Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Pengenalan Wajah Resolusi Rendah Menggunakan Arsitektur Lightweight VarGFaceNet dengan Adaptive Margin Loss
Pengenalan wajah merupakan solusi keamanan modern yang cepat dan mudah di integrasikan pada kebanyakan device yang ada saat ini, sehingga sistem ini banyak diterapkan pada beberapa domain sebagai salah satu otorisasi keamanan. Pengembangan model pengenalan wajah menggunakan arsitektur mainstream (AlexNet, VGGNet, GoogleNet, ResNet, dan SENet) dapat menyebabkan model pengenalan wajah sulit diimplementasikan pada perangkat mobile dan embedded system. Selain itu input dengan resolusi yang rendah seperti pada footage kamera pengawas CCTV ataupun drone menyebabkan model kesulitan untuk mengenali wajah yang di input-kan karena gambar tidak punya cukup petunjuk untuk dikenali. Oleh karena itu penelitian ini akan menganalisis performa model pengenalan wajah yang dikembangkan dengan arsitektur lightweight VarGFaceNet dengan fungsi adaptive margin loss AdaFace pada dataset gambar resolusi rendah. Berdasarkan hasil evaluasi pada dataset LFW, didapatkan akurasi sebesar 99.08% pada data resolusi tinggi (112x112 piksel), sedangkan pada data resolusi rendah sintetis dengan resolusi terendah (14x14 piksel) didapatkan akurasi sebesar 79.87% dengan batuan model super resolution Real-ESRGAN dan GFP-GAN. Pada dataset TinyFace, tanpa melakukan fine tune, didapatkan akurasi Rank-1 sebesar 46.08% tanpa menggunakan model super resolution dan 45.03% dengan menggunakan model super resolution.
Pengenalan Wajah Resolusi Rendah Menggunakan Arsitektur Lightweight VarGFaceNet dengan Adaptive Margin Loss
Pengenalan wajah merupakan solusi keamanan modern yang cepat dan mudah di integrasikan pada kebanyakan device yang ada saat ini, sehingga sistem ini banyak diterapkan pada beberapa domain sebagai salah satu otorisasi keamanan. Pengembangan model pengenalan wajah menggunakan arsitektur mainstream (AlexNet, VGGNet, GoogleNet, ResNet, dan SENet) dapat menyebabkan model pengenalan wajah sulit diimplementasikan pada perangkat mobile dan embedded system. Selain itu input dengan resolusi yang rendah seperti pada footage kamera pengawas CCTV ataupun drone menyebabkan model kesulitan untuk mengenali wajah yang di input-kan karena gambar tidak punya cukup petunjuk untuk dikenali. Oleh karena itu penelitian ini akan menganalisis performa model pengenalan wajah yang dikembangkan dengan arsitektur lightweight VarGFaceNet dengan fungsi adaptive margin loss AdaFace pada dataset gambar resolusi rendah. Berdasarkan hasil evaluasi pada dataset LFW, didapatkan akurasi sebesar 99.08% pada data resolusi tinggi (112x112 piksel), sedangkan pada data resolusi rendah sintetis dengan resolusi terendah (14x14 piksel) didapatkan akurasi sebesar 79.87% dengan batuan model super resolution Real-ESRGAN dan GFP-GAN. Pada dataset TinyFace, tanpa melakukan fine tune, didapatkan akurasi Rank-1 sebesar 46.08% tanpa menggunakan model super resolution dan 45.03% dengan menggunakan model super resolution.
Pengenalan Wajah Resolusi Rendah Menggunakan Arsitektur Lightweight VarGFaceNet dengan Adaptive Margin Loss
Daffa Tama Ramadani (Autor:in) / Riza Ibnu Adam (Autor:in) / Jajam Haerul Jaman (Autor:in) / Chaerur Rozikin (Autor:in) / G. Garno (Autor:in)
2023
Aufsatz (Zeitschrift)
Elektronische Ressource
Unbekannt
Metadata by DOAJ is licensed under CC BY-SA 1.0
| DOAJ | 2010
| DOAJ | 2020
Perancangan Aplikasi Pengenalan Wajah Sebagai Media Akses Kontrol Pada Organisasi XYZ
| DOAJ | 2016