3 research outputs found
Enhancing facial landmark detection with ControlNet-based data augmentation
Get PDFFacial landmark detection plays a pivotal role in various computer vision applications, including face recognition, expression analysis, and augmented reality. However, existing approaches often struggle with accuracy due to the variations in lighting, poses, and occlusion. To address these challenges, this study explores the integration of ControlNet with Stable Diffusion to enhance facial landmark detection via data augmentation. ControlNet, an advanced extension of diffusion models, improves image generation by conditioning outputs on structured inputs such as landmark coordinates, enabling precise control over image attributes. By leveraging annotated landmark data from the 300W dataset, ControlNet synthesizes diverse facial images that supplement traditional training datasets. Experimental results demonstrate that ControlNet-based augmentation reduces the interocular normalized mean error (INME) in landmark detection from a baseline of 4.67 to a range of 4.63 to 4.74, with optimal parameter tuning yielding further accuracy gains. These findings highlight the potential of generative models in complementing discriminative approaches and improving robustness and precision in facial landmark detection. The proposed method offers a scalable solution for enhancing model generalization, particularly in applications requiring high-fidelity facial analysis. Future research can extend this framework to broader computer vision tasks that demand detailed feature localization and structured data augmentation
ปัจจัยความสำเร็จในการถ่ายทอดเทคโนโลยีสำหรับเกษตรกรสวนยางพาราในประเทศไทยKey Success Factors Affecting Technology Transfer Success for Rubber Plantation Farmers in Thailand
No full textการวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาปัจจัยที่ส่งผลต่อความสำเร็จในการถ่ายทอดเทคโนโลยีสำหรับเกษตรกรสวนยางพาราในประเทศไทย โดยเก็บรวบรวมข้อมูลด้วยการสุ่มแบบหลายขั้นตอน จากตัวอย่างที่เป็นเกษตรกรชาวสวนยางพาราและเป็นสมาชิกของสหกรณ์การเกษตรยางพารา จำนวน 562 คน โดยใช้แบบสอบถามปัจจัยที่ส่งผลต่อความสำเร็จในการถ่ายทอดเทคโนโลยี มีค่าอำนาจจำแนกมากกว่า 0.50 ทุกข้อ มีความเชื่อมั่น 0.952 สถิติที่ใช้ในการวิเคราะห์ข้อมูล คือ ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน สัมประสิทธิ์สหสัมพันธ์เพียร์สัน และการวิเคราะห์การถดถอยพหุคูณเชิงพหุ (Multiple Regression Analysis) ผลการวิจัยพบว่า ปัจจัยที่ส่งผลต่อความสำเร็จ มี 7 ปัจจัย ได้แก่ เนื้อหาที่ใช้ในการถ่ายทอดเทคโนโลยี ความรู้ความสามารถของผู้ถ่ายทอดเทคโนโลยี การเปิดโอกาสให้ผู้เข้าร่วมมีส่วนร่วม การสอดแทรกเทคนิคการใช้งานเทคโนโลยี ความต่อเนื่องและสอดคล้องกันของเนื้อหา เทคโนโลยีช่วยแก้ไขปัญหาในการทำงาน และนโยบายและการสนับสนุนการใช้เทคโนโลยี ปัจจัยเหล่านี้สามารถพยากรณ์ความสำเร็จในการถ่ายทอดเทคโนโลยีได้ร้อยละ 78.40 โดยมีค่าสัมประสิทธิ์สัมพันธ์ (R) ที่ระดับ 0.901 โดยเขียนในรูปคะแนนดิบ คือ Y = 0.464X2 + 0.461X15 + 0.182X12 + 0.155X14 - 1.133X3 + 0.869X18 + 0.279X7 ผลจากการศึกษาดังกล่าวสามารถนำมาเป็นแนวทางการพัฒนาการถ่ายทอดเทคโนโลยีทางการเกษตรที่มีประสิทธิภาพและเหมาะสมกับเกษตรกรสวนยางพารารวมทั้งต่อยอดพัฒนาเป็นกรอบนโยบายการถ่ายทอดเทคโนโลยีเพื่อก้าวสู่การเป็นเกษตรกร 4.0 ที่ยั่งยืนThis research aimed to study the key success factors affecting technology transfer for rubber plantation farmers in Thailand. Data were collected by multi-stage random sampling method from 562 rubber farmers and members of the rubber agricultural cooperative, using questionnaires on key success factors affecting technology transfer with a discriminant power greater than 0.50 for all items and reliability coefficient of 0.952. Data were also analyzed by mean, standard deviation, Pearson’s product moment coefficient of correlation, and stepwise multiple regression analysis. The results revealed that there were seven predictive factors of technology transfer for rubber plantation farmers in Thailand, i.e., content in technology transfer, knowledge and competence of persons who passed on the technology transfer, participatory opportunity of the participants, integration of technology application techniques, continuity and consistency of content, technology support to solve problems, and policy and support for the use of technology. Every factor could explain and predict the success of technology transfer success at 78.40% with a relative coefficient (R) at the level of 0.901. The forecasting equation of raw score is Y = 0.464X2 + 0.461X15 + 0.182X12 + 0.155X14 – 1.133X3 + 0.869X18 + 0.279X7. The result can be used as guidelines for developing efficient and appropriate agricultural technology transfer for rubber plantation farmers and then, for conducting a technology transfer policy framework for sustainable farmers 4.0
กรอบการถ่ายทอดเทคโนโลยีสำหรับเกษตรกรสวนยางพาราในประเทศไทยA Technology Transfer Framework for Rubber Farmers in Thailand
No full textการวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาและประเมินกรอบการถ่ายทอดเทคโนโลยีเพื่อการยอมรับเทคโนโลยีสำหรับเกษตรกรสวนยางพาราในประเทศไทย เป็นงานวิจัยเชิงผสานวิธีเชิงปริมาณและเชิงคุณภาพ ใช้แบบสอบถามและการสัมภาษณ์กับกลุ่มเกษตรกรสวนยางพาราช้างกลางและนาบอน รวมจำนวน 55 คน วิเคราะห์ข้อมูลด้วยการวิเคราะห์องค์ประกอบเชิงสำรวจและการวิเคราะห์เนื้อหา โดยกรอบการถ่ายทอดเทคโนโลยีนี้ ประกอบด้วยกระบวนการถ่ายทอดเทคโนโลยีจำนวน 6 ขั้นตอน คือ ทำความรู้จักเทคโนโลยี เรียนรู้การใช้งานเทคโนโลยี ทดลองใช้งานเทคโนโลยี เรียนรู้การแก้ไขปัญหา ใช้งานเทคโนโลยีจริง และนำเทคโนโลยีไปใช้และถ่ายทอด ซึ่งผลประเมินคุณภาพการเรียนรู้หลังการใช้กรอบการถ่ายทอดเทคโนโลยีของกลุ่มเกษตรกรสวนยางพาราช้างกลางและนาบอนทั้ง 2 กลุ่มนี้ พบว่า สามารถเรียนรู้ได้อย่างรวดเร็วและสามารถนำความรู้ที่ได้รับการถ่ายทอดไปใช้ในการแก้ไขปัญหาได้อย่างดี และจากการวิเคราะห์องค์ประกอบเชิงสำรวจปัจจัยที่ส่งผลต่อการยอมรับกรอบการถ่ายทอดเทคโนโลยีของเกษตรกรสวนยางพารา จำนวน 6 ปัจจัยที่มีองค์ประกอบย่อย จำนวน 25 ตัวแปร อันประกอบด้วย การรับรู้ความง่าย การรับรู้ประโยชน์ เจตนาการใช้งานพฤติกรรมการใช้งาน อิทธิพลทางสังคม และสิ่งอำนวยความสะดวก มีความสัมพันธ์กัน โดยมีค่าไคสแควร์ เท่ากับ 4.433 องศาอิสระ เท่ากับ 6 ค่า p-value เท่ากับ 0.618 ค่าดัชนีวัดความสอดคล้องกลมกลืนเชิงสัมพัทธ์ เท่ากับ 1.000 และค่าดัชนีความสอดคล้องสัมพันธ์ เท่ากับ 0.895 ผลจากการวิจัยนี้จึงสามารถสรุปได้ว่ากรอบการถ่ายทอดเทคโนโลยีนี้สามารถนำไปใช้กับเกษตรกรสวนยางพาราให้เกิดประโยชน์และมีคุณภาพได้จริงThis research aims to develop and evaluate a technology transfer framework for technology adoption among rubber plantation farmers in Thailand. The study is a combination of qualitative and quantitative methods. A questionnaire and interviews were used together for data collection from 55 rubber plantation farmers in Chang Klang and Na bon districts. Exploratory factor analysis and content analysis were conducted. As results, the technology transfer framework consists of six steps, i.e., getting to know technology, learning about technology usage, technology trials, learning about problem solving, practical application along with technology implementation and transfer. In the evaluation phase, the results found that after applying the proposed framework, the sample groups of Chang Klang and Na bon rubber farmers could learn technologies rapidly and they were able to use acquired knowledge to solve their problems effectively. Besides, the exploratory factor analysis results revealed six contributing factors that affect technology transfer and technology acceptance among the subjects. Key factors constitute: perceived ease of use, perceived benefits, usage intention, usage behavior, social influence and technological facilities. The chi-square test determined a statistically significant relationship between variables: The Chi-Square statistic was 4.433, degrees of freedom (df) equaled 6, p-value equaled 0.618, the relative harmony index (CFI) equaled 1.000, and the Correlation Index (NFI) equaled 0.895. Based on the result, the framework can be further applied. It would bring significant benefits and facilitate quality improvement for the specified farmers
