Publisher

UMBUMB

Journal SINERGISINERGI Abstract

Masalah membedakan objek telah menjadi tantangan bagi peneliti selama bertahun-tahun karena akurasi yang rendah dibandingkan dengan kemampuan mata manusia. Dalam dekade terakhir, penggunaan Machine Learning dalam pengolahan data citra udara telah meningkat, dengan teknologi di belakangnya juga berkembang secara eksponensial. Salah satu teknologi tersebut adalah identifikasi objek berbasis gambar, yang sangat bergantung pada perhitungan data. Untuk mengurangi beban komputasi, berbagai algoritma segmentasi data dikembangkan. Studi ini berfokus pada tinjauan berbagai teknologi segmentasi gambar dalam citra udara untuk pengenalan gambar. Literatur dari tahun 1981 dari berbagai jurnal dan konferensi di seluruh dunia ditinjau. Tinjauan ini memeriksa pertanyaan penelitian spesifik untuk menganalisis penelitian segmentasi gambar selama waktu dan tantangan yang dihadapi peneliti dengan setiap metode. Machine Learning telah menjadi populer di antara metode segmentasi. Namun, Deep Learning telah memainkan peran penting dalam hal ini dengan mengatasi banyak kelemahannya. Algoritma canggih yang digunakan dalam Deep Learning untuk memproses segmentasi dapat mendorong pengolahan data yang lebih efisien dan akurat.

Conclusion

Segmentasi citra dari citra udara yang diambil dengan satelit, pesawat, dan UAV telah menjadi hal yang penting untuk berbagai tujuan.Untuk keperluan sipil, hal ini memainkan peran besar dalam mitigasi bencana dan pengumpulan data di bidang kehutanan, di antara hal-hal lain.Ini relatif murah ketika tidak melibatkan kamera khusus, seperti hyperspectral.Tergantung pada area pengamatan, citra dari satelit lebih disukai ketika area yang diamati sangat luas.Sementara citra dari UAV dipilih untuk area yang lebih kecil.Namun, citra udara memiliki beberapa kekurangan karena sangat rentan terhadap kondisi pencahayaan saat citra diambil, penutup awan, dll.Waktu hari dapat mempengaruhi apakah area tertentu jatuh di bawah bayangan gunung, awan, atau bangunan tertentu.Objek tertentu juga mungkin terlihat mirip dari jarak jauh, seperti sungai dan jalan.Ada juga masalah kontras rendah, seperti perbedaan antara lapangan rumput dan hutan.Selama bertahun-tahun, hanya mata manusia yang dapat membedakan antara keduanya karena sulit untuk mendefinisikan dalam algoritma untuk membedakannya.Pengenalan objek untuk melihat dimulai sejak tahun 1980-an.Namun, terobosan jelas terjadi setelah Machine Learning diperkenalkan.Hal ini menawarkan cara yang lebih sederhana untuk menyelesaikan banyak masalah di bidang segmentasi gambar selama ada banyak gambar dan sumber daya komputasi yang memadai.Sistem kemudian dapat dilatih untuk melakukan segmentasi gambar, mengekstrak fitur dari gambar tersebut, dan mengklasifikasikannya menggunakan metode yang mirip dengan melatih pengamat manusia.Meskipun perkembangan awalnya dibebani dengan keterbatasan karena teknologi hardware, hal ini menyebabkan preferensi untuk pengembangan hardware dan algoritma yang lebih maju.Metode seperti FCN dan CNN, ditentukan oleh lapisan yang mereka gunakan dalam pelatihan, memberikan hasil yang lebih baik daripada metode konvensional, meskipun masih tidak tanpa tantangan.Ringkasan temuan kami disajikan dalam Tabel 4.Metode Deep Learning membuat perbaikan yang lebih drastis selama kinerjanya melebihi banyak rekan-rekan Machine Learning-nya.Hal ini menggunakan banyak lapisan karena memanfaatkan kemajuan teknologi hardware saat ini.Tantangannya adalah mendapatkan cukup data untuk melatih model dalam berbagai lingkungan dan persyaratan sehingga algoritma dapat mendapatkan hasil optimum dari dataset tertentu.Deep Learning dapat digunakan sebagai metode segmentasi utama dalam pengenalan gambar di berbagai bidang yang sebelumnya hanya dilakukan dengan menggunakan kamera hyperspectral.

Future Research

Berdasarkan penelitian ini, kami menyarankan beberapa arah penelitian lanjutan. Pertama, perlu dilakukan penelitian lebih lanjut untuk mengembangkan algoritma tunggal yang dapat berfungsi sebagai metode serbaguna. Setiap metode memiliki kelebihan dan kekurangannya sendiri, dan setiap proses segmentasi memiliki tujuannya sendiri. Dengan menggabungkan berbagai pendekatan, hasil optimum yang diharapkan akan dicapai. Kedua, diperlukan data yang cukup untuk melatih model dalam berbagai lingkungan dan persyaratan sehingga algoritma dapat mendapatkan hasil optimum dari dataset tertentu. Ketiga, perlu dilakukan penelitian lebih lanjut untuk meningkatkan kemampuan transfer learning dengan menggunakan jaringan fully convolutional (FCN) yang telah dilatih dan diterapkan pada dataset yang berbeda dari dataset pelatihan. Penelitian ini dapat dilakukan dengan menggunakan dataset resolusi tinggi dari TerraSAR-X dan Sentinel-2. Keempat, perlu dilakukan penelitian lebih lanjut untuk mengembangkan metode segmentasi yang lebih canggih dengan menggabungkan berbagai metode, seperti FCN dan CNN, untuk mencapai hasil yang lebih baik. Kelima, diperlukan penelitian lebih lanjut untuk mengembangkan metode segmentasi yang lebih efisien dengan menggunakan algoritma yang lebih sederhana, seperti histogram thresholding, region-based approach, dan feature clustering. Keenam, diperlukan penelitian lebih lanjut untuk mengembangkan metode segmentasi yang lebih akurat dengan menggunakan algoritma yang lebih kompleks, seperti Deep Learning, untuk mencapai hasil yang lebih baik. Ketujuh, diperlukan penelitian lebih lanjut untuk mengembangkan metode segmentasi yang lebih cepat dengan menggunakan algoritma yang lebih efisien, seperti CNN, untuk mencapai hasil yang lebih baik. Kedelapan, diperlukan penelitian lebih lanjut untuk mengembangkan metode segmentasi yang lebih baik dengan menggunakan algoritma yang lebih canggih, seperti Deep Learning, untuk mencapai hasil yang lebih baik. Kesembilan, diperlukan penelitian lebih lanjut untuk mengembangkan metode segmentasi yang lebih baik dengan menggunakan algoritma yang lebih canggih, seperti Deep Learning, untuk mencapai hasil yang lebih baik. Kesepuluh, diperlukan penelitian lebih lanjut untuk mengembangkan metode segmentasi yang lebih baik dengan menggunakan algoritma yang lebih canggih, seperti Deep Learning, untuk mencapai hasil yang lebih baik.

References

1. 0. 0 spiedigitallibrary.org/redirect/proceedings/proceeding?doi=10.1117/12.9469800 0 spiedigitallibrary redirect proceedings proceeding doi 10 1117 12 946980
2. Using color for geometry-insensitive segmentation. color geometry insensitive segmentation journal home... doi.org/10.1364/josaa.6.000920Using color for geometry insensitive segmentation color geometry insensitive segmentation journal home doi 10 1364 josaa 6 000920
3. [2012.02024] Aerial Imagery Pixel-level Segmentation. aerial imagery pixel segmentation computer science... arxiv.org/abs/2012.020242012 02024 Aerial Imagery Pixel level Segmentation aerial imagery pixel segmentation computer science arxiv abs 2012 02024

Metadata

File size	1.04 MB
Pages	18
DMCA	Report