเดลโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) กับเทคนิคพื้นฐาน สำหรับการ จำแนกภาพจากชุดข้อมูล CIFAR-10 โดยวิธีการเรียนรู้เชิงลึก (Deep Learning) ผ่านการออกแบบสถาปัตยกรรม โครงข่ายประสาทเทียมแบบคอนโวลูชัน ประกอบด้วย ชั้นคอนโวลูชัน ชั้นพูลลิง และชั้นเชื่อมต่อเต็มรูปแบบ พร้อม ทั้งใช้เทคนิคการปรับปรุงประสิทธิภาพของโมเดล เช่น การใช้ฟังก์ชันกระตุ้น การลดปัญหา overfitting และการ ปรับพารามิเตอร์ของโมเดล วิเคราะห์ข้อมูลด้วยการวัดค่าความแม่นยำ (Accuracy) และค่าความสูญเสีย (Loss) ผลการวิจัย พบว่า (1) โครงข่ายประสาทเทียมแบบคอนโวลูชัน สามารถเรียนรู้คุณลักษณะของภาพจากชุด ข้อมูล CIFAR-10 ได้อย่างมีประสิทธิภาพ และ (2) ผลการเปรียบเทียบประสิทธิภาพ พบว่าโครงข่ายประสาทเทียม แบบคอนโวลูชัน มีประสิทธิภาพสูงสุด ด้วยค่าความถูกต้องแม่นยำ เท่ากับ 0.7015 รองลงมา คือ HOG + SVM (Accuracy = 0.6208) และ LBP + k-NN (Accuracy = 0.1012) ตามลำดับ ผลการศึกษาแสดงให้เห็นว่าโครงข่าย ประสาทเทียมแบบคอนโวลูชัน มีศักยภาพในการนำไปประยุกต์ใช้กับงานด้านการประมวลผลภาพจริง
Abstract (EN)	This research aimed to (1) investigate the performance of a Convolutional Neural Network (CNN) for image classification using the CIFAR-10 dataset, and (2) compare the performance of the CNN model with baseline techniques for image classification on the CIFAR10 dataset using deep learning approaches. The methodology involved designing a CNN architecture consisting of convolutional layers, pooling layers, and fully connected layers. Model optimization techniques were applied, including the use of activation functions, overfitting reduction methods, and hyperparameter tuning. The performance of the models was evaluated using Accuracy and Loss metrics. The results indicated that (1) the Convolutional Neural Network effectively learned image features from the CIFAR-10 dataset, and (2) in the comparative performance analysis, the CNN achieved the highest performance with an accuracy of 0.7015, followed by HOG + SVM (Accuracy = 0.6208) and LBP + k-NN (Accuracy = 0.1012), respectively. The findings demonstrate that the Convolutional Neural Network has strong potential for practical applications in image processing tasks.
Keywords (TH)	โครงข่ายประสาทเทียมแบบคอนโวลูชัน ชุดข้อมูล CIFAR-10 การจำแนกภาพ การเรียนรู้เชิงลึก
Keywords (EN)	Convolutional neural network CIFAR-10 dataset image classification deep learning
Access Level	Open Access (เปิดสาธารณะ)

เอกสารดิจิทัล

ยังไม่มีไฟล์เอกสาร