TUGAS 1

IMAGE PROCESSING [41EKS-P31310201]

NIM Nama
P.31.2022.02494 FIITRIASIH

  Crowd counting Feature channel Multi-scale supervised

considering network flow enhancement for crowd network for crowd
constraints in videos counting counting
Field Crowd counting Crowd counting Crowd counting
Establishment
Masalah Sebagian besar pendekatan Menurut peneliti yang crowd counting dimana
yang ada memperkirakan merujuk pada penelitian skala yang bervariasi pada
jumlah pejalan kaki di terbaru yang menggunakan area kepala karena
dalam satu frame, yang metode Convolutional pergantian perspektif dan
menghasilkan prediksi yang Neural network, ada background noise
tidak konsisten dalam hal beberapa detail yang hilang
waktu. seperti ukuran wajah yang
berbeda dalam satu frame.
Faktor lain yang
mempengaruhi adalah
kecepatan
Solusi pemrograman (QP) model mengunakan Enhancement Untuk mengatasi masalah
dengan kendala aliran (FCE) blok untuk ini, karya ini
jaringan untuk meningkatkan CMTL dalam memperkenalkan multi-
meningkatkan akurasi menghitung kerumunan skala baru jaringan yang
penghitungan kerumunan orang termonitoring. Model yang
yang kombinasikan dengan diusulkan menggunakan
metode regression bagian dari model vgg16
sebagai tulang punggung
untuk mengekstrak fitur
Evaluasi Hasil dari penelitian ini Dengan menggunakan FCE, Hasil dari penelitian ini
menunjukan bahwa metode saluran karakteristik positif meningkatkan akurasi MAE
yang diusulkan dapat dapat ditingkatkan dan sebesar 10.8% dan MSE
mengurangi error crowd informasi saluran yang sebesar 6.6%
counting dan meningkatkan lemah atau negatif dapat
akurasinya ditekan
Kontribusi Dengan mengunakan QP Dengan metode FCE , menciptakan model yang
model peneliti ikut peneliti ikut berkontribusi memiliki akurasi lebih
berkontribusi dalam dalam meningkatkan hasil tinggi dari beberapa metode
meningkatkan prediksi dibandingkan dengan sebelumnya
metode regression CMTL, hasilnya meningkat
17,42% pada kumpulan data
ShanghaiTech bagian A,
meningkat 16,40% pada
ShanghaiTech bagian B dan
meningkat 10,87% pada
UCF_CC_50.
Critical Peneliti kurang menjelaskan Peneliti kurang menjelaskan Metode yang dibandingkan
Review tentang kontribusi apa yang lebih detail terkait metode cukup lengkap
telah dilakukan FCE, dan peneliti langsung
menjelaskan kombinasi
antara metode FCE dan
metode lainnya
Research Pada 3 penelitian ini belum ada yang bisa melakukan crowd counting dengan pergerakan
GAP object yang lebih cepat.
 State of The Art
Penelitian sebelumya berfungsi untuk menganalisa dan memperkaya bahasan penelitian, serta mencari perbedaan dengan penelitian yang
sedang dilakukan/sudah dilakukan dengan tujuan untuk menemukan research gap. Dalam State of The Arti ini disertakan 3 penelitian sebelumnya
yang berhubungan dengan crowd counting pada bidang image processing. Jurnal tersebut antara lain:
1. Penelitian dengan judul Crowd Counting Considering Network Flow Constraints in Videos. Diambil dari jurnal IET Image Processing,
diteliti oleh Liqing Gao, Yanzhang Wang, Xin Ye, dan Jian Wang pada tahun 2018. Jurnal ini meneliti tentang crowd counting dalam
video surveillance system dimana dalam pengaplikasiannya sangat luas seperti untuk keamanan public, monitoring transportasi public,
dan lain-lain. Menurut peneliti, hal yang menarik pada penelitian ini adalah pendekatan yang sudah ada bisa menghasilkan berbagai
macam hasil perhitungan untuk gambar yang sama pada satu frame. Hasil dari penelitian. Peneliti berhasil meningkatkan hasil prediksi
dari metode regresssion menggunakan QP model. Peneliti mendapatkan MRE yang lebih rendah di hampir semua video (Gao et al.,
2018).

2. Penelitian dengan judul Feature Channel Enhancement for Crowd Counting. Diambil dari jurnal IET Image Processing,diteliti oleh
Singjiao Wu, Shuchen Kong, Yingbin Zheng, Hao Ye, Jing Yang, dan Liang He. Jurnal ini meneliti tentang crowd counting. Menurut
peneliti yang merujuk pada penelitian terbaru yang menggunakan metode Convolutional Neural network, ada beberapa detail yang hilang
seperti ukuran wajah yang berbeda dalam satu frame. Faktor lain yang mempengaruhi adalah kecepatan sehingga peneliti mengajukan
sebuah metode yang dinamakan Featured Channel Enhancement(FCE). Hasil dari penelitian tersebut adalah peneliti dapat meningkatkan
CMTL hingga 17,4% lebih tinggi pada shanghaitech part A dan 16,4% Shanghaitech part B(Wu et al., 2020).

3. Penelitian terakhir dengan judul Multi-scale Supervised Network for Crowd Counting. Diambil dari jurnal IET Image Processing,diteliti
oleh Yongjie Wang, Wei Zhang, Dongxiao Huang, Yanyan Liu, dan Jianghua Zhu. Jurnal ini meneliti tentang permasalahan crowd
counting dimana skala yang bervariasi pada area kepala karena pergantian perspektif dan background noise. Menurut peneliti untuk
mengatasi hal tersebut dapat dilakukan dengan two-stage segmentation untuk mendeteksi setiap orang yang ada di gambar yang
dikombinasikan dengan Convolution Neural Network. Hasil dari penelitian tersebut adalah meningkatkan akurasi MAE(Mean Absolute
Error) sebesar 10,8% dan MSE(Mean Squared Error) meningkat 6,6% (Wang et al., 2020).

NO Judul Jurnal Tahun Nama peneliti Metode Objek penelitian Perbandingan yang dijadikan alasan tinjauan
penelitian penelitian penelitian
1 Crowd Counting 2018 Liqing Gao, Yanzhang Kuantitatif Gambar manusia Hasil penelitian ini digunakan sebagai acuan
Considering Wang, Xin Ye, dan yang ada di peneliti untuk meningkatkan metode yang
Network Flow Jian Wang keramaian sudah ada seperti peneliti yang menggunakan
Constraints in QP model untuk meningkatkan hasil prediksi
 Videos dari metode regression
2 Feature Channel 2020 Singjiao Wu, Shuchen Kuantitatif Gambar manusia Hasil dari penelitian tersebut digunakan sebagai
Enhancement for Kong, Yingbin Zheng, yang ada di acuan peneliti untuk meningkatkan hasil dari
Crowd Counting Hao Ye, Jing Yang, keramaian metode CNN dengan cara mengehnance /
dan Liang He meningkatkan fiturnya
3 Multi-scale 2020 Yongjie Wang, Wei Kuantitatif Gambar manusia Hasil dari penelitian tersebut digunakan sebagai
Supervised Zhang, Dongxiao yang ada di acuan peneliti untuk meningkatkan performa
Network for Crowd Huang, Yanyan Liu, keramaian dari Convolution Neural Network dengan cara
Counting dan Jianghua Zhu melakukan two-stage segmentation