Publisher

MEDIAPUBLIKASIMEDIAPUBLIKASI

Journal BULLET : Jurnal Multidisiplin IlmuBULLET : Jurnal Multidisiplin Ilmu Abstract

Deteksi objek, yang mensimulasikan persepsi visual manusia dalam menemukan objek yang paling signifikan dalam sebuah pemandangan, telah banyak diterapkan pada berbagai tugas visi komputer. Meskipun berbagai model pendeteksian objek berbasis RGB-D dengan kinerja yang menjanjikan telah diusulkan selama beberapa tahun terakhir, pemahaman mendalam tentang model ini dan tantangan di bidang ini masih kurang. Kecerdasan buatan memberikan kelayakan baru untuk mengontrol prostesis yang cekatan. Basis data gambar RGB-D dibuat berdasarkan empat pola pegang penting (silinder, bola, tripod, dan lateral). Sampel gambar dalam kumpulan data RGB-D diperoleh pada berbagai macam objek sehari-hari dengan ukuran, bentuk, postur yang berbeda, serta kondisi pencahayaan yang berbeda dan posisi kamera. Untuk menggunakan gambar RGB dan gambar kedalaman untuk fusi fitur secara lebih efektif, makalah ini mengusulkan tiga model fusi: RGB-D concat, RGB-D Ci-add dan RGB-D Ci-concat. Pendekatan berbasis fusi RGB-D kami secara signifikan meningkatkan akurasi deteksi tangan dari 69,1 menjadi 74,1 dibandingkan dengan salah satu detektor tangan berbasis RGB yang paling canggih. Metode berbasis RGB atau D yang ada tidak stabil dalam kondisi pencahayaan tak terlihat: dalam kondisi gelap, akurasi metode berbasis RGB turun drastis menjadi 48,9, dan dalam kondisi cahaya latar, akurasi metode berbasis D turun drastis ke 28.3.

Conclusion

Berdasarkan teori pembelajaran mendalam dan metode pembelajaran transfer, dikombinasikan dengan sifat fisik intensitas gambar dan warna, makalah ini mengekstrak fitur warna dan elemen dari 6.203 gambar, melatih kembali model konsep-v3 berdasarkan gambar tekstur yang ditingkatkan, membangun sistem model pembelajaran mendalam yang cocok untuk analisis dan koreksi elemen gambar, dan membangun model warna gambar dengan mengekstrak fitur warna.Mengukur perbedaan warna reproduksi gambar, membuat model, dan selanjutnya membuat model difusi kesalahan yang dimodifikasi untuk manajemen warna yang lebih baik dan koreksi analisis gambar peta.(1) dengan menggunakan algoritma koreksi warna model difusi kesalahan, metode difusi kesalahan yang dikoreksi berlebih dapat memaksimalkan difusi kesalahan titik, dan difusi kesalahan yang dikoreksi dapat mempertahankan detail gambar, terutama detail yang terdeteksi di seluruh rentang abu-abu, dan mengembalikan distribusi secara alami.(2) Algoritma pembelajaran mendalam digunakan untuk mengekstrak fitur warna dari gambar, dan model warna diperoleh.Dikombinasikan dengan model pembelajaran mendalam dan model fitur warna, elemen gambar dan model pengenalan warna dibuat.(3) Dalam proses reproduksi warna, untuk mencapai efek pencocokan spektral yang ideal, diadopsi metode analisis komponen warna dasar baru berdasarkan analisis komponen utama berputar.Ini mengubah vektor fitur asli menjadi satu set semua vektor positif yang mewakili komponen warna dasar yang sebenarnya dengan memutar dan mengubahnya.Hasil simulasi menunjukkan reliabilitas dan efektivitas algoritma.

Future Research

Berdasarkan latar belakang penelitian tentang pengenalan warna dan deteksi objek menggunakan deep neural network, terdapat beberapa arah penelitian lanjutan yang menarik untuk dieksplorasi. Pertama, penelitian dapat difokuskan pada pengembangan model yang lebih robust terhadap variasi kondisi pencahayaan. Hal ini dapat dicapai dengan menggunakan teknik augmentasi data yang lebih canggih atau dengan menggabungkan informasi tentang sumber cahaya ke dalam model. Kedua, penelitian dapat menginvestigasi penggunaan data RGB-D yang lebih beragam dan representatif untuk melatih model. Ini dapat melibatkan pengumpulan data dari berbagai lingkungan dan dengan objek yang memiliki bentuk dan tekstur yang berbeda-beda. Ketiga, penelitian dapat mengeksplorasi penggunaan arsitektur deep learning yang lebih baru dan inovatif, seperti transformer, untuk meningkatkan akurasi dan efisiensi model. Dengan menggabungkan ketiga saran ini, diharapkan dapat menghasilkan model pengenalan warna dan deteksi objek yang lebih akurat, robust, dan efisien, yang dapat diaplikasikan dalam berbagai bidang, seperti robotika, visi komputer, dan augmented reality.

References

1. Analysis Model of Image Colour Data Elements Based on Deep Neural Network - Jiang - 2022 - Computational... hindawi.com/journals/cin/2022/7631788Analysis Model of Image Colour Data Elements Based on Deep Neural Network Jiang 2022 Computational hindawi journals cin 2022 7631788

Metadata

File size	511.53 KB
Pages	9
DMCA	Report