Jaringan Syaraf Tiruan Berbasis Wilayah: Perbedaan antara revisi
Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 25750813; atribusi sumber disertakan. |
Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi |
||
| Baris 2: | Baris 2: | ||
== Sejarah == | == Sejarah == | ||
Tujuan awal dari R-CNN adalah untuk mengambil gambar input dan menghasilkan sekumpulan kotak pembatas sebagai output, di mana setiap kotak pembatas berisi objek dan juga kategori (misalnya mobil atau pejalan kaki) dari objek tersebut. Baru-baru ini, R-CNN telah diperluas untuk melakukan tugas-tugas visi komputer lainnya. Berikut ini adalah beberapa versi R-CNN yang telah dikembangkan. | Tujuan awal dari R-CNN adalah untuk mengambil gambar input dan menghasilkan sekumpulan kotak pembatas sebagai output, di mana setiap kotak pembatas berisi objek dan juga kategori (misalnya mobil atau pejalan kaki) dari objek tersebut. Baru-baru ini, R-CNN telah diperluas untuk melakukan tugas-tugas visi komputer lainnya. Berikut ini adalah beberapa versi R-CNN yang telah dikembangkan. | ||
* November 2013: '''R-CNN'''. Diberikan sebuah gambar input, R-CNN dimulai dengan menerapkan mekanisme yang disebut Pencarian Selektif untuk mengekstrak [[Region of interest]] (ROI), di mana setiap ROI adalah sebuah persegi panjang yang dapat merepresentasikan batas sebuah objek dalam gambar. Tergantung pada skenarionya, mungkin ada sebanyak dua ribu ROI. Setelah itu, setiap ROI dimasukkan melalui jaringan syaraf untuk menghasilkan fitur keluaran. Untuk setiap fitur keluaran ROI, kumpulan pengklasifikasi [[mesin vektor pendukung]] digunakan untuk menentukan jenis objek (jika ada) yang terkandung dalam ROI. | * November 2013: '''R-CNN'''. Diberikan sebuah gambar input, R-CNN dimulai dengan menerapkan mekanisme yang disebut Pencarian Selektif untuk mengekstrak [[Region of interest]] (ROI), di mana setiap ROI adalah sebuah persegi panjang yang dapat merepresentasikan batas sebuah objek dalam gambar. Tergantung pada skenarionya, mungkin ada sebanyak dua ribu ROI. Setelah itu, setiap ROI dimasukkan melalui jaringan syaraf untuk menghasilkan fitur keluaran. Untuk setiap fitur keluaran ROI, kumpulan pengklasifikasi [[mesin vektor pendukung]] digunakan untuk menentukan jenis objek (jika ada) yang terkandung dalam ROI.<ref>Rohith Gandhi. [https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e R-CNN, Fast R-CNN, Faster R-CNN, YOLO — Object Detection Algorithms]. ''Towards Data Science''. 9 Juli 2018.</ref> | ||
* April 2015: '''Fast R-CNN'''. Sementara R-CNN yang asli secara independen menghitung fitur jaringan saraf pada masing-masing sebanyak dua ribu wilayah yang diminati, Fast R-CNN menjalankan jaringan saraf satu kali pada seluruh gambar. Pada akhir jaringan terdapat metode baru yang disebut ROIPooling, yang memotong setiap ROI dari tensor keluaran jaringan, membentuk ulang, dan mengklasifikasikannya. Seperti pada R-CNN asli, Fast R-CNN menggunakan Pencarian Selektif untuk menghasilkan proposal wilayahnya. | * April 2015: '''Fast R-CNN'''. Sementara R-CNN yang asli secara independen menghitung fitur jaringan saraf pada masing-masing sebanyak dua ribu wilayah yang diminati, Fast R-CNN menjalankan jaringan saraf satu kali pada seluruh gambar. Pada akhir jaringan terdapat metode baru yang disebut ROIPooling, yang memotong setiap ROI dari tensor keluaran jaringan, membentuk ulang, dan mengklasifikasikannya. Seperti pada R-CNN asli, Fast R-CNN menggunakan Pencarian Selektif untuk menghasilkan proposal wilayahnya.<ref>Richa Bhatia. [https://analyticsindiamag.com/what-is-region-of-interest-pooling/ What is region of interest pooling?]. ''Analytics India''. 10 September 2018.</ref> | ||
* Juni 2015: '''Faster R-CNN'''. Sementara Fast R-CNN menggunakan Pencarian Selektif untuk menghasilkan ROI, Faster R-CNN mengintegrasikan generasi ROI ke dalam jaringan saraf itu sendiri. | * Juni 2015: '''Faster R-CNN'''. Sementara Fast R-CNN menggunakan Pencarian Selektif untuk menghasilkan ROI, Faster R-CNN mengintegrasikan generasi ROI ke dalam jaringan saraf itu sendiri.<ref>Richa Bhatia. [https://analyticsindiamag.com/what-is-region-of-interest-pooling/ What is region of interest pooling?]. ''Analytics India''. 10 September 2018.</ref> | ||
* Maret 2017: '''Mask R-CNN'''. Sementara versi R-CNN sebelumnya berfokus pada deteksi objek, Mask R-CNN menambahkan segmentasi instance. Mask R-CNN juga menggantikan ROIPooling dengan metode baru yang disebut ROIAlign, yang dapat merepresentasikan pecahan piksel. | * Maret 2017: '''Mask R-CNN'''. Sementara versi R-CNN sebelumnya berfokus pada deteksi objek, Mask R-CNN menambahkan segmentasi instance. Mask R-CNN juga menggantikan ROIPooling dengan metode baru yang disebut ROIAlign, yang dapat merepresentasikan pecahan piksel.<ref>Umer Farooq. [https://medium.com/@umerfarooq_26378/from-r-cnn-to-mask-r-cnn-d6367b196cfd From R-CNN to Mask R-CNN]. ''Medium''. February 15, 2018.</ref><ref>Lilian Weng. [https://lilianweng.github.io/lil-log/2017/12/31/object-recognition-for-dummies-part-3.html Object Detection for Dummies Part 3: R-CNN Family]. ''Lil'Log''. 31 Desember 2017.</ref> | ||
* Juni 2019: '''Mesh R-CNN''' menambahkan kemampuan untuk menghasilkan mesh 3D dari gambar 2D. | * Juni 2019: '''Mesh R-CNN''' menambahkan kemampuan untuk menghasilkan mesh 3D dari gambar 2D.<ref>Kyle Wiggers. [https://venturebeat.com/2019/10/29/facebook-highlights-ai-that-converts-2d-objects-into-3d-shapes/ Facebook highlights AI that converts 2D objects into 3D shapes]. ''VentureBeat''. October 29, 2019.</ref> | ||
== Penerapan == | == Penerapan == | ||
Jaringan syaraf tiruan berbasis wilayah telah digunakan untuk melacak objek dari kamera yang dipasang di [[pesawat nirawak]], locating text in an image, dan memungkinkan pendeteksian objek di [[Google Lens]]. Mask R-CNN berfungsi sebagai salah satu dari tujuh tugas dalam MLPerf Training Benchmark, yang merupakan kompetisi untuk mempercepat pelatihan jaringan saraf. | Jaringan syaraf tiruan berbasis wilayah telah digunakan untuk melacak objek dari kamera yang dipasang di [[pesawat nirawak]],<ref>Vidi Nene. [https://dronebelow.com/2019/08/02/deep-learning-based-real-time-multiple-object-detection-and-tracking-via-drone/ Deep Learning-Based Real-Time Multiple-Object Detection and Tracking via Drone]. ''Drone Below''. 2 Agustus 2019.</ref> locating text in an image,<ref>Tiernan Ray. [https://www.zdnet.com/article/facebook-pumps-up-character-recognition-to-mine-memes/ Facebook pumps up character recognition to mine memes]. ZDNET. Sep 11, 2018.</ref> dan memungkinkan pendeteksian objek di [[Google Lens]].<ref>Ram Sagar. [https://analyticsindiamag.com/these-machine-learning-techniques-make-google-lens-a-success/ These machine learning methods make google lens a success]. ''Analytics India''. Sep 9, 2019.</ref> Mask R-CNN berfungsi sebagai salah satu dari tujuh tugas dalam MLPerf Training Benchmark, yang merupakan kompetisi untuk mempercepat pelatihan jaringan saraf.<ref>Peter Mattson. ''MLPerf Training Benchmark''. 2019.</ref> | ||
== Referensi == | |||
<references /> | |||
== Sumber dan atribusi == | == Sumber dan atribusi == | ||
Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Jaringan+Syaraf+Tiruan+Berbasis+Wilayah&oldid=25750813 Wikipedia bahasa Indonesia], revisi 25750813 (2024-05-24T08:13:47Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku. | Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Jaringan+Syaraf+Tiruan+Berbasis+Wilayah&oldid=25750813 Wikipedia bahasa Indonesia], revisi 25750813 (2024-05-24T08:13:47Z), 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 --> | |||
Revisi terkini sejak 23 Agustus 2026 22.56
Jaringan Syaraf Tiruan Berbasis Wilayah () adalah keluarga model pembelajaran mesin untuk visi komputer dan khususnya deteksi objek
Sejarah
Tujuan awal dari R-CNN adalah untuk mengambil gambar input dan menghasilkan sekumpulan kotak pembatas sebagai output, di mana setiap kotak pembatas berisi objek dan juga kategori (misalnya mobil atau pejalan kaki) dari objek tersebut. Baru-baru ini, R-CNN telah diperluas untuk melakukan tugas-tugas visi komputer lainnya. Berikut ini adalah beberapa versi R-CNN yang telah dikembangkan.
- November 2013: R-CNN. Diberikan sebuah gambar input, R-CNN dimulai dengan menerapkan mekanisme yang disebut Pencarian Selektif untuk mengekstrak Region of interest (ROI), di mana setiap ROI adalah sebuah persegi panjang yang dapat merepresentasikan batas sebuah objek dalam gambar. Tergantung pada skenarionya, mungkin ada sebanyak dua ribu ROI. Setelah itu, setiap ROI dimasukkan melalui jaringan syaraf untuk menghasilkan fitur keluaran. Untuk setiap fitur keluaran ROI, kumpulan pengklasifikasi mesin vektor pendukung digunakan untuk menentukan jenis objek (jika ada) yang terkandung dalam ROI.[1]
- April 2015: Fast R-CNN. Sementara R-CNN yang asli secara independen menghitung fitur jaringan saraf pada masing-masing sebanyak dua ribu wilayah yang diminati, Fast R-CNN menjalankan jaringan saraf satu kali pada seluruh gambar. Pada akhir jaringan terdapat metode baru yang disebut ROIPooling, yang memotong setiap ROI dari tensor keluaran jaringan, membentuk ulang, dan mengklasifikasikannya. Seperti pada R-CNN asli, Fast R-CNN menggunakan Pencarian Selektif untuk menghasilkan proposal wilayahnya.[2]
- Juni 2015: Faster R-CNN. Sementara Fast R-CNN menggunakan Pencarian Selektif untuk menghasilkan ROI, Faster R-CNN mengintegrasikan generasi ROI ke dalam jaringan saraf itu sendiri.[3]
- Maret 2017: Mask R-CNN. Sementara versi R-CNN sebelumnya berfokus pada deteksi objek, Mask R-CNN menambahkan segmentasi instance. Mask R-CNN juga menggantikan ROIPooling dengan metode baru yang disebut ROIAlign, yang dapat merepresentasikan pecahan piksel.[4][5]
- Juni 2019: Mesh R-CNN menambahkan kemampuan untuk menghasilkan mesh 3D dari gambar 2D.[6]
Penerapan
Jaringan syaraf tiruan berbasis wilayah telah digunakan untuk melacak objek dari kamera yang dipasang di pesawat nirawak,[7] locating text in an image,[8] dan memungkinkan pendeteksian objek di Google Lens.[9] Mask R-CNN berfungsi sebagai salah satu dari tujuh tugas dalam MLPerf Training Benchmark, yang merupakan kompetisi untuk mempercepat pelatihan jaringan saraf.[10]
Referensi
- ↑ Rohith Gandhi. R-CNN, Fast R-CNN, Faster R-CNN, YOLO — Object Detection Algorithms. Towards Data Science. 9 Juli 2018.
- ↑ Richa Bhatia. What is region of interest pooling?. Analytics India. 10 September 2018.
- ↑ Richa Bhatia. What is region of interest pooling?. Analytics India. 10 September 2018.
- ↑ Umer Farooq. From R-CNN to Mask R-CNN. Medium. February 15, 2018.
- ↑ Lilian Weng. Object Detection for Dummies Part 3: R-CNN Family. Lil'Log. 31 Desember 2017.
- ↑ Kyle Wiggers. Facebook highlights AI that converts 2D objects into 3D shapes. VentureBeat. October 29, 2019.
- ↑ Vidi Nene. Deep Learning-Based Real-Time Multiple-Object Detection and Tracking via Drone. Drone Below. 2 Agustus 2019.
- ↑ Tiernan Ray. Facebook pumps up character recognition to mine memes. ZDNET. Sep 11, 2018.
- ↑ Ram Sagar. These machine learning methods make google lens a success. Analytics India. Sep 9, 2019.
- ↑ Peter Mattson. MLPerf Training Benchmark. 2019.
Sumber dan atribusi
Konten artikel ini diadaptasi dari Wikipedia bahasa Indonesia, revisi 25750813 (2024-05-24T08:13:47Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.