ITSITS

IPTEK The Journal for Technology and ScienceIPTEK The Journal for Technology and Science

Pengembangan sistem pemantauan lalu lintas yang efektif untuk deteksi kecelakaan sangat bergantung pada dataset berkualitas tinggi dan beragam. Banyak pendekatan yang ada berfokus pada deteksi anomali dalam video lalu lintas. Namun, mereka sering gagal memperhitungkan bagaimana kondisi lingkungan yang bervariasi, seperti waktu dalam sehari, cuaca, atau pencahayaan, dapat memengaruhi terjadinya tabrakan atau kecelakaan. Dalam studi ini, kami menjajaki potensi Tune-A-Video untuk menerapkan teknik pengeditan semantik ke dataset tabrakan dan kecelakaan lalu lintas yang ada. Dengan memodifikasi lingkungan visual, seperti mengubah waktu dalam sehari, cuaca, atau pencahayaan, kami bertujuan untuk menghasilkan variasi rekaman yang realistis tanpa mengubah peristiwa inti seperti insiden tabrakan atau kecelakaan. Metode ini meningkatkan dataset dengan kondisi lalu lintas yang lebih bervariasi dan realistis, meningkatkan representasi skenario dunia nyata. Tujuan utama bukanlah untuk membuat dataset baru, tetapi untuk menilai dampak pengeditan semantik terhadap keragaman dataset dan efeknya pada kinerja model. Hasilnya menunjukkan bahwa menggunakan Tune-A-Video untuk pengeditan semantik dapat memperkaya dataset, membuatnya lebih cocok untuk melatih model pembelajaran mesin. Pendekatan ini membantu meningkatkan akurasi dan ketahanan model visi komputer, khususnya untuk aplikasi pemantauan lalu lintas dan deteksi kecelakaan, menawarkan alat yang menjanjikan untuk sistem keselamatan lalu lintas.

Dalam studi ini, kami memanfaatkan Tune-A-Video untuk pengeditan semantik dari dataset tabrakan dan kecelakaan lalu lintas, dengan fokus pada modifikasi faktor lingkungan seperti pencahayaan dan cuaca sambil menjaga integritas peristiwa penting.Hasilnya menunjukkan bahwa Tune-A-Video menghasilkan keluaran yang realistis dan konsisten, dengan transisi yang mulus dan pencahayaan yang seragam di seluruh frame, sambil menjaga peristiwa inti tetap terlihat jelas dan mudah dipahami.Metrik kuantitatif lebih lanjut memvalidasi kinerjanya, dengan skor Konsistensi Frame 0,9695, yang menunjukkan koherensi temporal yang mulus, dan skor Penyelarasan Tekstual 0,3310, yang mengonfirmasi penerapan modifikasi yang dimaksud secara akurat.Temuan ini menyoroti efektivitas Tune-A-Video dalam menghasilkan augmentasi yang beragam dan berkualitas tinggi yang mengatasi keterbatasan metode tradisional, menjadikannya alat yang berharga untuk meningkatkan variasi dataset.

Berdasarkan penelitian ini, beberapa saran penelitian lanjutan dapat dipertimbangkan untuk lebih meningkatkan pemahaman dan penerapan teknik pengeditan semantik dalam konteks keselamatan lalu lintas. Pertama, penelitian lebih lanjut dapat mengeksplorasi penggunaan Tune-A-Video untuk mensimulasikan kondisi cuaca yang lebih ekstrem, seperti badai salju atau kabut tebal, untuk menguji ketahanan model deteksi kecelakaan dalam skenario yang menantang. Hal ini akan membantu mengidentifikasi kelemahan model saat ini dan mengembangkan strategi untuk meningkatkan kinerja mereka dalam kondisi yang tidak ideal. Kedua, penelitian dapat difokuskan pada pengembangan metode untuk secara otomatis memilih parameter pengeditan semantik yang paling relevan untuk dataset tertentu, sehingga mengurangi kebutuhan akan penyesuaian manual dan meningkatkan efisiensi proses augmentasi. Pendekatan ini dapat melibatkan penggunaan algoritma pembelajaran mesin untuk menganalisis karakteristik dataset dan merekomendasikan parameter pengeditan yang optimal. Ketiga, penelitian dapat menyelidiki potensi menggabungkan pengeditan semantik dengan teknik augmentasi data lainnya, seperti manipulasi objek atau perubahan perspektif, untuk menciptakan dataset yang lebih beragam dan realistis. Dengan menggabungkan berbagai teknik augmentasi, kita dapat meningkatkan kemampuan model untuk menggeneralisasi ke berbagai skenario lalu lintas dan meningkatkan akurasi deteksi kecelakaan secara keseluruhan.

Read online
File size1.6 MB
Pages9
DMCAReport

Related /

ads-block-test