การประมวลผลภาพชุดข้อมูลแฟชั่นด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN)
จำนวนผู้เข้าชม
10
Creative Commons License
ยังไม่มีไฟล์เอกสาร
| Collection | RMUTK Research Repository (RMUTK IR) บทความประชุมวิชาการ — Proceedings |
| ID RMUTK Digital | RMUTK000067 |
| Title | การประมวลผลภาพชุดข้อมูลแฟชั่นด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) |
| Alternative title | Image Processing on Fashion-MNIST Dataset Using Convolutional Neural Networks (CNN) |
| Authors | ผศ.ดร.นิกร กรรณิกากลาง ผู้แต่งหลัก ผศ.วาสนา ด้วงเหมือน Corresponding |
| Faculty | คณะบริหารธุรกิจ |
| Volume / Issue / Pages | pp.3394-3403 |
| 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) เพื่อศึกษาประสิทธิภาพของเทคนิค CNN ในการจำแนกประเภท รูปภาพแฟชั่น จากชุดข้อมูล Fashion-MNIST และ (2) เพื่อเปรียบเทียบประสิทธิภาพของเทคนิค CNN กับ เทคนิคพื้นฐานทางการเรียนรู้ของเครื่อง ในการจำแนกประเภทรูปภาพแฟชั่น โดยใช้ชุดข้อมูลรูปภาพ แฟชั่น Fashion-MNIST ซึ่งประกอบด้วยภาพเสื้อผ้าแบบขาวดำ จำนวนทั้งหมด 70,000 ภาพ แบ่งเป็น 10 หมวดหมู่ โดยแบ่งชุดข้อมูลสำหรับการฝึกสอนแบบจำลองจำนวน 60,000 ภาพ และชุดข้อมูลสำหรับการ ทดสอบแบบจำลองจำนวน 10,000 ภาพ การวิเคราะห์ข้อมูลดำเนินการด้วยการจำแนกประเภทรูปภาพโดยใช้ โครงข่ายประสาทเทียมแบบคอนโวลูชัน และประเมินประสิทธิภาพของแบบจำลองด้วยค่าความถูกต้อง (Accuracy) และค่าความสูญเสีย (Loss) ผลการวิจัยพบว่า (1) โครงข่ายประสาทเทียมแบบคอนโวลูชันมี ความสามารถในการจำแนกประเภทรูปภาพแฟชั่นได้อย่างมีประสิทธิภาพ โดยมีค่าความถูกต้องเท่ากับร้อยละ 88.84 และ (2) เมื่อเปรียบเทียบกับเทคนิคพื้นฐาน ได้แก่ เทคนิคซัพพอร์ตเวกเตอร์แมชชีน (SVM) และเทคนิค เค-เนียร์เรสต์เนเบอร์ (k-NN) พบว่าโครงข่ายประสาทเทียมแบบคอนโวลูชันมีประสิทธิภาพสูงกว่า ทั้งนี้ เนื่องจากโครงข่ายประสาทเทียมแบบคอนโวลูชันสามารถเรียนรู้คุณลักษณะเชิงพื้นที่และลำดับชั้นของภาพได้ โดยอัตโนมัติ ซึ่งเหมาะสมกับงานประมวลผลและวิเคราะห์ภาพแฟชั่น |
| Abstract (EN) | The objectives of this study were: (1) to investigate the effectiveness of Convolutional Neural Network (CNN) techniques for fashion image classification using the Fashion-MNIST dataset, and (2) to compare the performance of CNN with baseline machine learning techniques for fashion image classification. The dataset used in this research was the FashionMNIST dataset, which consists of 70,000 grayscale images of fashion items categorized into 10 classes. The dataset was divided into training and testing sets, with 60,000 images used for model training and 10,000 images used for model evaluation. Fashion image classification was performed using a Convolutional Neural Network, and model performance was evaluated using accuracy and loss metrics. The experimental results showed that: (1) the CNN model demonstrated strong capability in classifying fashion images, achieving an accuracy of 88.84% and (2) when compared with baseline techniques, namely Support Vector Machine (SVM) and k-Nearest Neighbors (k-NN), the CNN model outperformed both methods. This performance improvement can be attributed to the ability of CNN to automatically learn hierarchical and spatial features from image data, which is well suited for fashion image analysis. |
| Keywords (TH) | การประมวลผลรูปภาพแฟชั่นโครงข่ายประสาทเทียมแบบคอนโวลูชันการเรียนรู้เชิงลึก |
| Keywords (EN) | Fashion image processingconvolutional neural networkdeep learning |
| Access Level | Open Access (เปิดสาธารณะ) |
เอกสารดิจิทัล
ยังไม่มีไฟล์เอกสาร
รายการที่เกี่ยวข้อง
การพัฒนาระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์
ผศ.สุรเทพ แป้นเกิด · 2569 · 1,041
GraphBERT4FakeNews: Graph-aware Bidirectional Transformer Learning for
ผศ.ดร.นิกร กรรณิกากลาง · 2569 · 744
Professional Competency for it Outsourcing: Thai Banking Experience
ผศ.ดร.ณัฐรฐนนท์ กานต์รวีกุลธนา · 2559 · 707
การผลิตไฟฟ้าจากหม้อไอน้ำขนาดเล็ก
ดร.ปฏิพงษ์ เจริญเวียงเหนือ · 2569 · 659