Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Pembelajaran Mesin dengan Aplikasi 6 (2001) 100134

Daftar isi tersedia diSainsLangsung

Pembelajaran Mesin dengan Aplikasi

beranda jurnal:www.elsevier.com/locate/mlwa

Pembelajaran mendalam dalam visi komputer: Tinjauan kritis terhadap teknik yang
muncul dan skenario aplikasi
junyi chaisebuah,b,∗, Hao Zengsebuah, Anming Lic, Eric WT Ngaic
sebuahDivisi
Bisnis dan Manajemen, BNU-HKBU United International College, Zhuhai, China
bPusatStudi Evaluasi, Universitas Normal Beijing, Zhuhai, Cina
cDepartemen Manajemen dan Pemasaran, Universitas Politeknik Hong Kong, Hong Kong, Cina

INFO ARTIKEL ABSTRAK

Kata kunci: Pembelajaran mendalam telah sangat berhasil dalam visi komputer (CV), pemrosesan bahasa alami, dan
Pembelajaran mesin pengenalan video/ucapan. Dalam tulisan ini, fokus kami adalah pada CV. Kami memberikan tinjauan kritis tentang
Pembelajaran mendalam
pencapaian terbaru dalam hal teknik dan aplikasi. Kami mengidentifikasi delapan teknik yang muncul, menyelidiki
Visi komputer
asal dan pembaruannya, dan akhirnya menekankan penerapannya dalam empat skenario utama, termasuk
Tinjauan Literatur
pengenalan, pelacakan visual, segmentasi semantik, dan pemulihan gambar. Kami mengenali tiga tahap
pengembangan dalam dekade terakhir dan menekankan tren penelitian untuk pekerjaan masa depan. Rangkuman,
akumulasi pengetahuan, dan kreasi dapat bermanfaat bagi peneliti di akademisi dan peserta di industri CV.

Isi

1. Perkenalan................................................................... ................................................................... ................................................................... ................................................... 1

2. Perkembangan terkini pada arsitektur dan evolusi jaringan dalam................................................................... ................................................................... ............... 3
3. Pengakuan................................................................... ................................................................... ................................................................... ................................................... 4
3.1. Klasifikasi gambar................................................................... ................................................................... ................................................................... .......................... 4
3.2. Deteksi objek................................................................... ................................................................... ................................................................... ................................... 6
3.2.1. Detektor satu tahap................................................................... ................................................................... ................................................................... ............ 6
3.2.2. Detektor dua tahap: seri R-CNN................................................................... ................................................................... ........................................................ 6
4. Pelacakan visual................................................................... ................................................................... ................................................................... ................................................... 7
5. Semantik segmentasi................................................................... ................................................................... ................................................................... ................................. 8
6. Pemulihan gambar................................................................... ................................................................... ................................................................... ........................................................ 9
7. Analisis perkembangan terkini dan tren penelitian masa depan................................................................... ................................................................... ................................... 9
8. Penutup................................................................... ................................................................... ................................................................... ................................................... 11
Pernyataan kontribusi kepenulisan CReditT................................................................... ................................................................... ................................................................... ..... 11
Deklarasi kepentingan bersaing................................................................... ................................................................... ................................................................... .................. 11
Ucapan Terima Kasih................................................................... ................................................................... ................................................................... ........................................ 11
Referensi................................................................... ................................................................... ................................................................... ................................................................... .11

Metadata kode 1. Perkenalan

Tautan permanen ke Kapsul yang dapat direproduksi:https://doi.org/ Pembelajaran mendalam (DL), cabang kecerdasan buatan (AI), telah

10.24433/ CO.0411648.v1.
diperluas dengan struktur jaringan yang beragam. Fitur big data dapat
ditangkap oleh DL secara otomatis dan efisien.

Kode (dan data) dalam artikel ini telah disertifikasi sebagai Dapat Direproduksi oleh Code Ocean: (https://codeocean.com/). Informasi lebih lanjut tentang Reproduksibilitas
Inisiatif Lencana tersedia dihttps://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals.
∗ Penulis yang sesuai.
Alamat email:donjychai@uic.edu.cn (J.Chai),harveyhzeng@outlook.com (H.Zeng),amingli@polyu.edu.hk (A.Li),eric.ngai@polyu.edu.hk (EWT Ngai).

https://doi.org/10.1016/j.mlwa.2021.100134
Diterima 17 Maret 2021; Diterima dalam bentuk revisi 6 Agustus 2021; Diterima 6 Agustus 2021
Tersedia online 14 Agustus 2021
2666-8270/©2021 Para Penulis. Diterbitkan oleh Elsevier Ltd. Ini adalah artikel akses terbuka di bawah lisensi CC BY-NC-ND (http://
creativecommons.org/licenses/by-nc-nd/4.0/).
J. Chai, H. Zeng, A. Li dkk.
Gambar 1.Arsitektur CNN untuk klasifikasi citra.
Aplikasi DL saat ini meliputi computer vision (CV), natural language
processing (NLP), video/speech recognition (V/SP), dan keuangan dan
perbankan (F&B).Chai dan Li(2019) memberikan survei DL pada NLP
dan kemajuan pada V/SP. Survei menekankan tonggak dalam
pengembangan DL di domain aplikasi ini. Penyelidikan mereka
menunjukkan bahwa DL sangat menembus ke domain NLP dan V/SP.
Huang dkk.(2020) membahas perkembangan mutakhir DL di F&B.
Adamopoulou dan Moussiades(2020) mempresentasikan sejarah,
teknologi, dan aplikasi sistem dialog alami yang diimplementasikan
melalui pendekatan pencocokan pola.Muzammel dkk. (2020)
mengusulkan aplikasi berbasis V/SP yang disebut AudVowelConsNet,
untuk pengenalan dan penilaian depresi klinis dari ucapan. Dengan
perkembangan DL, beberapa sarjana mulai mengeksplorasi arah
aplikasi industri. Sebagai contoh,Altan dkk.(2021) mengembangkan
model peramalan kecepatan angin hibrida (WSF) baru untuk prakiraan
kecepatan untuk eksploitasi tenaga angin yang efisien berdasarkan
jaringan memori jangka pendek (LSTM) dan metode dekomposisi
dengan pengoptimal serigala abu-abu (GWO).
Pada tahap awal pengembangan CV, pendekatan DL menghadapi
kesulitan karena keterbatasan memori komputer, CPU, dan GPU. Sebagian
besar sarjana meneliti penerapan ML di CV. Sementara itu, banyak metode
untuk CV telah diusulkan, seperti K-means, Naive Bayes classifier, Decision
Tree, Boosting, Random Forest, Haar Classifier, Expectation–Maximization
(EM), K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM).
Berdasarkan algoritma Adaboost,Viola dan Jones(2001) menggunakan fitur
wavelet Haar-like dan metode grafik integral untuk deteksi wajah. Mereka
bukan yang pertama mengusulkan fitur wavelet, tetapi mereka telah
merancang fitur deteksi wajah yang lebih berguna dan mengalirkan
classifier kuat yang dilatih oleh Adaboost. Algoritma yang diusulkan disebut
detektor Viola-Jones. Nanti,Lienhart dan Maydt (2002) memperluas detektor
ini dengan memutar fitur seperti Haar dan akhirnya membentuk
pengklasifikasi Haar yang sekarang dimiliki OpenCV.
Perkembangan DL dalam beberapa dekade terakhir agak cepat, yang
secara luas dapat dipisahkan menjadi sepuluh kategori dalam hal algoritma
dan arsitektur: Convolutional Neural Networks (CNNs), Long Short-Term
Memory Networks (LSTMs), Recurrent Neural Networks (RNNs), Generatif
Adversarial Networks (GANs), Radial Basis Function Networks (RBFNs),
Multilayer Perceptrons (MLPs), Self-Organizing Maps (SOMs), Deep Belief
Networks (DBNs), Restricted Boltzmann Machines (RBMs), dan Autoencoder.
Gua dkk.(2016) membandingkan literatur dan kinerjanya masing-masing
pada tugas CV yang berbeda, termasuk klasifikasi gambar, deteksi objek,
pengambilan gambar, segmentasi semantik, dan estimasi pose manusia.
Dengan membandingkan CNN, RBM, Autoencoder, dan Sparse Coding,
mereka akhirnya menyimpulkan bahwa CNN adalah arsitektur yang paling
cocok untuk CV. Karena keterbatasan presisi dan ukuran model pada waktu
itu, bagaimanapun, ada beberapa tantangan dalam aplikasi praktis. Mereka
termasuk (a) tidak ada pemahaman yang jelas tentang arsitektur mana yang
harus berkinerja lebih baik daripada yang lain; (b) pelatihan dengan
2
Pembelajaran Mesin dengan Aplikasi 6 (2001) 100134
data terbatas; (c) sulit untuk mencapai aplikasi real-time; (d) membutuhkan model
yang lebih kuat.
Lebih-lebih lagi,Xu dkk.(2020) merangkum potensi CV untuk membantu
tugas-tugas manajerial di tempat berdasarkan artikel yang diterbitkan sejak
2014. Baru-baru ini,Alzubaidi dkk.(2021) memperkenalkan struktur,
perkembangan, perangkat keras, dan tantangan teknologi CNN dan
menganalisis tulang punggung CNN dari tahun 2012 hingga 2018. Mereka
lebih memperhatikan perkembangan CNN. Secara berbeda, makalah kami
akan fokus pada pengembangan DL di bidang CV dan membuat ringkasan
progresif di garis waktu.
DL yang diterapkan dalam pemrosesan informasi memiliki lebih banyak
akumulasi dalam literatur. Oleh karena itu, kami menerapkan ketentuan
berikut untuk membatasi koleksi artikel kami. Kami hanya memilih artikel
yang dipublikasikan tentang machine learning (ML), kecerdasan buatan,
ilmu komputer, pengenalan pola, manajemen bisnis karena artikel ini
kemungkinan besar sesuai dengan fokus survei ini. Kedua, mencari artikel
yang direview dari database akademik, termasuk Science Direct, Springer-
Link Journal, IEEE Xplore, Emerald, JSTOR, World Scientific Net, dan Google
Scholar. Ketiga, kami membatasi periode publikasi antara 2014 dan 2020, di
mana hanya ada sedikit pengecualian karena signifikansinya.
Sejak kinerja luar biasa dalam kompetisi ImageNet, CNN telah menjadi
pendekatan DL yang paling menonjol (Gua dkk.,2016). Salah satu bidang
yang paling penting dan mendasar untuk aplikasi CV adalah klasifikasi
gambar.Gambar 1menunjukkan arsitektur CNN untuk klasifikasi citra. CNN
terdiri dari convolutional layer, pooling layer, dan fully connected layer. Di
lapisan convolutional, CNN menggunakan berbagai kernel untuk
menggulung seluruh gambar dan peta fitur menengah, menghasilkan
berbagai peta fitur. Lapisan penyatuan digunakan untuk mengurangi
dimensi peta fitur dan parameter jaringan. Untuk lapisan yang terhubung
penuh, umumnya di akhir setiap arsitektur CNN dan berfungsi sebagai
pengklasifikasi CNN. Setelah lapisan terhubung sepenuhnya, output dapat
digunakan untuk klasifikasi Gambar seperti yang ditunjukkan pada Gambar
1, atau dapat mentransfer output ke Deep Neural Networks (DNN)
berikutnya seperti yang ditunjukkan padaGambar 2.. Karena itu,Szegedy
dkk.(2016) berpendapat bahwa pencapaian pencapaian penelitian dalam
kinerja klasifikasi cenderung beralih ke peningkatan kualitas yang signifikan
dalam berbagai bidang aplikasi.
Secara khusus, kami merangkum perkembangan terbaru dalam DL dengan
melihat ke delapan:munculteknik yang menjadi model dasar di banyak bidang
aplikasi CV, termasuk AlexNet, VGGNet, GoogLeNet & Inception, ResNet,
DenseNet, MobileNets, EfficientNet, dan RegNet. Aplikasi DL yang luas diringkas
menjadi empat skenario aplikasi utama termasuk pengenalan, pelacakan visual,
segmentasi semantik, dan pemulihan gambar. Kami menganalisis literatur terbaru
dan mempertimbangkannya kembali sebagai tiga tahap pengembangan.
Akhirnya, kami mengedepankan tren penelitian masa depan di sisi aplikasi dan
karya masa depan.
Makalah ini bertujuan untuk mengidentifikasi teknik yang muncul
dari DL dan pencapaian terbaru dari skenario aplikasi di domain CV.
J. Chai, H. Zeng, A. Li dkk.
Gambar 2.Model dasar CNN dan model turunan.
Dengan demikian, kami meninjau delapan teknik dan empat aplikasi
secara rinci berdasarkan publikasi berkualitas antara 2014 dan 2020.
Kami mengkategorikan perkembangan terakhir selama dekade
terakhir menjadi tiga tahap, yaitu tahap awal (2012-2016), tahap tengah
( 2016–2019), dan tahap terakhir (dari 2019). Kami mengidentifikasi tiga
tren penelitian di sisi aplikasi dan dua arah di sisi teknis. Rangkuman,
akumulasi pengetahuan, dan kreasi kami dapat bermanfaat bagi para
peneliti di akademisi dan peserta di industri CV.
Sisa kertas diatur seperti di bawah ini. Kami pertama-tama akan
meninjau teknik yang muncul di Bagian2dan kemudian tinjau empat
skenario aplikasi di Bagian3-6. Kami menganalisis perkembangan terkini dan
menguraikan tren penelitian masa depan di Bagian7. Bagian8menyimpulkan
makalah ini.
2. Perkembangan terkini pada arsitektur dan evolusi jaringan
dalam
Dalam dekade terakhir, teknologi utama di bidang CV adalah CNN.
Banyak struktur jaringan berbasis CNN telah muncul setelah
keberhasilan AlexNet pada berbagai tugas klasifikasi gambar. Berikut
ini adalah deskripsi perkembangan terkini dalam arsitektur dan evolusi
jaringan dalam:
(1) AlexNet:Diusulkan olehKrizhevsky dkk.(2012), Alexnet terdiri
dari lima lapisan konvolusi, diikuti oleh tiga lapisan yang terhubung. Setiap
convolutional layer diikuti oleh rectified linear unit (ReLU) yang digunakan untuk
''mengaktifkan'' output dari convolutional layer. Model asli AlexNet dilatih pada
dua GPU. Seseorang dapat mempertimbangkan keberadaan struktur jaringan
berbasis CNN yang disebut Caffenet, yang memiliki struktur yang mirip dengan
Alexnet. Perbedaannya adalah bahwa Caffenet menerapkan penyatuan sebelum
normalisasi respons lokal pada dua lapisan konvolusi pertama, sedangkan Alexnet
melakukan sebaliknya.
(2) VGGNet:Diusulkan olehSimonyan dan Zisserman(2015), VGGNet
meningkatkan kedalaman jaringan dengan menambahkan lebih banyak lapisan
konvolusi dengan menggunakan filter konvolusi kecil (3×3) sementara parameter
lainnya tetap. Dengan mendorong kedalaman ke 16 dan 19 lapisan berat,
peningkatan signifikan pada konfigurasi sebelumnya dapat dicapai, umumnya
disebut VGG-16 dan VGG-19. Meskipun VGG-16 dan VGG-19
3
Pembelajaran Mesin dengan Aplikasi 6 (2001) 100134
mendukung bahwa peningkatan kedalaman jaringan dapat mempengaruhi
kinerja akhir jaringan sampai batas tertentu, VGGNet lebih unggul dari metode
lain pada periode yang sama karena memiliki ruang parameter yang besar. Model
terakhir VGGNet memiliki lebih dari 500 M, sedangkan AlexNet hanya memiliki 200
M. Oleh karena itu, biasanya dibutuhkan waktu lebih lama untuk melatih model
VGG daripada AlexNet.
(3) GoogLeNet & Inception:Lin dkk.(2014) memperkenalkan Jaringan-
in-network (NIN), yang terdiri dari setumpukmlpconvlapisan. Ini menggantikan
filter konvolusi dengan fungsi nonlinier umumperkiraan. Fitur lain dari NIN adalah
menggunakan penyatuan rata-rata global untuk menggantikan lapisan yang
terhubung sepenuhnya. Ini rata-rata setiap peta fitur dan memberi makan vektor
yang dihasilkan langsung kesoftmaxlapisan. Eksperimen pada beberapa
kumpulan data gambar menunjukkan bahwa NIN mencapai akurasi klasifikasi
yang sebanding atau lebih baik dengan parameter yang jauh lebih sedikit.
Szegedy dkk.(2015) mengusulkan arsitektur CNN baru yang disebut
Inception v1 sebagaiGambar 3menunjukkan. Untuk saat ini, peningkatan
ukuran arsitektur aman untuk meningkatkan kinerja. Namun demikian,
mereka berpendapat bahwa hal itu dapat mengakibatkan dua kemacetan:
(a) jumlah parameter yang lebih besar dan (b) peningkatan penggunaan
sumber daya komputasi. Untuk mengatasi masalah ini, mereka
memperkenalkan awal — lapisan arsitektur CNN. Ini berhasil meningkatkan
kedalaman dan lebar jaringan sambil menjaga anggaran komputasi tetap
konstan. Lapisan awal diulang beberapa kali dan membentuk GoogLeNet,
model kedalaman 22 lapisan. GoogLeNet menggunakan dua ide di NIN: 1×1
Konvolusi dan penyatuan rata-rata global.
Kemudian,Szegedy dkk.(2016) memperkenalkan serangkaian trik untuk
meningkatkan efektivitas desain asli Inception v1. Ini menunjukkan bahwa
konvolusi dengan filter yang lebih besar cenderung tidak proporsional
mahal dalam hal perhitungan. Disarankan untuk mengganti filter dengan
ukuran 5×5 (7×7) dengan dua ditumpuk 3×3 filter. Desain ini memanggil
Inception v2. Penulis juga menyebutkan bantuan normalisasi batch (BN),
yang menggunakan normalisasi dalam setiap data mini-batch untuk
menormalkan output ke distribusi normal N (0,1), mengurangi perubahan
dalam distribusi neuron internal. Mereka menyebut desain ini sebagai
Inception v3. Terinspirasi oleh ResNet,Szegedy dkk.(2017) memperkenalkan
Inception v4 sebagai versi sederhana dari Inception v3. Mereka
menggabungkan arsitektur Inception dengan koneksi residual dan
membuat arsitektur baru yang disebut Inception-ResNet. Akhirnya,coklat(
2017) mengusulkan Xception untuk meningkatkan kinerja Inception v3,
menggantikan modul Inception dengan konvolusi yang dapat dipisahkan
secara mendalam. Xception sedikit mengungguli Inception v3 pada dataset
ImageNet dan jauh lebih unggul pada dataset JFT.
(4) ResNet:Dia dkk.(2016) berpendapat bahwa mempelajari fungsi residual
mengenai input layer lebih efisien daripada mempelajari parameter layer
tanpa mengacu pada input. Mereka mengusulkan jaringan residual yang
disebut ResNet dengan 152 lapisan, yang delapan kali lebih dalam dari VGG
Nets. Jaringan residual menggunakan beberapa lapisan parameter untuk
mempelajari representasi residu antara input dan output, daripada
menggunakan lapisan parameter untuk mempelajari pemetaan secara
langsung antara input dan output di jaringan CNN umum (misalnya,
AlexNet, VGG). Saat koneksi langsung ditingkatkan, itu mencapai tujuan
mempromosikan masalah gradien yang hilang, memperkuat propagasi fitur,
mendorong penggunaan kembali fitur, dan secara substansial mengurangi
jumlah parameter.
(5) PadatNet:Berdasarkan pengamatan bahwa jaringan konvolusi
pekerjaan lebih akurat dan lebih cepat,Huang dkk.(2017) diperkenalkan
Jaringan Padatyang menghubungkan semua lapisan secara langsung satu
sama lain. Menggunakan peta fitur dari semua lapisan sebelumnya sebagai
input, DenseNet dapat membuat koneksi L(L+1)/2 daripada koneksi L dari
jaringan konvolusi tradisional. Hasilnya, ia memiliki empat keuntungan: (a)
mengurangi masalah gradien hilang, (b) memperkuat propagasi fitur, (c)
mendorong penggunaan kembali fitur, (d) secara substansial mengurangi
jumlah parameter.
(6) MobileNet:Howard dkk.(2017) menyajikan kelas efisien
model yang disebut MobileNets (v1), yang menggunakan dua hiperparameter
global sederhana yang secara efisien menukar antara latensi dan akurasi. Dalam
J. Chai, H. Zeng, A. Li dkk.
Gambar 3.Modul awal, versi naif (Szegedy dkk.,2015).
Dataset ImageNet, misalnya, parameter MobileNet (v1) hanya 4,2 juta,
sedangkan VGG16 menggunakan 138 juta, yang menghasilkan perbedaan
bujur hanya 0,9%. Pada sisi negatifnya, struktur MobileNet V1 mirip dengan
VGG. Dibandingkan dengan ResNet, Densenet dan struktur lainnya memiliki
kinerja yang relatif murah. Konvolusi yang mendalam sangat mengurangi
biaya komputasi. Kemudian×N kedalaman +1×1 struktur pointwise bisa
dekat dengan N×N Konv dalam performa. Dalam penggunaan sebenarnya,
inti dari bagian depthwise mudah ditinggalkan dengan pelatihan. Namun
demikian, banyak kernel yang dilatih oleh depthwise kosong.
Sandler dkk.(2018) memperkenalkan jaringan saraf yang disebut MobileNetV2 untuk
meningkatkan MobileNetV1 dalam dua aspek utama. Pertama, mereka memperkenalkan
bottleneck linier yang menggunakan aktivasi Linear alih-alih ReLU untuk mencegah
lapisan nonlinier kehilangan beberapa informasi. Terinspirasi oleh ResNet, mereka
mempresentasikan Residual Terbalik untuk Meningkatkan propagasi gradien antar
lapisan, dengan efisiensi memori yang lebih tinggi.
Howard dkk.(2019) membuat MobileNetV3 hadir dalam dua versi,
MobileNetv3-Small dan MobileNetv3-Large, yang memiliki persyaratan
komputasi dan penyimpanan yang lebih rendah dan lebih tinggi.
MobileNetV3 menerapkan pencarian arsitektur jaringan (NAS) dan algoritma
NetAdapt untuk meningkatkan kinerja. MobileNetv3-Large meningkatkan
akurasi sekitar 3,2% dibandingkan MobileNetV2 dalam tugas klasifikasi
ImageNet tetapi mengurangi waktu sebesar 20%. Bandingkan dengan
MobileNetv3-Small, akurasi tugas klasifikasi ImageNet ditingkatkan sebesar
6,6% dengan latensi yang sebanding. MobileNetv3-Large mencapai akurasi
yang sama pada deteksi COCO dan 25% lebih cepat daripada MobileNetV2.
(7) Jaringan Efisien:Tan dan Le(2019) ditemukan bahwa membuat keseimbangan
kedalaman, lebar, dan resolusi jaringan dapat menghasilkan kinerja yang lebih
baik, dan dengan demikian memperkenalkanJaringan yang Efisien. Secara
keseluruhan, EfficientNet-B7 mencapai akurasi 84,4% top-1 dan 97,1% top-5
mutakhir di ImageNet, sementara menjadi 8,4x lebih kecil dan 6,1x lebih cepat
pada inferensi daripada GPipe (Huang dkk.,2019). EfficientNets juga mentransfer
dengan baik dan mencapai akurasi mutakhir pada CIFAR-100 (91,7%), Bunga
(98,8%), dan tiga set data pembelajaran transfer lainnya, dengan urutan
parameter yang lebih sedikit.
(8) RegNet:Radosavovic dkk.(2020) menghadirkan jaringan baru
Paradigma desain disebutRegNetyang menggabungkan keunggulan desain
manual dan NAS. Ruang desain RegNet dapat bekerja dengan sempurna di
berbagai rezim kegagalan karena merupakan jaringan yang sederhana dan
cepat. Di bawah pengaturan dan kegagalan pelatihan yang serupa, model
RegNet mengungguli model EfficientNet yang populer, yang hingga 5 kali
lebih cepat pada GPU. Meskipun ketepatan RegNet bukanlah peningkatan
besar dibandingkan dengan EfficientNet, ia mengusulkan ide-ide baru ke
arah desain ruang desain jaringan. Saat ini, RNN dan LSTM lebih sering
digunakan dalam pengenalan NLP dan audio. Tren yang meningkat adalah
persimpangan bidang CV dan NLP.Ye dkk.(2020) mengusulkan jaringan
LSTM (ConvLSTM) convolutional ganda yang terdiri dari jaringan encoder
dan jaringan decoder untuk menangkap informasi spasial dan sekuensial
dalam gambar input.
4
Pembelajaran Mesin dengan Aplikasi 6 (2001) 100134
Selain CNN dan RNN, Restricted Boltzmann Machine (RBM) adalah
jaringan saraf dangkal dua lapis yang mempelajari probabilitas gabungan
dari input yang terlihat dan unit tersembunyi. RBM mempelajari probabilitas
unit tersembunyi, input x yang diberikan, dan bobotnya adalah p(a| x; w).
Jaringan kepercayaan yang mendalam dapat dianggap sebagai tumpukan
RBM. Autoencoder akan mencoba mempelajari satu set parameter untuk
rekonstruksi x setelah diberikan satu set input x. Biasanya berisi dua modul:
encoder dan decoder. Untuk Pengkodean Jarang,Elad dan Aharon(2006)
menyediakan algoritma K-SVD klasik.Xie dkk.(2012) mengembangkan skema
pelatihan untuk denoising auto-encoder, yang dapat mengejar kinerja yang
klasik (lihatTabel 1).
3. Pengakuan
3.1. Klasifikasi gambar
Klasifikasi gambar bertujuan untuk menetapkan label yang telah ditentukan
sebelumnya ke input. Semua arsitektur jaringan yang disebutkan sebelumnya
dapat digunakan untuk klasifikasi citra.Zeiler dan Fergus(2014) diusulkan untuk
menggunakan jaringan dekonvolusi berlapis (deconvnet) untuk memproyeksikan
aktivasi fitur kembali ke ruang piksel masukan. Alih-alih memetakan piksel ke fitur,
deconvnet dilakukan sebaliknya. Untuk mencapai visualisasi ruang piksel, mereka
menjalankan hasil sebelumnya melalui tiga proses berikutnya:
(a) Unpooling: dengan merekam lokasi maksimal dalam masing-masing
pooling region untuk menempatkan rekonstruksi dari layer di atas ke
lokasi yang sesuai.
(b) Rectification: merekonstruksi sinyal melalui non-linearitas ReLU.
(c) Pemfilteran: menggunakan filter yang dipelajari untuk menggabungkan peta fitur dari
lapisan sebelumnya.
Proyeksi berbagai lapisan terlatihdeconvnetmenunjukkan sifat
hierarkis fitur diAlexnet. Disimpulkan bahwa ukuran jendela reseptif
yang lebih kecil dan langkah langkah yang lebih kecil dari lapisan
pertama dapat meningkatkan kinerjaAlexNetuntuk klasifikasi gambar.
Algoritma lain layak disebutkan di sini. Untuk memecahkan masalah
nontransparansi di DNN,Lapuschkin dkk.(2016) menunjukkan bahwa
LRP dapat menjelaskan pengklasifikasi dengan lebih baik dan
membantu orang mendapatkan lebih banyak wawasan ilmiah.
Misalnya, saat membedakan ilustrasi dari foto, fitur buatan tangan dan
fitur deteksi garis luar berkinerja buruk karena tidak adanya warna
garis gelap. Sebaliknya, DCNN fine-tuning memiliki akurasi yang sangat
tinggi (96,8%), yang mengungguli model lain, termasuk model CNN
khusus yang dilatih dari awal (Gando dkk.,2016).
Untuk klasifikasi gambar radar aperture sintetis resolusi tinggi, jaringan
kepercayaan mendalam diskriminan (DisDBN) diperkenalkan untuk mempelajari
fitur-fitur diskriminan dan tangguh. Setelah melatih satu set pengklasifikasi lemah,
melakukan proyeksi diskriminatif, dan mempelajari fitur diskriminatif tingkat
tinggi, penulis membuktikan keefektifan DisDBN melalui tiga percobaan. Namun,
karena strategi pemilihan tetangga dari pengklasifikasi yang lemah,
penyimpangan besar dalam pelabelan semu mungkin ada (Zhao dkk.,2017).
J. Chai, H. Zeng, A. Li dkk. Pembelajaran Mesin dengan Aplikasi 6 (2001) 100134

Tabel 1
Ringkasan terperinci tentang arsitektur dan perkembangan jaringan dalam.
Arsitektur Tahun Kompleksitas model Trik pengoptimalan KHUSUS Kumpulan data uji Keterbatasan

AlexNet 2012 60 juta parameter dan Dua GPU, Rectified Linear Units LSFRC-2010 Ruang untuk akurasi
650.000 neuron, terdiri dari (ReLUs), Respons Lokal peningkatan
dari lima lapisan konvolusi, beberapa Normalisasi (LRN), Penggabungan
di antaranya diikuti oleh Tumpang Tindih, Augmentasi Data, Putus
lapisan max-pooling, dan tiga lapisan yang Sekolah
terhubung penuh dengan softmax 1000
arah akhir.

VGGNet 2014 Lapisan konvolusi menggunakan Bangun jaringan kedalaman dengan LSFRC-2010 Mengevaluasi jaringan
sangat kecil (3×3) filter konvolusi di menggunakan kembali blok konvolusi membutuhkan banyak
semua lapisan untuk meningkatkan sederhana (kecil (3×3) filter konvolusi), perhitungan
kedalaman jaringan. Beberapa Evaluasi padat, Evaluasi multi-tanaman
jaringan diusulkan, terutama VGG16
(138 juta parameter) dan VGG19 (144
juta parameter). 13/19 lapisan
konvolusi dengan tiga terhubung
sepenuhnya
lapisan.

GoogLeNet/Inception v1
2014 9 modul Inception, 22 lapisan dalam (21
lapisan convolutional dan satu terhubung
sepenuhnya
layer) saat menghitung hanya layer
dengan parameter (atau 27 layer jika kita
juga menghitung pooling) dan
parameter 12 kali lebih sedikit daripada
AlexNet.
Modul awal, Pengumpulan Rata-Rata
Global, Pengklasifikasi tambahan,
Dropout, Evaluasi multi-tanaman
ILSVRC-2012 Kompleksitas
arsitektur Inception
membuat lebih sulit untuk
membuat perubahan pada
jaringan. Membuatnya lebih sulit
untuk menyesuaikannya dengan
kasus penggunaan baru saat
mempertahankan efisiensinya.

Inceptionv2 2016 Total sepuluh modul awal dengan Normalisasi Batch (BN), Tiga jenis ILSVRC-2012
memfaktorkan 7 . tradisional×7 modul awal, Pengurangan Ukuran
Konvolusi menjadi tiga 3×3 Kotak
convolution s.network memiliki
kedalaman 42 lapisan. Biaya
komputasi kami hanya sekitar 2,5 lebih
tinggi daripada GoogLeNet, dan masih
jauh lebih efisien daripada VGGNet.

Inceptionv3 2016 Berdasarkan awalV2 BN-auxiliary, Evaluasi multi- ILSVRC-2012 Relatif kompleks dan
arsitektur, tambahkan kembali beberapa tanaman, Label Smoothing mempartisi model untuk pelatihan
trik pengoptimalan khusus dengan Regularization (LSR), RMSProp terdistribusi menggunakan
kurang dari 25 juta parameter. ketidakpercayaan

Awalv4 2017 Total 14 modul awal dengan satu Modul batang, modul awal ILSVRC-2012 Lebih kompleks dan membutuhkan waktu

modul batang. baru lebih lama untuk dijalankan daripada V3

ResNet 2016 152 lapisan, yang delapan kali Blok Sisa, koneksi ILSVRC-2012, Menderita overfitting
lebih dalam dari VGG Nets, dan Pintasan, VOC PASCAL
dengan 1,7 juta parameter. Nol-padding, Pintasan proyeksi 2007/2012
Jaringan Padat 2017 Tiga blok padat dan Lapisan Blok padat, Batch CIFAR-10 (C10),
Transisi. Jumlah parameter Normalisasi (BN) CIFAR100,
meningkat dari 1,0M menjadi Rumah Pemandangan Jalan

27,2M tanpa menderita Angka (SVHN),

overfitting atau kesulitan ILSVRC-2012
optimasi jaringan residual.
MobileNet (v1) 2017 Dua global sederhana Konvolusi Depthwise, YFCC100M, Ruang untuk akurasi
hyperparameters efisien trade- Konvolusi Pointwise, Anjing Stanford, peningkatan
off antara latency dan akurasi. Normalisasi Batch (BN) Im2GPS, COCO,
Parameternya hanya 4,2 juta. ImageNet

MobileNetV2 2018 Memfaktorkan konvolusi Struktur residu terbalik, Kemacetan COCO, PASCAL Ruang untuk akurasi
tradisional menjadi 1×1 Linier VOC 2012 peningkatan
konvolusi. Parameternya hanya
3,4 juta.
MobileNetsV3 2019 V3-Large memiliki 5,4 juta parameter, h-wish, Squeeze-and-excitation COCO, Pemandangan Kota Meningkatkan akurasi tetapi
dan V3-Small memiliki 2,5 juta (SE), NetAdapt, Neural mengurangi kecepatan
parameter. Penelusuran Arsitektur (NAS)

Jaringan yang Efisien
2019 Compound menskalakan jaringan. Penskalaan Model Senyawa CIFAR-100, Biaya pencarian untuk pencarian
Memiliki delapan macam jaringan, CIFAR-10, Bunga, grid tinggi.
EfficientNet-B0 hanya memiliki 5,3 Birdsnap, Stanford
juta parameter, bahkan Mobil, Pesawat FGVC,
EfficientNet-B7 hanya memiliki 66 hewan peliharaan Oxford-IIIT,

juta parameter. Makanan-101

RegNet 2020 Menggabungkan keunggulan Desain ruang desain LSFRC-2010

desain manual dan
NAS.REGENCY-400MF hanya menggunakan 4,3
juta parameter untuk mencapai hasil serupa
dari EfficientNet-B0.

5
J. Chai, H. Zeng, A. Li dkk.
3.2. Deteksi objek
Klasifikasi citra mendeskripsikan citra, sedangkan pendeteksian objek
bertujuan untuk mendeteksi letak sekumpulan objek sasaran. Tugas deteksi
terdiri dari dua sub-tugas, satu adalah informasi kategori dan probabilitas
target, dan juga merupakan tugas klasifikasi. Yang lainnya adalah lokasi
spesifik target dengan memanfaatkan kotak pembatas dengan label, yang
merupakan tugas penentuan posisi.
Metode arus utama saat ini terutama dibagi menjadi pendekatan satu
tahap (misalnya, SSD, YOLO) dan pendekatan dua tahap (misalnya, seri R-
CNN). Pendekatan dua tahap pertama-tama menghasilkan satu set kotak
pembatas yang jarang dari gambar. Kemudian melakukan koreksi
berdasarkan daerah kotak pembatas untuk meningkatkan hasil deteksi
akhir. Sebaliknya, pendekatan satu tahap secara langsung menghitung
gambar dan menghasilkan hasil deteksi. Kecepatan deteksi satu tahap lebih
cepat, tetapi akurasi deteksi lebih rendah. Sebaliknya, pendekatan dua tahap
adalah kebalikannya. Komponen dan klasifikasi pendeteksi objek
diperlihatkan dalamMeja 2.
3.2.1. Detektor satu tahap
(1) YOLO
Redmon dkk.(2016) mengusulkan YOLO yang membingkai masalah deteksi objek
sebagai masalah regresi alih-alih klasifikasi. Salah satu fitur penting dari metode ini
adalah kecepatan deteksi yang cepat. Seperti yang diklaim oleh penulis, YOLO dapat
mencapai 45 frame per detik, dan versi cepat memiliki efisiensi yang lebih tinggi. Artinya,
155 frame per detik menggandakan mAP (rata-rata Presisi Rata-rata) dibandingkan
dengan sistem waktu nyata lainnya. Perhatikan bahwa YOLO masih tertinggal dalam
sistem deteksi kritis dalam hal akurasi.
Redmon dan Farhadi(2017) memperkenalkan YOLO9000 (juga dikenal
sebagai YOLOv2), yang membuat berbagai peningkatan pada YOLO dan
dapat mendeteksi lebih dari 9000 kategori objek. Bandingkan dengan YOLO,
YOLOv2 membuat perubahan berikut, termasuk normalisasi batch,
menggunakan gambar pelatihan resolusi tinggi, cluster dimensi, dan
convolutional dengan kotak jangkar, yang berarti memprediksi offset, bukan
koordinat kotak pembatas. Pada kecepatan 40 FPS (Frame Per Second),
YOLOv2 mencapai 78,6 mAP pada dataset VOC 2007, yang mengungguli
algoritme deteksi kritis, R-CNN yang lebih cepat dengan ResNet dan SSD.
Mereka juga mengusulkan metode pelatihan bersama yang dapat
memprediksi lokasi kelas objek tanpa data deteksi berlabel. YOLOv3
kemudian diusulkan olehRedmon dan Farhadi(2018). Tulang punggung
YOLOv3 telah berevolusi dari Darknet-19 di YOLOv2 menjadi Darknet-53,
yang memperdalam jumlah lapisan jaringan dan memperkenalkan operasi
penambahan lintas lapisan di ResNet. Meskipun Darknet-53 memproses 78
gambar per detik, yang jauh lebih lambat daripada Darknet-19 (171 FPS), itu
masih jauh lebih cepat daripada ResNet-152 (37 FPS) dan ResNet-101 (53
FPS). 320 x 320 YOLOv3 berjalan dalam 22 mdtk pada 28,2 mAP, seakurat
SSD, namun tiga kali lebih cepat. Ketika kita melihat metrik deteksi mAP .5
IOU (Intersection over Union) lama YOLOv3 cukup baik. Ini mencapai 57,9 AP
50dalam 51 mdtk di Titan X, dibandingkan dengan 57,5 AP50dalam 198 ms
oleh RetinaNet, yang memiliki kinerja serupa tetapi 3,8 kali lebih cepat.
Meskipun akurasi YOLOv3 tidak jauh lebih baik daripada jaringan lain, ia
memiliki kecepatan yang lebih tinggi daripada pesaing lainnya.
Redmon dan Farhadi(2018) percaya bahwa CV telah digunakan dalam
penggunaan yang meragukan dan telah menghentikan penelitian di YOLO
setelah YOLOv3 selesai. Versi YOLO berikutnya setelah YOLOv3 semuanya
merupakan peningkatan berdasarkan V3. Sejauh ini, serial YOLO telah
melahirkan beberapa cabang.Bochkovskiy dkk.(2020) meningkatkan YOLOv4
secara signifikan, seperti weighted-residual-connection (WRC), cross-stage-
partial-connections (SCP), cross mini-batch Normalization (CmBN), self-
adversarial-training (SAT), dan mish-activation. Mereka juga menerapkan trik
termasuk augmentasi data Mosaic, regularisasi DropBlock, dan kehilangan
CIoU (Complete-IOU). Hasil YOLOv4 adalah 43,5% AP (Average Precision)
(65,7% AP50) untuk kumpulan data MS COCO dengan kecepatan waktu nyata
∼65 FPS pada Tesla V100.
PP-YOLO (Panjang dkk.,2020) telah mendapat peningkatan berdasarkan
YOLOv3 setelah YOLOv4, yang menggunakan Resnet50-V alih-alih Darknet53
6
Pembelajaran Mesin dengan Aplikasi 6 (2001) 100134
sebagai tulang punggung. Dan, BatchSize berubah dari 64 menjadi 196. Selain itu,
dengan menambahkan IOU Loss, Grid Sensitive, dan IOU Aware, membatasi penggunaan
DropBlock, PP-YOLO meningkatkan mAP pada COCO dari 43,5% menjadi 45,2%, dengan
FPS meningkat dari 62 menjadi 72,9 dibandingkan dengan YOLOv4.
(2) SSD
Liu dkk.(2016) menyajikan metode yang menghilangkan proses
menghasilkan kotak pembatas. Metode mereka pertama-tama
memproses enam peta fitur. Setiap kotak jangkar pada setiap peta fitur
menghasilkan panjang kotak jangkar yang berbeda pada input asli.
Oleh karena itu, dapat berfungsi peta fitur dari resolusi yang berbeda
untuk menangani berbagai ukuran objek. Kecepatan deteksi hingga 59
FPS ketika ukuran input 300×300. Mengubah ukuran input menjadi 512
×512 mencapai 76,9% mAP pada dataset VOC 2007, yang mengungguli
algoritma deteksi kritis, R-CNN yang lebih cepat.
Berdasarkan SSDnya,Fu dkk.(2017) mencoba mengubah jaringan dasar dari
VGG menjadi Residual-101 (Dia dkk.,2016), sedangkan tingkat akurasi turun dari
77,5% menjadi 76,4%. Terinspirasi oleh MS-CNN (Cai dkk., 2016), mereka
menambahkan modul prediksi untuk meningkatkan sub-jaringan setiap tugas
untuk meningkatkan akurasi. Meskipun akurasi akhir tidak jauh dari akurasi
SSD513, yang juga merupakan jaringan Residual-101, Deconvolutional Single Shot
Detector (DSSD) dapat memantau objek kecil dari suatu gambar dengan lebih
baik.
(3) RetinaNet
Lin, Goyal dkk.(2017) berpendapat bahwa akurasi pendekatan onestage yang rendah
disebabkan oleh ketidakseimbangan kelas dan mengusulkan struktur baru, RetinaNet,
menggunakan Focal Loss. RetinaNet menggunakan ResNet dan Feature Pyramid
Network (FPN) sebagai tulang punggung. Ini menggunakan pengenalan target tingkat
tunggal dengan kehilangan fokus, yang dapat menerapkan istilah modulasi untuk
kehilangan lintas-entropi. Ini untuk memfokuskan pembelajaran pada contoh-contoh
sulit dan mengurangi banyak hal negatif yang mudah. Struktur ini mencapai 39,1 mAP
lebih tinggi dari 36,2 mAP yang Lebih Cepat R-CNN pada FPN (Lin, Dolar dkk.,2017)
didasarkan pada kumpulan data COCO yang menantang.
3.2.2. Detektor dua tahap: seri R-CNN
Terinspirasi oleh kesuksesan besar CNN untuk klasifikasi gambar,Girshick dkk.
(2014) mengusulkan metode tiga modul untuk memanfaatkan CNN pada deteksi
objek. Ini pertama-tama menghasilkan satu set proposal objek independen objek
dalam bentuk wilayah pada gambar input. Kemudian mengekstrak fitur dalam
dengan panjang tetap menggunakan CNN dari wilayah gambar yang diproses.
Terakhir, fitur ini dimasukkan ke satu set SVM linier (Support Vector Machine) yang
mengidentifikasi jenis objek. Penulis menamakan metode ini R-CNN.
Dia dkk.(2015) memeriksa kembali persyaratan input gambar dan mengusulkan
strategi penyatuan baru. Lapisan yang terhubung penuh hanya membutuhkan input
berukuran tetap yang menghasilkan input gambar berukuran tetap. Mereka
berpendapat bahwa itu mungkin menyebabkan kinerja yang buruk pada tugas-tugas
seperti deteksi objek. Mereka mengembangkan struktur jaringan yang disebut SPP-net,
yang mengambil gambar dengan ukuran arbitrer sebagai input dan mencapai 63,1 mAP
pada dataset uji VOC 2007. Mereka mengklaim keunggulannya dalam menangani
deformasi objek. Makalah ini sangat berdampak pada pekerjaan selanjutnya mengenai
deteksi objek karena memungkinkan ekstraksi fitur yang cepat dari berbagai daerah
pada gambar input.
Terinspirasi olehDia dkk.'s (2015) kerja,girsick(2015) merancang jaringan yang
dapat mengklasifikasikan objek dan memprediksi lokasi kotak pembatas secara
bersamaan, yaitu fast R-CNN. Pertama, itu menghasilkan satu set proposal objek
untuk gambar menggunakan algoritma yang disebut pencarian selektif. Dan
kemudian, itu mengekstraksi fitur yang dalam dari setiap wilayah dengan bantuan
ROIlapisan penyatuan. Fitur dan koordinat yang diekstraksi dari kotak pembatas
yang sesuai dimasukkan ke dalam asoftmaxpengklasifikasi dan kotak pembatas
kemunduran,masing-masing. Dibandingkan dengan R-CNN, metode ini telah
menggabungkan dua modul terakhir dan dengan demikian mengurangi pelatihan
(18,3 x lebih cepat) dan waktu pengujian (169 x lebih cepat) di grup S.
Ren dkk.(2017) diperpanjanggirsick's (2015) bekerja untuk mencapai tujuan
deteksi objek waktu nyata. Metode mereka bertujuan untuk memecahkan
hambatan dalam menghasilkan proposal objek. Jaringan Proposal Wilayah (RPN)
diperkenalkan untuk memprediksi batas objek dan skor objek.
J. Chai, H. Zeng, A. Li dkk.
Meja 2
Komponen dan klasifikasi pendeteksi objek.
Memasukkan
Tulang punggung platform GPU
Platform CPU
Leher Blok tambahan
Blok agregasi jalur
kepala Satu panggung Jangkar
Bebas jangkar
Dua tahap Jangkar
Bebas jangkar
Metode ini menggabungkan semua langkah menjadi satu jaringan saraf. Dengan demikian,
mereka menyebut metode ini sebagai R-CNN yang lebih cepat. Di dalamnya, perhitungan tidak
dibagikan di seluruh halaman, menghasilkan perhitungan dan waktu ekstra. Untuk mengatasi
kekurangan tersebut,Dai dkk.(2016) memperkenalkan R-FCN, detektor berbasis wilayah yang
sepenuhnya konvolusi dengan peta skor yang peka terhadap posisi. ItuROItempat penyatuan
antara lapisan R-CNN yang lebih cepat dapat mempengaruhi invarians translasi dan membuat R-
FCN mendapatkan akurasi yang sama dengan waktu 19x lebih sedikit.
Lin, Dolar dkk.(2017) FPN yang diusulkan. Arsitektur ini memanfaatkan bentuk
piramida dari hierarki fitur ConvNet dan membangun peta fitur semantik tingkat
tinggi di semua skala. Menggunakan FPN dalam model Faster R-CNN, metode
mereka meningkatkan presisi rata-rata secara signifikan, mencapai kinerja yang
lebih baik daripada banyak entri model tunggal pemenang kompetisi yang
direkayasa secara berat seperti G-RMI dan Faster R-CNN+++.Dia dkk.(2017)
diperpanjangRen dkk.'s (2017) bekerja dengan menyisipkan cabang paralel untuk
memprediksi topeng objek untuk melakukan segmentasi semantik. Karya tersebut
juga memperkenalkanROISejajarkan untuk menggantikan tradisionalROIPooling,
yang bukan merupakan penyelarasan piksel-ke-piksel, meningkatkan akurasi dari
10% menjadi 50%. Metode ini menunjukkan hasil yang lebih unggul daripada
model lain di semua trek rangkaian tantangan COCO. Metode ini bernama Mask R-
CNN, dan mencapai 62,3% AP50pada kumpulan data MS COCO. Selain R-CNN dan
variannya, metode signifikan lainnya juga ada, meningkatkan kecepatan deteksi
atau akurasi deteksi.
Seri R-CNN, seri YOLO, SSD, dan RetinaNet yang disebutkan di atas semuanya
didasarkan pada algoritma deteksi target Anchor.Hukum dan Deng (2018)
menghadirkan model Anchor Free baru yang disebut CornerNet. CornerNet
mencapai tujuan menggunakan peta panas, penyematan, offset, dan AP 40,5%, AP
56,5%50pada kumpulan data MS COCO. Hal ini dapat memecahkan dua masalah
utama: (1) Kelas Ketidakseimbangan yang mencoba Focal Loss untuk
menyelesaikannya (Lin, Goyal dkk.,2017), dan (2) pengenalan lebih banyak
hyperparameter, seperti jumlah, ukuran, dan rasio aspek jangkar. Terinspirasi
oleh CornerNet, beberapa peneliti menghadirkan banyak model Anchor Free.
Seperti CenterNet (Zhou dkk.,2019), FCOS (Tian dkk.,2019), dan RepPoints (Yang
dkk.,2019).
4. Pelacakan visual
Pelacakan visual adalah salah satu topik paling menantang di bidang CV.
Di dunia nyata, pelacakan visual dipengaruhi oleh faktor eksternal, termasuk
variasi pose, variasi iluminasi, oklusi penuh atau sebagian, dan noise dalam
video. Para peneliti lebih memperhatikan metode multi-isyarat.Walia dan
Kapoor(2016) mengkategorikan metode pelacakan multi-isyarat menjadi
modal tunggal dan multi-modal. Berbeda,Kumar dkk.(2020)
mengkategorikan pelacakan objek multi-isyarat ke dalam arsitektur
tradisional dan pelacak berbasis DL.
Wang dan Yeung(2013) menganggap masalah pelacakan objek sebagai
masalah representasi fitur pembelajaran. Mereka mengusulkan untuk
menggunakan autoencoder denoising bertumpuk yang mempelajari
representasi fitur umum gambar offline pada data gambar tambahan.
Untuk pelacakan online, mereka melampirkan lapisan klasifikasi ke bagian
encoder. Baik lapisan klasifikasi dan encoder kemudian disesuaikan untuk
beradaptasi dengan perubahan tampilan objek. Metode ini dinamakan deep
learning tracker (DLT).
Pembelajaran Mesin dengan Aplikasi 6 (2001) 100134
Gambar, Tambalan, Gambar Piramida
VGG, ResNet, CSPResNeXt, CSPDarknet53, DenseNet, EfficientNet-B0/B7, GhostNet, RegNet
SqueezeNet, MobileNet(V1–V3+), ShuffleNet(V1–V2),
SPP, ASPP, RFB, SAM
FPN, PAN, NAS-FPN, NAS-FPN, FPN yang terhubung penuh, BiFPN, ASFF, SFAM
RPN, SSD, YOLO (V2–V4), RetinaNet
YOLOV1, CornerNet, CenterNet, MatrixNet, FCOS, ATSS, PAA,
R-CNN, R-FCN, Mask R-CNN, Libra R-CNN RepPoints
lebih cepat
Wang, Liu dkk.(2015) berpendapat bahwa fitur generik tidak dapat
menangkap invarian temporal, dan DLT tidak dapat mentransfer dari
pembelajaran offline ke Pelacakan Online. Untuk mengatasi kedua masalah
tersebut, mereka mengusulkan CNN dua lapis yang mempelajari fitur dari
rangkaian video bantu offline. Fitur yang dipelajari kemudian diadaptasi
secara online untuk urutan video target yang diberikan melalui modul
adaptasi. Penulis mengklaim bahwa fitur yang dipelajari kuat untuk
transformasi gerak dan perubahan penampilan. Mengenai kekuatan
diskriminatif fitur generik dan proses pelatihan yang memakan waktu,Zhang
dkk.(2016) mengusulkan metode pelatihan online berbasis CNN yang
memanfaatkan struktur jaringan konvolusi ringan. Ini terdiri dari dua
lapisan: lapisan sederhana dan lapisan kompleks. Lapisan sederhana berisi
filter tetap yang dihasilkan dari wilayah target dan wilayah sekitarnya,
sedangkan lapisan kompleks digunakan untuk menangani masalah
ambiguitas lokasi. Dan, algoritma convolutional network-based tracker (CNT)
ini mencapai AUC 0,545, yang mengungguli metode DLT sebesar 10,9%.
Wang, Li dkk.(2015) melakukan studi mendalam tentang fitur lapisan CNN
yang berbeda untuk menginspirasi ekstraktor fitur yang lebih efektif dari
pelacak berbasis CNN. Lapisan atas CNN memiliki daya diskriminatif yang
lebih membedakan target dari kelas lain dan lebih toleran terhadap
deformasi objek. Di sisi lain, lapisan bawah menangani distraktor lebih baik
daripada lapisan atas. Dengan demikian, mereka merancang mekanisme
yang dapat beralih antara fitur dari lapisan bawah dan fitur dari lapisan atas
tergantung pada keberadaan distraktor. Menggunakan peningkatan ini
meningkatkan metrik AUC dari kurva tingkat tumpang tindih dari 0,529
menjadi 0,602 untuk tolok ukur terbuka (lihatGambar 4).
Demikian pula,Qi dkk.(2016) mengusulkan metode yang membentuk pelacak yang lebih kuat
dengan melakukan lindung nilai terhadap sekumpulan pelacak lemah yang dihasilkan dari
beberapa lapisan CNN yang telah dilatih sebelumnya. Mereka berpendapat bahwa fitur dari satu
lapisan tidak dapat sepenuhnya memanfaatkan kekuatan CNN. Mereka menyimpulkan bahwa
keputusan online algoritma lindung nilai teoretis digunakan untuk menimbang setiap pelacak
yang lemah dan membuktikan efektivitas algoritma pelacakan dalam lindung nilai yang diusulkan
(lihatGambar 5).
Sementara banyak pelacak yang ada menggunakan jaringan dalam,Yun dkk.(
2017) merancang pelacak untuk mencapai komputasi ringan dan akurasi
pelacakan yang memuaskan, pelacak melacak target dengan tindakan berulang
yang dikendalikan oleh jaringan keputusan tindakan (ADNet), yang telah dilatih
dengan baik oleh pembelajaran yang diawasi dan pembelajaran penguatan.
Nantinya, dalam adaptasi online di Tracking, algoritma tracking akan lebih kuat
terhadap deformasi. Dalam percobaan pelacakan visual, ADNet memiliki presisi
dan tingkat keberhasilan yang sama (64,6% AUC, Area Under Curve) dengan
MDNet dan C–COT.
Lagu dkk.(2018) menunjukkan bahwa pelacak dengan jaringan klasifikasi
dalam saat ini memiliki dua kelemahan: (a) sampel positif sangat tumpang tindih,
dan (b) sampel positif dan negatif sangat tidak seimbang. Sebuah algoritma VITAL
diusulkan untuk memecahkan masalah melalui pembelajaran permusuhan. Untuk
menangani masalah pertama, mereka menggunakan jaringan mereka untuk
mengidentifikasi topeng dengan fitur yang kuat ketika mereka menggunakan
jaringan generatif untuk menghasilkan topeng secara acak. Untuk menangani
masalah kedua, kerugian sensitif biaya pesanan tinggi diusulkan untuk
mengurangi pengaruh negatif. Rata-rata overlap (EAO) yang diharapkan untuk
VITAL mencapai 0,323 dengan peringkat akurasi tinggi (Ar) dan peringkat
ketahanan (Rr) masing-masing adalah 1,63 dan 2,17.Xu dkk.(2019) mengusulkan
metode Seleksi Fitur Grup baru untuk Korelasi Diskriminatif
7
J. Chai, H. Zeng, A. Li dkk.
Gambar 4.Contoh pelacakan visual (Wang, Li dkk.,2015).
Gambar 5.Proses untuk melacak hasil dengan menggunakan tulang punggung DL (Qi dkk.,2016).
Filter (GFS-DCF) berdasarkan pelacakan objek visual. Metode GFS-DCF secara
signifikan dapat meningkatkan kinerja pelacak DCF yang dilengkapi dengan
fitur deep neural network, dengan peningkatan AUC dari 55,49% menjadi
63,07%.Lukezic dkk.(2020) mengusulkan pelacak segmentasi single-shot
diskriminatif yang disebut D3S. Mereka menggunakan jaringan kustom
semacam itu dan membangun dua modul: GIM untuk segmentasi dan GEM
untuk pemosisian untuk memecahkan masalah. AUC meningkat hingga
72,8%. Representasi kasar Bounding Box dari target akan mempengaruhi
kinerja, gangguan latar belakang, dan ketahanan video yang panjang dalam
tugas segmentasi video.
5. Semantik segmentasi
CNN masih merupakan teknik DL yang dominan digunakan dalam segmentasi semantik.
Panjang dkk.(2015) mengusulkan untuk menggunakan CNN untuk memungkinkan pembelajaran
padat end-to-end yang efisien. Mereka mengganti lapisan terakhir dari vanilla CNN yang
terhubung penuh dengan 1×1 lapisan konvolusi untuk menghasilkan apeta panas.
8
Pembelajaran Mesin dengan Aplikasi 6 (2001) 100134
Noh dkk.(2015) diusulkan untuk menggunakan adekonvolusijaringan untuk
segmentasi semantik. Jaringan berisi jaringan konvolusi dan jaringan
dekonvolusi yang terdiri dari beberapa dekonvolusi dan uppoolinglapisan.
Dekonvolusi adalah operasi kebalikan dari Konvolusi, sedangkanuppooling
adalah operasi kebalikan dari pooling. Keluaran dari jaringan ini adalah peta
probabilitas yang menunjukkan kelas-kelas ditetapkan untuk setiap piksel.
Mereka menggunakan arsitektur jaringan VGG16.
Hong dkk.(2015) mengusulkan untuk memperlakukan tugas segmentasi semantik
sebagai dua subtugas: klasifikasi dan segmentasi. Untuk setiap tugas, mereka melatih
CNN terpisah. Lapisan penghubung digunakan untuk menyampaikan informasi kelas
tertentu dari jaringan klasifikasi ke jaringan segmentasi. Ini tidak hanya menggunakan
label kelas tingkat gambar dan tingkat piksel tetapi juga meningkatkan efisiensi
segmentasi karena ruang pencarian dikurangi dengan mempelajari peta aktivasi khusus
kelas. Mereka pertama-tama melatih jaringan klasifikasi menggunakan sejumlah besar
gambar. Setelah itu, mereka memperbaiki
J. Chai, H. Zeng, A. Li dkk.
parameter classifier dan bersama-sama melatih lapisan penghubung dan jaringan
segmentasi menggunakan sejumlah kecil data pelatihan beranotasi kuat. Mereka
menggunakan VGG16 dan menamai metode mereka sebagaiTerpisahNet.
Menghadapi kesulitan bahwa lapisan atas dalam jaringan feedforward tidak
berubah terhadap faktor,Pinheiro dkk.(2016) mengusulkan metode Sharp-Mask.
Ini menambah jaring feedforward melalui penyempurnaan top-down dan
menggabungkan dirinya dengan jaringan DeepMask. Eksperimen menunjukkan
bahwa metode ini berkinerja luar biasa baik dalam kualitas (yaitu, peningkatan
rata-rata 10%–20% dalam akurasi penarikan) dan kecepatan (yaitu, 50% lebih
cepat dari jaringan DeepMask asli, katakanlah di bawah 0,8 dtk per gambar), dan
dapat juga dapat digunakan dalam tugas pelabelan piksel lainnya.
Memperluas keberhasilan R-CNN yang lebih cepat pada deteksi objek,
Dia dkk. (2017) menerapkannya pada tugas segmentasi instance. Selain
kotak pembatas, Mask R-CNN menghasilkan peta biner yang menunjukkan
apakah suatu piksel milik suatu objek atau tidak. Hal ini dicapai dengan
menggunakan metode yang disebut Realigning RoIPool (RoiAlign), yang
mencapai 37.1AP dan 60AP50pada kumpulan data COCO.Chen dkk.(2018)
mengusulkan DeepLabv3+ untuk menggabungkan keuntungan pengkodean
informasi kontekstual multiskala dari struktur encoder-decoder dan
keuntungan menangkap batas objek yang lebih tajam dari jaringan saraf
dalam. Mereka juga belajar dari model Xception untuk mencapai jaringan
encoderdecoder yang lebih cepat dan lebih kuat. Kinerja test set sebesar
89% di PASCAL VOC 2012 membuktikan metode ini berhasil.Zhang dkk.(2019
) menyajikan jaringan segmentasi kelas-agnostik dengan pembelajaran
beberapa kali yang disebut Canet,yang mencapai 49,9% meanIoU
(intersection over union) pada dataset COCO2014. Mekanisme atensi yang
memecahkan masalah k-shot ternyata lebih efektif daripada metode non-
learnable. Modul optimasi berulang yang secara iteratif menyempurnakan
hasil prediksi digunakan (lihatGambar 6).
Selain itu, perlu disebutkan bahwa dengan pendalaman penelitian
segmentasi citra di atas, banyak model segmentasi citra medis telah
diusulkan dan diterapkan dalam domain medis. Ronneberger dkk.(2015)
mengembangkan U-Net yang didasarkan pada jaringan yang sepenuhnya
konvolusi. Dengan penggunaan augmentasi data yang kuat, mereka telah
secara efektif meningkatkan akurasi hasil dengan set data pelatihan yang
sangat terbatas. Mereka juga mempresentasikan arsitektur berbentuk U,
yang terdiri dari jalur berkontraksi untuk menangkap konteks dan jalur
ekspansi simetris yang memungkinkan pelokalan tepat untuk memecahkan
masalah pemosisian citra medis. Sejak itu, para peneliti telah mengusulkan
varian berdasarkan U-Net, seperti V-Net (Milletari dkk.,2016), UNet++ (Zhou
dkk.,2020).Rai dan Chatterjee(2020) dikembangkan LU-Net oleh CNN dengan
lapisan yang lebih sedikit untuk mendeteksi tumor di otak.
6. Pemulihan gambar
Dong dkk.(2016) mengembangkan metode untuk gambar super-resolusi
(SR), yang dapat mempelajari pemetaan ujung ke ujung antara gambar
resolusi rendah (LR)/resolusi tinggi (HR). Metode ini didasarkan pada CNN,
dan memiliki tiga lapisan. Lapisan pertama mengekstrak fitur yang
dipetakan dari patch LR, dan lapisan kedua digunakan untuk pemetaan dari
peta fitur ini ke peta fitur HR. Lapisan terakhir merekonstruksi HR dengan
menggabungkan prediksi. Struktur ini ringan dan cukup cepat untuk
penggunaan online.
Burger dkk.(2012) menggunakan MLP biasa untuk mempelajari pemetaan dari
gambar bernoise ke gambar bebas derau. Metode ini mengikuti metode denoising
lanjutan lainnya [sepertiDabov dkk.(2007)], dan cocok untuk jenis kebisingan yang
kurang dipelajari secara ekstensif.
Lehtinen dkk.(2018) mengusulkan ide inovatif untuk memulihkan gambar
hanya dengan melihat contoh yang rusak tanpa mendapatkan target pelatihan
yang bersih. Dengan menggunakan ML untuk memetakan pengamatan yang
rusak untuk membersihkan sinyal dan algoritma rekonstruksi sinyal dasar, para
peneliti dapat merekonstruksi sinyal dari noise menjadi bersih. Hasil penelitian
menunjukkan bahwa target noise telah mencapai rata-rata PSNR (Peak Signal to
Noise Ratio) sebesar 31,74 dB pada data validasi. Jaringan yang dilatih dengan
target clean mencapai 31,77 dB, dimana jaringan bekerja dengan baik dalam
merekonstruksi sinyal dari noise ke clean.
9
Pembelajaran Mesin dengan Aplikasi 6 (2001) 100134
Dalam penelitian sebelumnya, banyak sarjana (Dosovitskiy & Brox,
2016; Lai dkk.,2017;Ledig dkk.,2017) telah melakukan sejumlah besar
pra-pelatihan dengan banyak gambar realistis untuk meningkatkan
kinerja jaringan konvolusi dalam dalam restorasi gambar. Namun,
Ulyanov dkk.(2018) menunjukkan bahwa bahkan tanpa pembelajaran,
struktur generator gambar konvolusi dapat menangkap sejumlah
besar statistik gambar. Metode mereka tidak memerlukan proses
pemodelan degradasi dan pra-pelatihan. Namun, ia berkinerja baik di
SR, inpainting, dan denoising. Karena membutuhkan banyak iterasi,
pemrosesannya relatif lambat.
Ia menghadapi kesulitan dalam memperoleh dataset pelatihan di beberapa
bidang, misalnya, data citra biomedis. Karena itu,Krull dkk.(2019)
memperkenalkan NOISE2VOID (N2V), skema pelatihan yang hanya membutuhkan
akuisisi noise tunggal untuk melatih denoising CNN. Mereka mengusulkan
jaringan blind-spot, di mana bidang reseptif setiap piksel mengecualikan piksel itu
sendiri, sehingga mencegahnya mempelajari identitas. Dengan demikian, N2V
tidak dapat menghilangkan noise dengan baik jika asumsi independensi tidak
dapat dipenuhi; mereka menunjukkan cara baru untuk melatih jaringan untuk
beradaptasi dengan bidang yang memperoleh set data pelatihan resolusi rendah
yang terbatas atau realistis.Kim dkk.(2020) merancang SR bersama berbasis GAN
dan jaringan pemetaan nada terbalik (ITM) (SR-ITM) yang disebut JSI-GAN. Ini
terdiri dari tiga subnet khusus tugas: subnet rekonstruksi gambar, subnet
restorasi detail, dan subnet peningkatan kontras lokal (LCE). Ketika semua
pelatihan gabungan subnet sempurna, kualitas hasil prediksi HR dan rentang
dinamis tinggi akan meningkat, dengan perolehan PSNR minimal 0,41 dB.
Kamera acara berkinerja lebih baik dalam merasakan perubahan intensitas
daripada kamera tradisional. Namun, merekonstruksi citra intensitas dari keluaran
event stream masih dalam resolusi rendah (LR), noise, blur, dan tidak realistis.
Wang dkk.(2020) mengusulkan EventSR, pipeline ujung-ke-ujung yang
merekonstruksi gambar LR dari aliran peristiwa, meningkatkan kualitas gambar,
dan mengambil sampel gambar yang disempurnakan. Namun, karena kurangnya
gambar GT nyata, pendekatan mereka sebagian besar tidak diawasi, menerapkan
pembelajaran permusuhan. Namun, berdasarkan pembelajaran adversarial,
EventSR meningkatkan PSNR menjadi 47,68 dB pada dataset ESIM-RW.
7. Analisis perkembangan terkini dan tren penelitian masa depan
Penerapan DL di CV menunjukkan perkembangan yang signifikan dalam
satu dekade terakhir. Sebuah evolusi yang jelas dapat diringkas, yang kami
anggap tiga tahap secara umum.
Tahap Awal (2012–2016)
Dengan munculnya AlexNet (Krizhevsky dkk.,2012), peneliti
menggunakan CNN untuk klasifikasi gambar pada tahap awal antara 2012
dan 2016. Arsitektur jaringan saraf terus dioptimalkan oleh berbagai isyarat
untuk mencapai peningkatan akurasi. Setelah VGG (Simonyan & Zisserman,
2015) diusulkan, peneliti mencabangkan fokus mereka dan mulai
mengeksplorasi skenario aplikasi dasar, termasuk deteksi objek, pelacakan
visual, dan segmentasi semantik. Mengikuti tulang punggung ini, para
peneliti mengembangkan berbagai arsitektur. YOLOV1 (Redmon dkk.,2016)
menggunakan GoogLeNet sebagai kepala referensi dalam pendeteksian
objek. laboratorium dalam (Chen dkk.,2015) memodifikasi segmentasi
semantik berdasarkan VGG16. Dengan menggunakan ResNet (Dia dkk.,2016
), akurasi dalam klasifikasi gambar telah melampaui pengakuan manusia.
Tahap Menengah (2016–2019)
Di tahap tengah, cabang peneliti mulai mengejar parameter ringan
dan jaringan saraf dengan presisi yang cukup, seperti MobileNet V1–V3
dan ShuffleNet V1-2. Arahan ini telah dilanjutkan ke tahap ketiga,
seperti RegNet dan GhostNet (Han dkk.,2020). Cabang peneliti lain
mulai merambah teknik yang muncul ke berbagai skenario aplikasi.
Misalnya, dalam pelacakan visual, SiamRPN (Li dkk.,2018) didasarkan
pada ide RPN di RCNN yang lebih cepat, yang dikembangkan untuk
deteksi objek. Selain itu, dapat meningkatkan akurasi model dengan
mengoptimalkan model sebelumnya
J. Chai, H. Zeng, A. Li dkk.
Gambar 6.Contoh Segmentasi Semantik (Dia dkk.,2017).
atau memutakhirkan perangkat keras fisik. Sebagai contoh,Dia dkk.(2016)
membandingkan jaringan biasa dan jaringan sisa, dan filosofi jaring VGG terutama
mengilhami garis dasar polos yang mereka gunakan.
Tahap Terbaru (2019–sekarang) dan Tren Penelitian
Berdasarkan analisis tren literatur dalam 2 tahun terakhir, kami
merangkum empat tren penelitian untuk karya masa depan.
(1)Eksplorasi tipe dan arsitektur jaringan: Jenis jaringan
cenderung diperkaya. Lebih banyak jenis, seperti jaringan saraf
siam (SNN), jaringan saraf berulang (RNN), jaringan permusuhan
generatif (GAN), dan jaringan kustom, keluar. Pembelajaran
semi-diawasi secara bertahap dipusatkan dalam studi terbaru
untuk skenario CV. Dengan kata lain, kami menyaksikan proses
evolusi dari pembelajaran terawasi menjadi pembelajaran semi
terawasi.
(2)Peningkatan skenario aplikasi yang lebih spesifik: Seiring
dengan semakin matangnya teknik CV, skenario aplikasi menjadi
lebih spesifik, seperti contoh aplikasi GAN dalam segmentasi
semantik 3D, pengenalan wajah, pengenalan tindakan, stilasi,
dan pembuatan mesin. Akibatnya, peneliti cenderung
memperbaiki teknik dan isyarat yang dikembangkan di CV
konvensional dan meningkatkan kinerja mereka untuk subdivisi
yang lebih spesifik.
(3)Aplikasi kombinasi CV dengan domain ML lainnya: Studi di CV
cenderung digabungkan dengan domain ML lain untuk aplikasi
kombinatorial selain dari sekadar keadaan di bidangnya.
Misalnya, chatbot menggunakan lebih banyak teknik NLP untuk
meningkatkan akurasi respons (Adamopoulou & Moussiades,
2020), di mana mendeteksi apa yang terjadi dalam percakapan
itu sulit. Tantangan besar chatbots adalah untuk
mensimulasikan komunikasi nyata dengan memahami aktivitas
batin pengguna di tingkat berikutnya. Melalui analisis gerak dan
pengenalan ekspresi wajah, chatbots dapat memahami emosi
pengguna dari ekspresi mikro dan bahkan menganalisisnya
dalam kombinasi teori psikologi.
(4)Menembus CV ke domain aplikasi yang lebih luas: Studi
tentang aplikasi crossover diperkaya. Studi aplikasi CV telah
diperluas ke domain medis, seperti deteksi kanker dengan
segmentasi semantik (Mehrotra dkk.,2020); prediksi industri,
seperti peramalan produksi minyak bumi (Al-Shabandar dkk.,
2021); dan arkeologi, seperti memulihkan surat-surat sejarah (
Dambrogio dkk.,2021).
10
Pembelajaran Mesin dengan Aplikasi 6 (2001) 100134
Dari sisi teknis, kami mempertimbangkan dua arah untuk pekerjaan di masa
depan.
(1)Visualisasi Model dan Interpretabilitas: ML, termasuk DL, biasanya
dianggap sebagai kotak hitam. Desain teknik konvensional untuk CV
tidak dapat memproses dataset berukuran besar secara efisien.
Mekanisme pembelajaran end-to-end berbasis DL menawarkan
kesempatan untuk tidak terlalu peduli dengan ukuran dataset yang
besar. Model DL dapat dilatih dalam kumpulan data yang sangat
besar dan kemudian digunakan dalam skenario aplikasi yang sensitif
atau tidak dapat diulang, misalnya, bedah medis. Oleh karena itu,
visualisasi dan interpretasi model DL diperlukan bagi pihak luar
(misalnya, dokter atau ahli bedah) untuk memahami dasar teknis
penentuan. Arah pertama adalah untuk memperkuat visualisasi dan
interpretabilitas model DL.
(2)Skalabilitas Model: Banyak model DL telah dilaporkan saat ini, dan
strukturnya menjadi rumit. Selain itu, melatih model DL memakan
waktu. Dengan demikian, apakah suatu model dapat diskalakan
dengan mudah menjadi kriteria untuk mengevaluasi model ini.
Dengan sumber daya yang terbatas dalam waktu dan data, model
dapat dilatih dengan struktur yang sederhana. Keterlibatan model
dapat diperluas untuk memenuhi lebih banyak kebutuhan, dengan
tingkat akurasi yang meningkat. Misalnya, Facebook (RegNet) dan
Google (EfficientNet) telah mengusulkan model dan metode skalabel
mereka untuk desain ruang. Arah ini layak untuk dieksplorasi lebih
lanjut di masa depan.
Meskipun menjanjikan dan dalam beberapa kasus, hasil CV yang mengesankan,
tantangan tetap ada dalam menggunakan DL untuk CV. Banyak orang khawatir bahwa
masalah etika dan privasi juga akan menjadi lebih menonjol. Redmon dan Farhadi(2018)
berhenti mengembangkan YOLO, karena mereka pikir pekerjaan mereka mungkin
termasuk kemungkinan penyalahgunaan. Mereka berkomentar dalam makalah mereka ''
visi komputer sudah digunakan untuk dipertanyakan dan sebagai peneliti, kami memiliki
tanggung jawab untuk setidaknya mempertimbangkan bahaya yang mungkin dilakukan
oleh pekerjaan kami dan memikirkan cara untuk menguranginya. Kami berutang banyak
pada dunia''. Ada kekhawatiran yang meningkat atas penggunaan video yang diubah
secara online, terutama yang dikenal sebagai Deepfakes (video yang dibuat oleh AI).
Bloomberg Quicktake(2018) mengunggah video di YouTube yang menunjukkan
bagaimana proses wajah palsu menggunakan teknologi CV yang membuat orang
khawatir dan khawatir. Faktanya, dengan kode sumber terbuka dan peningkatan
kekuatan komputer pribadi, Deepfakes dapat meniru data biometrik dan berpotensi
menipu sistem yang membalas pengenalan wajah, suara, atau vena.
J. Chai, H. Zeng, A. Li dkk.
Namun demikian, perlindungan privasi merupakan isu penting dalam
masyarakat informasi modern.Young dan Quan-Haase(2013) bekerja pada
pengungkapan informasi dan strategi perlindungan privasi. Mereka menemukan
bahwa pengguna mengungkapkan informasi terlepas dari masalah privasi mereka
karena mereka telah melakukan upaya sadar untuk melindungi diri mereka dari
potensi pelanggaran dengan menetapkan siapa yang memiliki akses ke data
mereka. Di sisi lain, upaya akademis berusaha untuk meningkatkan
perkembangan teknologi, dan beberapa sarjana telah memulai penelitian di
bidang ini (Agarwal, Farid, El-Gaaly et al.,2020;Agarwal, Farid, Fried et al., 2020;Hsu
dkk.,2020). Sementara itu, Facebook meluncurkan kontes Deepfake Detection
Challenge (DFDC) dalam kemitraan dengan Microsoft dan akademisi pada tahun
2019. Mereka percaya hasil DFDC berkontribusi pada upaya ini dan membangun
respons yang kuat terhadap ancaman yang muncul dari Deepfakes secara global (
Kaggle,2019).
8. Concluding remarks
Untuk skenario aplikasi CV, kami mengidentifikasi delapan teknik DL
yang muncul dalam makalah ini, termasuk AlexNet, VGGNet, GoogLeNet &
Inception, ResNet, DenseNet, MobileNets, EfficientNet, dan RegNet. Kami
menyelidiki asal-usulnya dan memberikan tinjauan kritis terhadap hasil
penelitian yang representatif dari tahun 2014. Kami berfokus pada empat
tugas utama CV, termasuk pengenalan, pelacakan visual, segmentasi
semantik, dan pemulihan gambar. Kami juga menyelidiki dan menekankan
kinerja teknik ini di setiap skenario. Kami merangkum perkembangan
terakhir menjadi tiga tahap dan menggambarkan arah penelitian masa
depan dalam hal aplikasi dan teknik.
Pernyataan kontribusi kepenulisan CReditT
junyi chai:Konseptualisasi, Metodologi, Validasi, Sumberdaya,
Penulisan – draft asli, Penulisan – review & editing, Supervisi,
Administrasi proyek, Akuisisi pendanaan.Hao Zeng: Metodologi,
Penulisan – draf asli.Anming Li:Konseptualisasi, Sumber Daya,
Penulisan – draf asli.Eric WT Ngai:Menulis – meninjau & mengedit,
Validasi.
Deklarasi kepentingan bersaing
Para penulis menyatakan bahwa mereka tidak mengetahui adanya persaingan
kepentingan keuangan atau hubungan pribadi yang tampaknya dapat mempengaruhi
pekerjaan yang dilaporkan dalam makalah ini.
Ucapan Terima Kasih
Kami berterima kasih kepada Pemimpin Redaksi, Editor Rekanan, dan tiga
pengulas anonim atas komentar konstruktif mereka yang telah membantu
memperbaiki makalah ini secara signifikan. Studi ini didukung secara finansial
sebagian oleh Hibah Penelitian Perguruan Tinggi dari BNU-HKBU United
International College, Cina, dan Pusat Studi Evaluasi dengan Universitas Normal
Beijing di Zhuhai.
Referensi
Adamopoulou, E., & Moussiades, L. (2020). Chatbots: Sejarah, Teknologi, dan Aplikasi
tion.Pembelajaran Mesin dengan Aplikasi,2, Pasal 100006.http://dx.doi.org/10. 1016/
j.mlwa.2020.100006.
Agarwal, S., Farid, H., El-Gaaly, T., & Lim, SN (2020). Mendeteksi video deep-fake
dari penampilan dan perilaku. DiProsiding lokakarya internasional IEEE 2020 tentang
forensik dan keamanan informasi (wifs)(hal. 1–6). AMERIKA SERIKAT:http://dx.doi.org/10.
1109/WIFS49906.2020.9360904.
Agarwal, S., Farid, H., Fried, O., & Agrawala, M. (2020). Mendeteksi video deep-fake
dari ketidaksesuaian fonem-viseme. DiProsiding konferensi ieee/cvf 2020 tentang visi
komputer dan lokakarya pengenalan pola (cvprw)(hal. 2814–2822). AMERIKA
SERIKAT: http://dx.doi.org/10.1109/CVPRW50498.200.00338.
Al-Shabandar, R., Jaddoa, A., Liatsis, P., & Hussain, AJ (2021). Sebuah gerbang yang dalam berulang-
sewa jaringan saraf untuk peramalan produksi minyak bumi.Pembelajaran Mesin
dengan Aplikasi,3, Pasal 100013.http://dx.doi.org/10.1016/j.mlwa.2020.100013.
11
Pembelajaran Mesin dengan Aplikasi 6 (2001) 100134
Altan, A., Karasu, S., & Zio, E. (2021). Model hybrid baru untuk peramalan kecepatan angin
menggabungkan jaringan saraf memori jangka pendek panjang, metode dekomposisi dan
pengoptimal serigala abu-abu.Komputasi Lunak Terapan,100, Pasal 106996.http://dx.doi.
org/10.1016/j.asoc.2020.106996.
Alzubaidi, L., Zhang, J., Humaidi, AJ, Al-Dujaili, A., Duan, Y., Al-Shamma, O.,
Santamaria, J., Fadhel, MA, Al-Amidie, M., & Farhan, L. (2021). Tinjauan pembelajaran
mendalam: Konsep, arsitektur CNN, tantangan, aplikasi, arah masa depan. Jurnal
Data Besar,8(1), 53.http://dx.doi.org/10.1186/s40537-021-00444-8. Bloomberg
Quicktake (2018). Semakin sulit untuk menemukan video palsu yang dalam. Diperoleh
darihttps://www.youtube.com/watch?v=gLoI9hAX9dw(Diakses 10 Juli 2021).
Bochkovskiy, A., Wang, CY, & Liao, H.-YM (2020). YOLOV4: Kecepatan optimal
dan akurasi deteksi objek. pracetak arxivarXiv: 2004.10934[Cs, Eess]. http://arxiv.org/
abs/2004.10934.
Burger, HC, Schuler, CJ, & Harmeling, S. (2012). Denoising gambar: Bisa polos
jaringan saraf bersaing dengan BM3D?. DiProsiding konferensi IEEE 2012 tentang visi
komputer dan pengenalan pola(hlm. 2392–2399). Pulau Rhode:http: //dx.doi.org/
10.1109/CVPR.2012.6247952.
Cai, Z., Fan, Q., Feris, RS, & Vasconcelos, N. (2016). Kedalaman multiskala terpadu
jaringan saraf convolutional untuk deteksi objek cepat. DiProsiding konferensi eropa
ke-14 tentang visi komputer (eccv)(hal. 354–370). Belanda:http: //dx.doi.org/
10.1007/978-3-319-46493-0_22.
Chai, J., & Li, A. (2019). Pembelajaran mendalam dalam pemrosesan bahasa alami: Sebuah state-of-the-art
survei. DiProsiding konferensi internasional 2019 tentang pembelajaran mesin dan
sibernetika (icmlc)(hal. 1–6). Jepang:http://dx.doi.org/10.1109/ICMLC48188.2019.
8949185.
Chen, L.-C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, AL (2015). semantik
segmentasi gambar dengan jaring konvolusi yang dalam dan CRF yang terhubung
sepenuhnya. pracetak arxivarXiv:1412.7062[Cs].http://arxiv.org/abs/1412.7062.
Chen, LC, Zhu, Y., Papandreou, G., Schroff, F., & Adam, H. (2018). Encoder–decoder
dengan konvolusi yang dapat dipisahkan untuk segmentasi gambar semantik. Di
Prosiding konferensi eropa ke-15 tentang visi komputer (eccv)(hlm. 801–818). Jerman:
http://dx.doi.org/10.1007/978-3-030-01234-2_49.
Chollet, F. (2017). Xception: Pembelajaran mendalam dengan konvolusi yang dapat dipisahkan secara mendalam. Di
Prosiding konferensi IEEE 2017 tentang visi komputer dan pengenalan pola (cvpr)(
hlm. 1251-1258). AMERIKA SERIKAT:http://dx.doi.org/10.1109/CVPR.2017.195. Dabov,
K., Foi, A., Katkovnik, V., & Egiazarian, K. (2007). Denoising gambar jarang terjadi
Pemfilteran kolaboratif domain transformasi 3-D.Transaksi IEEE pada Pemrosesan Gambar,
16(8), 2080–2095.http://dx.doi.org/10.1109/TIP.2007.901238.
Dai, J., Li, Y., He, K., & Sun, J. (2016). R-FCN: Deteksi objek melalui berbasis wilayah sepenuhnya
jaringan konvolusi. DiProsiding konferensi internasional ke-30 tentang sistem
pemrosesan informasi saraf (nips), Spanyol, (hlm. 379–387).
Dambrogio, J., Ghassaei, A., Smith, DS, Jackson, H., Demaine, ML, Davis, G.,
Mills, D., Ahrendt, R., Akkerman, N., van der Linden, D., & Demaine, ED (2021).
Membuka sejarah melalui pembukaan virtual otomatis dari dokumen tertutup yang
dicitrakan oleh mikrotomografi sinar-X.Komunikasi Alam,12(1), 1184.http://
dx.doi.org/ 10.1038/s41467-021-21326-w.
Dong, C., Loy, CC, He, K., & Tang, X. (2016). Resolusi super gambar menggunakan
jaringan konvolusi yang dalam.Transaksi IEEE pada Analisis Pola dan Kecerdasan
Mesin,38(2), 295–307.http://dx.doi.org/10.1109/TPAMI.2015.2439281. Dosovitskiy, A.,
& Brox, T. (2016). Membalikkan representasi visual dengan convolutional
jaringan. DiProsiding konferensi IEEE 2016 tentang visi komputer dan pengenalan
pola (cvpr)(hlm. 4829–4837). AMERIKA SERIKAT:http://dx.doi.org/10.1109/CVPR.2016.
522.
Elad, M., & Aharon, M. (2006). Denoising gambar melalui representasi yang jarang dan berlebihan
tasi atas kamus yang dipelajari.Transaksi IEEE pada Pemrosesan Gambar,15(12),
3736–3745.http://dx.doi.org/10.1109/TIP.2006.881969.
Fu, C.-Y., Liu, W., Ranga, A., Tyagi, A., & Berg, AC (2017). DSSD: Dekonvolusi
detektor tembakan tunggal. pracetak arxivarxiv:1701.06659[Cs].http://arxiv.org/abs/
1701.06659.
Gando, G., Yamada, T., Sato, H., Oyama, S., & Kurihara, M. (2016). Penyesuaian mendalam
jaringan saraf convolutional untuk membedakan ilustrasi dari foto. Sistem Pakar
dengan Aplikasi,66, 295–301.http://dx.doi.org/10.1016/j.eswa. 2016.08.057.
Girshick, R. (2015). R-cnn cepat. DiProsiding konferensi internasional IEEE tentang
visi komputer (iccv)(hal.1440–1448). Chili:http://dx.doi.org/10.1109/iccv.2015. 169.
Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Hirarki fitur yang kaya
untuk deteksi objek yang akurat dan segmentasi semantik. DiProsiding konferensi IEEE 2014
tentang visi komputer dan pengenalan pola(hal. 580–587). AMERIKA SERIKAT: http://
dx.doi.org/10.1109/CVPR.2014.81.
Guo, Y., Liu, Y., Oerlemans, A., Lao, S., Wu, S., & Lew, MS (2016). Pembelajaran mendalam
untuk pemahaman visual: Sebuah tinjauan.Neurocomputing,187, 27–48.http://dx.doi.org/
10.1016/j.neucom.2015.09.116.
Han, K., Wang, Y., Tian, Q., Guo, J., Xu, C., & Xu, C. (2020). GhostNet: Lebih banyak fitur
dari operasi murah. DiProsiding konferensi ieee/cvf 2020 tentang visi komputer dan
pengenalan pola (cvpr)(hlm. 1577–1586). AMERIKA SERIKAT:http://dx.doi.org/10.
1109/CVPR42600.2020.00165.
Dia, K., Gkioxari, G., Dollar, P., & Girshick, R. (2017). Masker r-cnn. DiProsiding
Konferensi Internasional IEEE 2017 tentang Computer Vision (iccv)(hlm. 2961–2969). Italia:
http://dx.doi.org/10.1109/ICCV.2017.322.
J. Chai, H. Zeng, A. Li dkk.
Dia, K., Zhang, X., Ren, S., & Sun, J. (2015). Penyatuan piramida spasial di kedalaman
jaringan konvolusi untuk pengenalan visual.Transaksi IEEE pada Analisis Pola dan
Kecerdasan Mesin,37(9), 1904–1916.http://dx.doi.org/10.1109/TPAMI. 2015.2389824.
Dia, K., Zhang, X., Ren, S., & Sun, J. (2016). Pembelajaran sisa yang mendalam untuk gambar
resnet pengakuan. DiProsiding konferensi IEEE 2016 tentang visi komputer dan pengenalan
pola (cvpr)(hlm. 770–778). AMERIKA SERIKAT:http://dx.doi.org/10.1109/CVPR. 2016.90.
Hong, S., Noh, H., & Han, B. (2015). Jaringan saraf dalam yang dipisahkan untuk semi-
segmentasi semantik yang diawasi. DiProsiding konferensi internasional ke-28
tentang sistem pemrosesan informasi saraf (nips), Kanada (hlm. 1495-1503).
Howard, A., Sandler, M., Chu, G., Chen, L.-C., Chen, B., Tan, M., Wang, W., Zhu, Y.,
Pang, R., Vasudevan, V., Le, QV, & Adam, H. (2019). Mencari MobileNetV3. DiProsiding
konferensi internasional ieee/cvf 2019 tentang visi komputer (iccv) (hal. 1314-1324).
Korea Selatan):http://dx.doi.org/10.1109/ICCV.2019.00140.
Howard, AG, Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T.,
Andreetto, M., & Adam, H. (2017). MobileNets: Jaringan saraf convolutional yang
efisien untuk aplikasi mobile vision. pracetak arXivarXiv: 1704.04861[Cs]. http://
arxiv.org/abs/1704.04861.
Hsu, C.-C., Zhuang, Y.-X., & Lee, C.-Y. (2020). Berbasis deteksi gambar palsu yang mendalam
pada pembelajaran berpasangan.Ilmu Terapan,10(1), 370.http://dx.doi.org/10.3390/
app10010370.
Huang, J., Chai, J., & Cho, S. (2020). Pembelajaran mendalam di bidang keuangan dan perbankan: A
tinjauan literatur dan klasifikasi.Perbatasan Riset Bisnis di China,14, 1–24. http://
dx.doi.org/10.1186/s11782-020-00082-6.
Huang, Y., Cheng, Y., Bapna, A., Firat, O., Chen, D., Chen, M., Lee, H., Ngiam, J.,
Le, QV, & Wu, Y. (2019). Gpipe: Pelatihan jaringan saraf raksasa yang efisien
menggunakan paralelisme pipa. DiProsiding konferensi ke-33 tentang sistem
pemrosesan informasi saraf (neurips), Vol. 32, Kanada, (hlm. 103-112).
Huang, G., Liu, Z., van der Maaten, L., & Weinberger, KQ (2017). Terhubung rapat
jaringan konvolusi. DiProsiding konferensi IEEE 2017 tentang visi komputer dan
pengenalan pola (cvpr)(hal. 2261–2269). AMERIKA SERIKAT:http://dx.doi.org/10.1109/
CVPR.2017.243.
Kagel (2019). Tantangan deteksi deepfake | kaggle. Diterima darihttps://www.
kaggle.com/c/deepfake-detection-challenge(Diakses 10 Juli 2021).
Kim, SY, Oh, J., & Kim, M. (2020). Jsi-gan: Resolusi super gabungan berbasis Gan dan
pemetaan nada terbalik dengan filter khusus tugas piksel untuk video uhd hdr.
Prosiding Konferensi AAI tentang Kecerdasan Buatan, AS,34(07), 11287-11295. http://
dx.doi.org/10.1609/aaai.v34i07.6789.
Krizhevsky, A., Sutskever, I., & Hinton, GE (2012). Klasifikasi imagenet dengan deep
jaringan saraf konvolusi. DiProsiding konferensi internasional ke-25 tentang sistem
pemrosesan informasi saraf (nips), Vol. 1, AS (hlm. 1097-1105).
Krull, A., Buchholz, T.-O., & Jug, F. (2019). Noise2Void—Belajar denoising dari
gambar berisik tunggal. DiProsiding konferensi ieee/cvf 2019 tentang visi komputer dan
pengenalan pola (cvpr)(hal. 2124–2132). AMERIKA SERIKAT:http://dx.doi.org/10.1109/
CVPR.2019.00223.
Kumar, A., Walia, GS, & Sharma, K. (2020). Tren terbaru dalam berbasis multicue
pelacakan visual: Sebuah tinjauan.Sistem Pakar dengan Aplikasi,162, Pasal 113711.
http://dx.doi.org/10.1016/j.eswa.2020.113711.
Lai, W.-S., Huang, JB, Ahuja, N., & Yang, MH (2017). Piramida Laplace dalam
jaringan untuk resolusi super yang cepat dan akurat. DiProsiding konferensi IEEE 2017
tentang visi komputer dan pengenalan pola (cvpr)(hlm. 5835–5843). AMERIKA SERIKAT:
http://dx.doi.org/10.1109/CVPR.2017.618.
Lapuschkin, S., Binder, A., Montavon, G., Muller, K.-R., & Samek, W. (2016). LRP
kotak peralatan untuk jaringan saraf tiruan.Jurnal Penelitian Pembelajaran Mesin,17(114),
1-5,http://jmlr.org/papers/v17/15-618.html.
Hukum, H., & Deng, J. (2018). CornerNet: Mendeteksi objek sebagai titik kunci berpasangan. Di
Prosiding konferensi eropa ke-15 tentang computer vision (eccv), Vol. 11218 (hal.
734–750). Jerman:http://dx.doi.org/10.1007/978-3-030-01264-9_45.
Ledig, C., Theis, L., Huszár, F., Caballero, J., Cunningham, A., Acosta, A., Aitken, A.,
Tejani, A., Totz, J., & Wang, Z. (2017). Foto-realistis gambar tunggal super-resolusi
menggunakan jaringan permusuhan generatif. DiProsiding konferensi IEEE 2017 tentang visi
komputer dan pengenalan pola (cvpr)(hlm. 105–114). AMERIKA SERIKAT:http://dx.doi. org/
10.109/CVPR.2017.19.
Lehtinen, J., Munkberg, J., Hasselgren, J., Laine, S., Karras, T., Aittala, M., & Aila, T.
(2018). Noise2Noise: Mempelajari restorasi gambar tanpa data bersih. DiProsiding
konferensi internasional ke-35 tentang pembelajaran mesin (icml), Vol. 80,
(Stockholm SWEDIA) (hlm. 2965-2974).
Li, B., Yan, J., Wu, W., Zhu, Z., & Hu, X. (2018). Pelacakan visual kinerja tinggi
dengan jaringan proposal wilayah siam. DiProsiding konferensi ieee/cvf 2018 tentang visi
komputer dan pengenalan pola (cvpr)(hal.8971–8980). AMERIKA SERIKAT:http://dx. doi.org/
10.109/CVPR.2018.00935.
Lienhart, R., & Maydt, J. (2002). Serangkaian fitur seperti haar yang diperluas untuk rapid
deteksi objek. DiProsiding. Prosiding konferensi internasional tentang pengolahan
citra, Vol. 1(hlm. I–900–I–903). AMERIKA SERIKAT:http://dx.doi.org/10.1109/ICIP.2002.
1038171.
Lin, M., Chen, Q., & Yan, S. (2014). Jaringan dalam jaringan. DiProsiding 2014
konferensi internasional tentang representasi pembelajaran (iclr), Kanada.
12
Pembelajaran Mesin dengan Aplikasi 6 (2001) 100134
Lin, T.-Y., Dollar, P., Girshick, R., He, K., Hariharan, B., & Belongie, S. (2017).
Fitur jaringan piramida untuk deteksi objek. DiProsiding konferensi IEEE 2017
tentang visi komputer dan pengenalan pola (cvpr)(hlm. 936–944). AMERIKA SERIKAT:
http://dx.doi.org/10.1109/CVPR.2017.106.
Lin, TY, Goyal, P., Girshick, R., He, K., & Dollar, P. (2017). Kehilangan fokus untuk padat
deteksi objek. DiProsiding konferensi internasional ieee 2017 tentang visi komputer
(iccv)(hal. 2999–3007). Italia:http://dx.doi.org/10.1109/iccv.2017.324. Liu, W.,
Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, CY, & Berg, AC (2016).
SSD: Detektor multibox tembakan tunggal. DiProsiding konferensi eropa tentang visi
komputer (eccv), Vol. 9905(hlm. 21–37). Belanda:http://dx.doi.org/10.
1007/978-3-319-46448-0_2.
Panjang, X., Deng, K., Wang, G., Zhang, Y., Dang, Q., Gao, Y., Shen, H., Ren, J., Han, S.,
Ding, E., & Wen, S. (2020). PP-YOLO: Implementasi pendeteksi objek yang efektif dan
efisien. pracetak arXivarXiv:2007.12099[Cs].http://arxiv.org/abs/2007. 12099.
Panjang, J., Shelhamer, E., & Darrell, T. (2015). Jaringan yang sepenuhnya konvolusi untuk semantik
segmentasi. DiProsiding konferensi IEEE 2015 tentang visi komputer dan pengenalan
pola (cvpr)(hal. 3431–3440). AMERIKA SERIKAT:http://dx.doi.org/10.1109/cvpr.
2015.7298965.
Lukezic, A., Matas, J., & Kristan, M. (2020). D3S – satu bidikan diskriminatif
pelacak segmentasi. DiProsiding konferensi ieee/cvf 2020 tentang visi komputer dan
pengenalan pola (cvpr)(hlm. 7131–7140). AMERIKA SERIKAT:http://dx.doi.org/10.
1109/CVPR42600.200.00716.
Mehrotra, R., Ansari, MA, Agrawal, R., & Anand, RS (2020). Sebuah transfer belajar-
pendekatan untuk klasifikasi tumor otak berbasis AI.Pembelajaran Mesin dengan
Aplikasi,2, Pasal 100003.http://dx.doi.org/10.1016/j.mlwa.2020.100003. Milletari, F.,
Navab, N., & Ahmadi, S.-A. (2016). V-NET: Saraf konvolusi penuh
jaringan untuk segmentasi citra medis volumetrik. DiProsiding konferensi internasional
keempat tahun 2016 tentang visi 3d (3dv)(hlm. 565–571). AMERIKA SERIKAT:http://dx.doi.
org/10.1109/3DV.2016.79.
Muzammel, M., Salam, H., Hoffmann, Y., Chetouani, M., & Othmani, A. (2020).
AudVowelConsNet: Arsitektur CNN mendalam berbasis tingkat fonem untuk
diagnosis depresi klinis.Pembelajaran Mesin dengan Aplikasi,2, Pasal 100005.http: //
dx.doi.org/10.1016/j.mlwa.2020.100005.
Noh, H., Hong, S., & Han, B. (2015). Mempelajari jaringan dekonvolusi untuk semantik
segmentasi. DiProsiding konferensi internasional ieee 2015 tentang computer vision
(iccv)(hlm. 1520–1528). Chili:http://dx.doi.org/10.1109/iccv.2015.178. Pinheiro, PO,
Lin, T.-Y., Collobert, R., & Dollàr, P. (2016). Belajar untuk memperbaiki objek
segmen. (hal. 75–91). Belanda:http://dx.doi.org/10.1007/978-3-319-46448- 0_5.
Qi, Y., Zhang, S., Qin, L., Yao, H., Huang, Q., Lim, J., & Yang, MH (2016). Lindung nilai
pelacakan mendalam. DiProsiding konferensi IEEE tentang visi komputer dan pengenalan
pola (cvpr)(hlm. 4303–4311). AMERIKA SERIKAT:http://dx.doi.org/10.1109/CVPR.2016. 466.
Radosavovic, I., Kosaraju, RP, Girshick, R., He, K., & Dollar, P. (2020). Merancang
ruang desain jaringan. DiProsiding konferensi ieee/cvf 2020 tentang visi komputer
dan pengenalan pola (cvpr)(hlm. 10425-10433). AMERIKA SERIKAT:http://dx.doi.org/
10. 1109/CVPR42600.2020.01044.
Rai, HM, & Chatterjee, K. (2020). Deteksi kelainan otak dengan novel lu-net
model CNN neural dalam dari gambar MR.Pembelajaran Mesin dengan Aplikasi,2,
Pasal 100004.http://dx.doi.org/10.1016/j.mlwa.2020.100004.
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). Anda hanya melihat sekali: Bersatu,
deteksi objek waktu nyata. DiProsiding konferensi IEEE 2016 tentang visi komputer dan
pengenalan pola (cvpr)(hlm. 779–788). AMERIKA SERIKAT:http://dx.doi.org/10.1109/
CVPR.2016.91.
Redmon, J., & Farhadi, A. (2017). YOLO9000: lebih baik, lebih cepat, lebih kuat.Prosiding
Konferensi IEEE 2017 tentang visi komputer dan pengenalan pola (cvpr), 6517–6525.
http://dx.doi.org/10.1109/CVPR.2017.690.
Redmon, J., & Farhadi, A. (2018). Yolov3: Peningkatan bertahap. pracetak arXiv
arXiv:1804.02767.http://arxiv.org/abs/1804.02767.
Ren, S., Dia, K., Girshick, R., & Sun, J. (2017). R-cnn lebih cepat: Menuju waktu nyata
deteksi objek dengan jaringan proposal wilayah. DiProsiding konferensi IEEE 2017
tentang visi komputer dan pengenalan pola (cvpr)(hlm. 6517–6525). AMERIKA
SERIKAT: http://dx.doi.org/10.1109/TPAMI.2016.2577031.
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Jaringan konvolusi untuk
segmentasi citra biomedis.Prosiding konferensi internasional ke-18 tentang
komputasi citra medis dan intervensi berbantuan komputer, Vol. 9351, 234–241.
http://dx.doi.org/10.1007/978-3-319-24574-4_28.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, LC (2018). Mobilenetv2:
Residu terbalik dan kemacetan linier. DiProsiding konferensi IEEE 2018 tentang visi
komputer dan pengenalan pola (cvpr)(hal.4510–4520). AMERIKA SERIKAT:http://dx.
doi.org/10.109/CVPR.2018.00474.
Simonyan, K., & Zisserman, A. (2015). Jaringan konvolusi yang sangat dalam untuk
pengenalan gambar skala. DiProsiding konferensi internasional ke-3 tentang representasi
pembelajaran (iclr2015), AS.
Lagu, Y., Ma, C., Wu, X., Gong, L., Bao, L., Zuo, W., Shen, C., Lau, RW, & Yang, M.
H. (2018). Vital: Pelacakan visual melalui pembelajaran permusuhan. DiProsiding konferensi
IEEE tentang visi komputer dan pengenalan pola (cvpr)(hlm. 8990–8999). AMERIKA SERIKAT:
http://dx.doi.org/10.1109/CVPR.2018.00937.
J. Chai, H. Zeng, A. Li dkk.
Szegedy, C., Ioffe, S., Vanhoucke, V., & Alemi, A. 2017. Inception-v4, inception-resnet
dan dampak sisa koneksi pada pembelajaran. DiProsiding konferensi aai ketiga
puluh satu tentang kecerdasan buatan, AS (hlm. 4278–4284).
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D.,
Vanhoucke, V., & Rabinovich, A. (2015). Pergi lebih dalam dengan konvolusi. Di
Prosiding konferensi IEEE 2015 tentang visi komputer dan pengenalan pola (cvpr)(
hal. 1–9). AMERIKA SERIKAT:http://dx.doi.org/10.1109/CVPR.2015.7298594. Szegedy,
C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Memikirkan kembali
arsitektur awal untuk visi komputer. DiProsiding konferensi IEEE 2016 tentang visi
komputer dan pengenalan pola (cvpr)(hlm. 2818–2826). AMERIKA SERIKAT: http://
dx.doi.org/10.1109/CVPR.2016.308.
Tan, M., & Le, Q. (2019). Efficientnet: Memikirkan kembali penskalaan model untuk convolutional
jaringan saraf. DiProsiding konferensi internasional ke-36 tentang pembelajaran
mesin (icml), Vol. 97, AS (hal. 6105-6114).
Tian, Z., Shen, C., Chen, H., & Dia, T. (2019). Fcos: Objek satu tahap yang sepenuhnya convolutional
deteksi. DiProsiding konferensi internasional ieee/cvf 2019 tentang visi komputer (cvpr)(hlm.
9626–9635). AMERIKA SERIKAT:http://dx.doi.org/10.1109/iccv.2019.00972. Ulyanov, D.,
Vedaldi, A., & Lempitsky, V. (2018). Gambar dalam sebelumnya.Internasional
Jurnal Visi Komputer,128(7), 1867–1888.http://dx.doi.org/10.1007/s11263-
020-01303-4.
Viola, P., & Jones, M. (2001). Deteksi objek cepat menggunakan kaskade sederhana
fitur. DiProsiding konferensi masyarakat komputer IEEE 2001 tentang visi komputer dan
pengenalan pola (cvpr). AMERIKA SERIKAT:http://dx.doi.org/10.1109/CVPR.2001.990517.
Walia, GS, & Kapoor, R. (2016). Kemajuan terbaru pada pelacakan objek multicue: A
survei.Ulasan Kecerdasan Buatan,46(1), 1-39.http://dx.doi.org/10.1007/
s10462-015-9454-6.
Wang, L., Kim, TK, & Yoon, KJ (2020). Acarar: Dari acara asinkron ke
rekonstruksi gambar, restorasi, dan resolusi super melalui pembelajaran permusuhan ujung
ke ujung. DiProsiding konferensi ieee/cvf 2020 tentang visi komputer dan pengenalan pola
(cvpr)(hal.8312–8322). AMERIKA SERIKAT:http://dx.doi.org/10.1109/cvpr42600. 2020.00834.
Wang, N., Li, S., Gupta, A., & Yeung, DY (2015). Mentransfer hierarki fitur yang kaya
untuk pelacakan visual yang kuat. pracetak arXivarXiv:1501.04587 http://arxiv.org/abs/
1501.04587.
Wang, L., Liu, T., Wang, G., Chan, KL, & Yang, Q. (2015). Pelacakan video
menggunakan fitur hierarki yang dipelajari.Transaksi IEEE pada Pemrosesan Gambar,24(4),
1424–1435.http://dx.doi.org/10.1109/TIP.2015.2403231.
Wang, N., & Yeung, DY (2013). Mempelajari representasi gambar kompak yang mendalam untuk
Pelacakan visual. DiProsiding konferensi tahunan ke-27 tentang sistem pemrosesan
informasi saraf, Vol. 1, AS (hal. 809-817).
Xie, J., Xu, L., & Chen, E. (2012). Denoising gambar dan pengecatan dengan deep neural
jaringan.Kemajuan dalam Sistem Pemrosesan Informasi Saraf,25, 341–349.
13
Pembelajaran Mesin dengan Aplikasi 6 (2001) 100134
Xu, T., Feng, Z.-H., Wu, X.-J., & Kittler, J. (2019). Pemilihan fitur grup bersama dan
pembelajaran filter diskriminatif untuk pelacakan objek visual yang kuat. DiProsiding
konferensi internasional ieee/cvf 2019 tentang visi komputer (iccv)(hlm. 7949–7959).
Korea Selatan):http://dx.doi.org/10.1109/ICCV.2019.00804.
Xu, S., Wang, J., Shou, W., Ngo, T., Sadick, A.-M., & Wang, X. (2020). Visi komputer
teknik dalam konstruksi: Sebuah tinjauan kritis.Arsip Metode Komputasi dalam
Rekayasa,http://dx.doi.org/10.1007/s11831-020-09504-3, 2020.
Yang, Z., Liu, S., Hu, H., Wang, L., & Lin, S. (2019). RepPoints: Representasi kumpulan titik
untuk deteksi objek. DiProsiding konferensi internasional ieee/cvf 2019 tentang visi
komputer (iccv)(hlm. 9656–9665). Korea Selatan):http://dx.doi.org/10.1109/
ICCV.2019.00975.
Ye, L., Liu, Z., & Wang, Y. (2020). Jaringan LSTM konvolusi ganda untuk merujuk
segmentasi gambar.Transaksi IEEE di Multimedia,22(12), 3224–3235.http: //
dx.doi.org/10.1109/TMM.2020.2971171.
Muda, AL, & Quan-Haase, A. (2013). Strategi perlindungan privasi di facebook:
Paradoks privasi internet ditinjau kembali.Informasi, Komunikasi & Masyarakat,16(4),
479–500.http://dx.doi.org/10.1080/1369118X.2013.777757.
Yun, S., Choi, J., Yoo, Y., Yun, K., & Choi, JY (2017). Jaringan keputusan tindakan untuk
pelacakan visual dengan pembelajaran penguatan mendalam. DiProsiding konferensi IEEE
2017 tentang visi komputer dan pengenalan pola (cvpr)(hal. 1349–1358). AMERIKA SERIKAT:
http://dx.doi.org/10.1109/CVPR.2017.148.
Zeiler, MD, & Fergus, R. (2014). Memvisualisasikan dan memahami jaringan konvolusi
bekerja. DiProsiding konferensi eropa ke-13 tentang computer vision (eccv), Vol. 8689
(hlm. 818–833). Swiss:http://dx.doi.org/10.1007/978-3-319-10590-1_ 53.
Zhang, C., Lin, G., Liu, F., Yao, R., & Shen, C. (2019). Canet: Segmen kelas-agnostik
jaringan mental dengan penyempurnaan berulang dan pembelajaran sedikit-sedikit yang
penuh perhatian. Di Prosiding konferensi ieee/cvf 2019 tentang visi komputer dan
pengenalan pola (cvpr)(hal. 5212–5221). AMERIKA SERIKAT:http://dx.doi.org/10.1109/
cvpr.2019.00536. Zhang, K., Liu, Q., Wu, Y., & Yang, MH (2016). Pelacakan visual yang kuat melalui
jaringan konvolusi tanpa pelatihan.Transaksi IEEE pada Pemrosesan Gambar, 25(4),
1779-1792.http://dx.doi.org/10.1109/TIP.2016.2531283.
Zhao, Z., Jiao, L., Zhao, J., Gu, J., & Zhao, J. (2017). Jaringan kepercayaan mendalam yang diskriminatif
untuk klasifikasi citra SAR resolusi tinggi.Pengenalan Pola,61, 686–701. http://
dx.doi.org/10.1016/j.patcog.2016.05.028.
Zhou, Z., Siddiquee, MMR, Tajbakhsh, N., & Liang, J. (2020). Unet++: Mendesain ulang
lewati koneksi untuk mengeksploitasi fitur multiskala dalam segmentasi gambar.Transaksi
IEEE pada Pencitraan Medis,39(6), 1856–1867.http://dx.doi.org/10.1109/TMI.2019. 2959609.
Zhou, X., Wang, D., & Krähenbühl, P. (2019). Objek sebagai titik. pracetak arXivarXiv:
1904.07850[Cs].http://arxiv.org/abs/1904.07850.