Deteksi objek
Deteksi objek adalah teknologi komputer yang terkait dengan 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.[1] 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,[2] penghitungan kendaraan,[3] pengenalan aktivitas,[4] 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.[5] Untuk mengatasi tantangan yang disebabkan oleh kesenjangan domain antara data pelatihan dan data uji, banyak pendekatan adaptasi domain tanpa pengawasan telah diusulkan.[6][7][8][9][10] Solusi sederhana dan langsung untuk mengurangi kesenjangan domain adalah dengan menerapkan pendekatan penerjemahan gambar ke gambar, seperti cycle-GAN.[11] 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.
Pranala luar
- Multiple object class detection
- Spatio-temporal action localization
- Online Object Detection Demo
- Video object detection and co-segmentation
Referensi
- ↑ Dasiopoulou, Stamatia, et al. "Knowledge-assisted semantic video object detection." IEEE Transactions on Circuits and Systems for Video Technology 15.10 (2005): 1210–1224.
- ↑ Ling Guan. Multimedia Image and Video Processing. CRC Press. 1 March 2012. hlm. 331–. ISBN 978-1-4398-3087-1.
- ↑ Ala Alsanabani. 2020 the 4th International Conference on Video and Image Processing. 2020. hlm. 48–54. doi:10.1145/3447450.3447458. ISBN 9781450389075.
- ↑ 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.
- ↑ Poojan Oza. Unsupervised Domain Adaptation of Object Detectors: A Survey. 2021-07-04.
- ↑ Poojan Oza. Unsupervised Domain Adaptation of Object Detectors: A Survey. 2021-07-04.
- ↑ Mehran Khodabandeh. A Robust Learning Approach to Domain Adaptive Object Detection. 2019-11-18.
- ↑ Petru Soviany. 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.
- ↑ Maximilian Menke. 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.
- ↑ Maximilian Menke. AWADA: Attention-Weighted Adversarial Domain Adaptation for Object Detection. 2022-08-31.
- ↑ Jun-Yan Zhu. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. 2020-08-24.
Sumber dan atribusi
Konten artikel ini diadaptasi dari 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.