Wikipedia

Jaringan Syaraf Tiruan Berbasis Wilayah: Perbedaan antara revisi

Jelajahi riwayat secara interaktif
← Revisi sebelumnya
Konten dihapus Konten ditambahkan
VisualTeks wiki
Tag: Suntingan perangkat seluler Suntingan peramban seluler Suntingan seluler lanjutan
Ariyanto (bicara | kontrib)
Pengurus
67.124 suntingan
k Menambah Kategori:Komputer menggunakan HotCat
 
(9 revisi perantara oleh satu pengguna lainnya tidak ditampilkan)
Baris 1:
{{Inuse}}
'''Jaringan Syaraf Tiruan Berbasis Wilayah''' ({{Lang-en|Region-based Convolutional Neural Networks}}) 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.
The original goal of R-CNN was to take an input image and produce a set of bounding boxes as output, where each bounding box contains an object and also the category (e.g. car or pedestrian) of the object. More recently, R-CNN has been extended to perform other computer vision tasks. The following covers some of the versions of R-CNN that have been developed.
 
* November 2013: '''R-CNN'''. GivenDiberikan ansebuah inputgambar imageinput, R-CNN beginsdimulai bydengan applyingmenerapkan amekanisme mechanismyang calleddisebut SelectivePencarian SearchSelektif tountuk extractmengekstrak [[Region of interest|regions of interest]] (ROI), wheredi eachmana setiap ROI isadalah asebuah rectanglepersegi thatpanjang mayyang representdapat themerepresentasikan boundarybatas ofsebuah anobjek objectdalam in imagegambar. Depending onTergantung thepada scenarioskenarionya, theremungkin mayada besebanyak asdua manyribu as two thousand ROIsROI. AfterSetelah thatitu, eachsetiap ROI isdimasukkan fedmelalui throughjaringan asyaraf neuraluntuk networkmenghasilkan tofitur producekeluaran. outputUntuk features.setiap Forfitur eachkeluaran ROI's output features, akumpulan collection ofpengklasifikasi [[support-vectormesin vektor machinependukung]] classifiersdigunakan isuntuk usedmenentukan tojenis determine what type of objectobjek (ifjika anyada) is containedyang withinterkandung thedalam ROI.<ref>{{Cite news|last=Gandhi|first=Rohith|url=https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e|title=R-CNN, Fast R-CNN, Faster R-CNN, YOLO — Object Detection Algorithms|date=July9 9,Juli 2018|work=Towards Data Science|access-date=March12 12,Maret 2020}}</ref>
* April 2015: '''Fast R-CNN'''. While the originalSementara R-CNN independentlyyang computedasli thesecara neuralindependen networkmenghitung featuresfitur onjaringan eachsaraf ofpada asmasing-masing manysebanyak asdua tworibu thousandwilayah regionsyang of interestdiminati, Fast R-CNN runsmenjalankan thejaringan neuralsaraf networksatu oncekali onpada theseluruh whole imagegambar. AtPada theakhir endjaringan ofterdapat themetode networkbaru isyang a novel method calleddisebut ROIPooling, whichyang slicesmemotong out eachsetiap ROI fromdari thetensor network'skeluaran output tensorjaringan, reshapesmembentuk itulang, anddan classifies itmengklasifikasikannya. AsSeperti in the originalpada R-CNN asli, the Fast R-CNN usesmenggunakan SelectivePencarian SearchSelektif tountuk generatemenghasilkan itsproposal region proposalswilayahnya.<ref name=":0">{{Cite news|last=Bhatia|first=Richa|url=https://analyticsindiamag.com/what-is-region-of-interest-pooling/|title=What is region of interest pooling?|date=10 September 10, 2018|work=Analytics India|access-date=March12 12,Maret 2020}}</ref>
* JuneJuni 2015: '''Faster R-CNN'''. WhileSementara Fast R-CNN usedmenggunakan SelectivePencarian SearchSelektif tountuk generatemenghasilkan ROIsROI, Faster R-CNN integratesmengintegrasikan thegenerasi ROI generationke intodalam thejaringan neuralsaraf networkitu itselfsendiri.<ref name=":0" />
* MarchMaret 2017: '''Mask R-CNN'''. WhileSementara previous versions ofversi R-CNN focusedsebelumnya onberfokus objectpada deteksi detectionobjek, Mask R-CNN addsmenambahkan instancesegmentasi segmentationinstance. Mask R-CNN alsojuga replacedmenggantikan ROIPooling withdengan ametode newbaru methodyang calleddisebut ROIAlign, whichyang candapat representmerepresentasikan fractionspecahan of a pixelpiksel.<ref>{{Cite news|last=Farooq|first=Umer|url=https://medium.com/@umerfarooq_26378/from-r-cnn-to-mask-r-cnn-d6367b196cfd|title=From R-CNN to Mask R-CNN|date=February 15, 2018|work=Medium|access-date=March12 12,Maret 2020}}</ref><ref>{{Cite news|last=Weng|first=Lilian|url=https://lilianweng.github.io/lil-log/2017/12/31/object-recognition-for-dummies-part-3.html|title=Object Detection for Dummies Part 3: R-CNN Family|date=December31 31,Desember 2017|work=Lil'Log|access-date=March12 12,Maret 2020}}</ref>
* JuneJuni 2019: '''Mesh R-CNN''' addsmenambahkan thekemampuan abilityuntuk tomenghasilkan generate amesh 3D meshdari from agambar 2D image.<ref>{{Cite news|last=Wiggers|first=Kyle|url=https://venturebeat.com/2019/10/29/facebook-highlights-ai-that-converts-2d-objects-into-3d-shapes/|title=Facebook highlights AI that converts 2D objects into 3D shapes|date=October 29, 2019|work=VentureBeat|access-date=March 12, 2020}}</ref>
 
== Apa itu Backbone?Penerapan ==
Jaringan syaraf tiruan berbasis wilayah telah digunakan untuk melacak objek dari kamera yang dipasang di [[pesawat nirawak]],<ref>{{Cite news|last=Nene|first=Vidi|url=https://dronebelow.com/2019/08/02/deep-learning-based-real-time-multiple-object-detection-and-tracking-via-drone/|title=Deep Learning-Based Real-Time Multiple-Object Detection and Tracking via Drone|date=2 Agustus 2019|work=Drone Below|access-date=28 Maret 2020}}</ref> locating text in an image,<ref>{{Cite news|last=Ray|first=Tiernan|url=https://www.zdnet.com/article/facebook-pumps-up-character-recognition-to-mine-memes/|title=Facebook pumps up character recognition to mine memes|date=Sep 11, 2018 |publisher=[[ZDNET]] |access-date=Mar 28, 2020}}</ref> dan memungkinkan pendeteksian objek di [[Google Lens]].<ref>{{Cite news|last=Sagar|first=Ram|url=https://analyticsindiamag.com/these-machine-learning-techniques-make-google-lens-a-success/|title=These machine learning methods make google lens a success|date=Sep 9, 2019|work=Analytics India|access-date=Mar 28, 2020}}</ref> Mask R-CNN berfungsi sebagai salah satu dari tujuh tugas dalam MLPerf Training Benchmark, yang merupakan kompetisi untuk mempercepat pelatihan jaringan saraf.<ref>{{cite arXiv|eprint=1910.01500v3|class=math.LG|first=Peter|last=Mattson|title=MLPerf Training Benchmark|date=2019|display-authors=etal}}</ref>
[https://www.atalanews.com/mask-r-cnn-dalam-konteks-segmentasi-instance-pada-computer-vision/ Backbone] adalah jaringan saraf konvolusional standar (biasanya ResNet50 atau ResNet101) yang berfungsi sebagai ekstraktor fitur. Lapisan awal mendeteksi fitur rendah (seperti tepi dan sudut), sedangkan lapisan kemudian mendeteksi fitur tingkat tinggi (seperti mobil, orang, langit).
 
==Referensi==
Melalui jaringan backbone, gambar diubah dari 1024x1024px x 3 (RGB) menjadi peta fitur berbentuk 32x32x2048. Peta fitur ini menjadi input untuk tahapan-tahapan berikutnya.
{{Reflist}}
 
[[Kategori:Komputer]]
Meskipun backbone yang dijelaskan di atas sudah bagus, masih dapat ditingkatkan. Feature Pyramid Network (FPN) diperkenalkan oleh penulis yang sama dari Mask R-CNN sebagai ekstensi yang dapat lebih baik merepresentasikan objek pada berbagai skala.
 
FPN meningkatkan piramida ekstraksi fitur standar dengan menambahkan piramida kedua yang mengambil fitur tingkat tinggi dari piramida pertama dan meneruskannya ke lapisan lebih rendah. Dengan melakukan hal tersebut, ini memungkinkan fitur pada setiap tingkat memiliki akses baik ke fitur tingkat rendah maupun tingkat tinggi.
 
== Tahap Dalam Mask R-CNN: ==
Tahap Pertama: Sebuah jaringan saraf ringan yang disebut sebagai region proposal network (RPN) <ref>{{Cite journal|last=Vandy|first=Ahmad Misry Ar Razy|date=2021-01-01|title=Implementasi Mask R-CNN Dan CNN Untuk Identifikasi Merek Mobil Berdasarkan Citra|url=https://repository.ittelkom-pwt.ac.id/7132/|language=id|publisher=Institut Teknologi Telkom Purwokerto}}</ref>memindai semua FPN dari atas ke bawah dan mengusulkan wilayah yang mungkin berisi objek. Meskipun memindai peta fitur adalah cara yang efisien, diperlukan metode untuk mengaitkan fitur dengan lokasi gambar mentahnya. Solusinya disebut anchors. Anchors adalah set kotak dengan lokasi dan skala yang telah ditentukan relatif terhadap gambar. Kelas ground-truth (hanya objek atau latar belakang yang diklasifikasikan biner pada tahap ini) dan bounding boxes ditetapkan untuk setiap anchor. Karena anchors dengan skala yang berbeda terikat pada tingkat yang berbeda pada peta fitur, RPN menggunakan anchors ini untuk menentukan di mana peta fitur 'seharusnya' mendapatkan objek dan ukuran bounding box-nya.
 
Tahap Kedua: Prosedurnya mirip dengan RPN, satu-satunya perbedaan adalah bahwa tanpa bantuan anchors, tahap ini menggunakan trik yang disebut ROIAlign untuk menemukan area yang relevan dalam peta fitur, dan ada sebuah cabang yang menghasilkan masker untuk setiap objek pada tingkat piksel. ROIAlign, di mana mereka melakukan sampling pada peta fitur di titik-titik yang berbeda dan menerapkan interpolasi bilinear.
 
Hal yang paling menarik yang saya temukan tentang Mask R-CNN adalah kita sebenarnya dapat memaksa lapisan-lapisan berbeda dalam jaringan saraf untuk mempelajari fitur dengan skala yang berbeda, sama seperti anchors dan ROIAlign, alih-alih memperlakukan lapisan sebagai kotak hitam.
Diperoleh dari "https://wiki-indonesia.club/wiki/Jaringan_Syaraf_Tiruan_Berbasis_Wilayah"