Maintenance script: Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

2026-08-24T14:06:10Z

Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

← Revisi sebelumnya		Revisi per 24 Agustus 2026 14.06
Baris 1:		Baris 1:
	'''Deteksi objek''' adalah teknologi komputer yang terkait dengan [[penglihatan komputer\|visi komputer]] dan pemrosesan gambar yang berhubungan dengan pendeteksian contoh objek semantik dari kelas tertentu (seperti manusia, bangunan, atau mobil) dalam gambar dan [[video digital]]. Domain deteksi objek yang diteliti dengan baik meliputi deteksi wajah dan deteksi pejalan kaki. Deteksi objek memiliki aplikasi di banyak bidang visi komputer, termasuk pengambilan gambar dan pengawasan video.		[[File:Detected-with-YOLO--Schreibtisch-mit-Objekten.jpg\|thumb\|right\|280px\|Objek yang dideteksi dengan modul Deep Neural Network OpenCV menggunakan model YOLOv3 yang dilatih pada dataset COCO yang mampu mendeteksi objek dari 80 kelas umum]]

			'''Deteksi objek''' adalah teknologi komputer yang terkait dengan [[penglihatan komputer\|visi komputer]] dan pemrosesan gambar yang berhubungan dengan pendeteksian contoh objek semantik dari kelas tertentu (seperti manusia, bangunan, atau mobil) dalam gambar dan [[video digital]].<ref>Dasiopoulou, Stamatia, et al. "[http://www.iti.gr/~bmezaris/publications/csvt05.pdf Knowledge-assisted semantic video object detection]." IEEE Transactions on Circuits and Systems for Video Technology 15.10 (2005): 1210–1224.</ref> Domain deteksi objek yang diteliti dengan baik meliputi deteksi wajah dan deteksi pejalan kaki. Deteksi objek memiliki aplikasi di banyak bidang visi komputer, termasuk pengambilan gambar dan pengawasan video.

	== Penggunaan ==		== Penggunaan ==
			Deteksi objek banyak digunakan dalam tugas-tugas visi komputer seperti anotasi gambar,<ref>Ling Guan. [https://books.google.com/books?id=eTfNBQAAQBAJ&q=%22object+detection%22+%22image+annotation%22&pg=PA331 Multimedia Image and Video Processing]. CRC Press. 1 March 2012. hlm. 331–. ISBN 978-1-4398-3087-1.</ref> penghitungan kendaraan,<ref>Ala Alsanabani. ''2020 the 4th International Conference on Video and Image Processing''. 2020. hlm. 48–54. doi:10.1145/3447450.3447458. ISBN 9781450389075.</ref> pengenalan aktivitas,<ref>Jianxin Wu. ''2007 IEEE 11th International Conference on Computer Vision''. 2007. hlm. 1–8. doi:10.1109/ICCV.2007.4408865. ISBN 978-1-4244-1630-1.</ref> deteksi wajah, pengenalan wajah, ko-segmentasi objek video. Ia juga digunakan dalam pelacakan objek, misalnya pelacakan bola selama pertandingan sepak bola, pelacakan pergerakan tongkat kriket, atau pelacakan seseorang dalam video.

	Deteksi objek banyak digunakan dalam tugas-tugas visi komputer seperti anotasi gambar, penghitungan kendaraan, pengenalan aktivitas, deteksi wajah, pengenalan wajah, ko-segmentasi objek video. Ia juga digunakan dalam pelacakan objek, misalnya pelacakan bola selama pertandingan sepak bola, pelacakan pergerakan tongkat kriket, atau pelacakan seseorang dalam video.		Sering kali, gambar uji diambil sampelnya dari distribusi data yang berbeda, sehingga membuat tugas deteksi objek menjadi jauh lebih sulit.<ref>Poojan Oza. ''Unsupervised Domain Adaptation of Object Detectors: A Survey''. 2021-07-04.</ref> Untuk mengatasi tantangan yang disebabkan oleh kesenjangan domain antara data pelatihan dan data uji, banyak pendekatan adaptasi domain tanpa pengawasan telah diusulkan.<ref>Poojan Oza. ''Unsupervised Domain Adaptation of Object Detectors: A Survey''. 2021-07-04.</ref><ref>Mehran Khodabandeh. ''A Robust Learning Approach to Domain Adaptive Object Detection''. 2019-11-18.</ref><ref>Petru Soviany. [https://www.sciencedirect.com/science/article/pii/S1077314221000102 Curriculum self-paced learning for cross-domain object detection]. ''Computer Vision and Image Understanding''. 2021-03-01. Vol. 204. hlm. 103166. doi:10.1016/j.cviu.2021.103166.</ref><ref>Maximilian Menke. [https://ieeexplore.ieee.org/document/9922138 2022 IEEE 25th International Conference on Intelligent Transportation Systems (ITSC)]. October 2022. hlm. 3880–3885. doi:10.1109/ITSC55140.2022.9922138. ISBN 978-1-6654-6880-0.</ref><ref>Maximilian Menke. ''AWADA: Attention-Weighted Adversarial Domain Adaptation for Object Detection''. 2022-08-31.</ref> Solusi sederhana dan langsung untuk mengurangi kesenjangan domain adalah dengan menerapkan pendekatan penerjemahan gambar ke gambar, seperti cycle-GAN.<ref>Jun-Yan Zhu. ''Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks''. 2020-08-24.</ref> Di antara penggunaan lainnya, deteksi objek lintas domain diterapkan dalam mengemudi otonom, di mana model dapat dilatih pada sejumlah besar adegan [[permainan video]], karena label dapat dibuat tanpa tenaga kerja manual.

	Sering kali, gambar uji diambil sampelnya dari distribusi data yang berbeda, sehingga membuat tugas deteksi objek menjadi jauh lebih sulit. Untuk mengatasi tantangan yang disebabkan oleh kesenjangan domain antara data pelatihan dan data uji, banyak pendekatan adaptasi domain tanpa pengawasan telah diusulkan. Solusi sederhana dan langsung untuk mengurangi kesenjangan domain adalah dengan menerapkan pendekatan penerjemahan gambar ke gambar, seperti cycle-GAN. Di antara penggunaan lainnya, deteksi objek lintas domain diterapkan dalam mengemudi otonom, di mana model dapat dilatih pada sejumlah besar adegan [[permainan video]], karena label dapat dibuat tanpa tenaga kerja manual.

	~~==Referensi==~~

	*
	*

	== Pranala luar ==		== Pranala luar ==

	*		*
	*		*
Baris 23:		Baris 18:
	* [https://qilin-zhang.github.io/_pages/pdfs/Joint_Video_Object_Discovery_and_Segmentation_by_Coupled_Dynamic_Markov_Networks.pdf Video object detection and co-segmentation]		* [https://qilin-zhang.github.io/_pages/pdfs/Joint_Video_Object_Discovery_and_Segmentation_by_Coupled_Dynamic_Markov_Networks.pdf Video object detection and co-segmentation]

			== Referensi ==
			<references />

			== Sumber dan atribusi ==

	== ~~Sumber~~ dan ~~atribusi ==~~		Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Deteksi+objek&oldid=28855308 Wikipedia bahasa Indonesia], revisi 28855308 (2026-01-16T20:14:32Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Gambar pada artikel ini bersumber dari Wikimedia Commons dan mengikuti ketentuan lisensi masing-masing berkas. Mohon gunakan konten dan media secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.

	~~Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Deteksi+objek&oldid=28855308 Wikipedia bahasa Indonesia], revisi 28855308 (2026~~-01-~~16T20:14:32Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi~~-~~BerbagiSerupa (CC BY~~-~~SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.~~		<!-- WIKI_UNISSULA_PRESENTATION_V4 -->

Maintenance script: Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 28855308; atribusi sumber disertakan.

2026-08-24T13:37:14Z

Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 28855308; atribusi sumber disertakan.

Halaman baru

'''Deteksi objek''' adalah teknologi komputer yang terkait dengan [[penglihatan komputer|visi komputer]] dan pemrosesan gambar yang berhubungan dengan pendeteksian contoh objek semantik dari kelas tertentu (seperti manusia, bangunan, atau mobil) dalam gambar dan [[video digital]]. Domain deteksi objek yang diteliti dengan baik meliputi deteksi wajah dan deteksi pejalan kaki. Deteksi objek memiliki aplikasi di banyak bidang visi komputer, termasuk pengambilan gambar dan pengawasan video.

== Penggunaan ==

Deteksi objek banyak digunakan dalam tugas-tugas visi komputer seperti anotasi gambar, penghitungan kendaraan, pengenalan aktivitas, deteksi wajah, pengenalan wajah, ko-segmentasi objek video. Ia juga digunakan dalam pelacakan objek, misalnya pelacakan bola selama pertandingan sepak bola, pelacakan pergerakan tongkat kriket, atau pelacakan seseorang dalam video.

Sering kali, gambar uji diambil sampelnya dari distribusi data yang berbeda, sehingga membuat tugas deteksi objek menjadi jauh lebih sulit. Untuk mengatasi tantangan yang disebabkan oleh kesenjangan domain antara data pelatihan dan data uji, banyak pendekatan adaptasi domain tanpa pengawasan telah diusulkan. Solusi sederhana dan langsung untuk mengurangi kesenjangan domain adalah dengan menerapkan pendekatan penerjemahan gambar ke gambar, seperti cycle-GAN. Di antara penggunaan lainnya, deteksi objek lintas domain diterapkan dalam mengemudi otonom, di mana model dapat dilatih pada sejumlah besar adegan [[permainan video]], karena label dapat dibuat tanpa tenaga kerja manual.

==Referensi==

*
*

== Pranala luar ==

*
*
*
*
* [https://web.archive.org/web/20150418092531/http://www.mmp.rwth-aachen.de/publications/pdf/mikolajczyk-multiclass-cvpr06.pdf Multiple object class detection]
* [https://qilin-zhang.github.io/_pages/pdfs/Segment-Tube_Spatio-Temporal_Action_Localization_in_Untrimmed_Videos_with_Per-Frame_Segmentation.pdf Spatio-temporal action localization]
* [https://astica.ai/vision/object-detection/ Online Object Detection Demo]
* [https://qilin-zhang.github.io/_pages/pdfs/Joint_Video_Object_Discovery_and_Segmentation_by_Coupled_Dynamic_Markov_Networks.pdf Video object detection and co-segmentation]

== Sumber dan atribusi ==

Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Deteksi+objek&oldid=28855308 Wikipedia bahasa Indonesia], revisi 28855308 (2026-01-16T20:14:32Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.

Deteksi objek - Riwayat revisi

Maintenance script: Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

Maintenance script: Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 28855308; atribusi sumber disertakan.