Studi Kasus Penerapan Multi-Task Cascaded Convolutional Neural Network Untuk Deteksi Banyak Wajah
Keywords:
Convolutional Neural Network, Deteksi Objek, Multi-Task Cascaded Convolutional Networks (MTCNN), Pengenalan WajahAbstract
Pengenalan objek menggunakan Convolutional Neural Network (CNN) telah menjadi fokus utama dalam visi komputer dalam beberapa tahun terakhir. Salah satu aplikasi krusial dari CNN adalah dalam deteksi objek dalam gambar, khususnya deteksi wajah. Studi kasus ini mengembangkan sistem deteksi objek wajah menggunakan Multi-task Cascaded Convolutional Networks (MTCNN), yang mampu mengidentifikasi multiple objek wajah dalam satu gambar dengan akurasi tinggi. Metode yang diusulkan dievaluasi menggunakan dataset umum untuk klasifikasi objek, dan hasilnya menunjukkan bahwa MTCNN mampu mengatasi tantangan dalam variasi pose, kondisi pencahayaan, dan occlusion. Hasil evaluasi menunjukkan peningkatan signifikan dalam akurasi deteksi wajah dibandingkan dengan metode tradisional seperti Haar Cascade. Studi ini menunjukkan potensi besar MTCNN dalam pengenalan objek praktis, termasuk aplikasi dalam keamanan dan teknologi mobile.
References
Sakti, S. P., & Purwitasari, D. (2020). Penggunaan Convolutional Neural Network untuk Deteksi Objek pada Gambar Medis. Jurnal Ilmiah Teknologi Informasi Terapan (JITTER), 4(1), 12-17.
Susanto, A., & Setiawan, D. (2020). Penerapan Convolutional Neural Network untuk Deteksi Wajah pada Sistem Keamanan Berbasis CCTV. Jurnal Teknologi Informasi dan Komunikasi (JTIK), 9(2), 120-125.
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. Advances in neural information processing systems, 91-99.
Lin, T. Y., Dollár, P., Girshick, R., He, K., Hariharan, B., & Belongie, S. (2017). Feature pyramid networks for object detection. Proceedings of the IEEE conference on computer vision and pattern recognition, 2117-2125.
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., & Berg, A. C. (2016). SSD: Single shot multibox detector. European conference on computer vision, 21-37
