IKHAFIIKHAFI

JUKOMIKA (Jurnal Ilmu Komputer dan Informatika)JUKOMIKA (Jurnal Ilmu Komputer dan Informatika)

Penelitian ini membahas perkembangan metode instance segmentation dalam domain Computer vision melalui pendekatan Tinjauan Literatur Sistematis. Masalah utama dalam penelitian ini adalah pesatnya pertumbuhan metode instance segmentation yang menyebabkan banyak variasi model, teknik, dan domain aplikasi, sehingga dibutuhkan analisis yang sistematis untuk memahami tren dan arah perkembangannya. Penelitian dilaksanakan dengan metode Preferred Reporting Items for Systematic Reviews and Meta-Analyses melalui proses identifikasi, pemilihan, dan analisis terhadap 30 artikel yang sepenuhnya terdaftar di SCOPUS dan diambil dari berbagai basis data akademis seperti ScienceDirect, SpringerLink, IEEE Xplore, arXiv, MDPI, Wiley Online Library, ACM Digital Library, dan Nature Scientific Reports. Penelitian mengungkapkan bahwa teknik berbasis deep learning seperti Convolutional Neural Network, YOLO, Transformer, model difusi, dan model bahasa-visual telah berkembang pesat dalam meningkatkan akurasi segmentasi, efisiensi komputasi, dan kemampuan generalisasi model. Selain itu, penggunaan data sintetik, pembelajaran multimodal, dan teknik open-vocabulary menjadi tren utama dalam perkembangan instance segmentation modern. Penelitian ini menyajikan penjelasan mendalam tentang evolusi teknologi, masalah penelitian, serta kesempatan untuk pengembangan metode instance segmentation di masa depan.

Metode instance segmentation berbasis deep learning telah berkembang pesat, dengan CNN dan Mask R‑CNN masih dominan serta arsitektur Transformer menunjukkan potensi besar dalam memahami konteks citra.Penelitian beralih dari peningkatan akurasi ke pengembangan model yang lebih efisien, ringan, real‑time, dan generalisasi baik untuk perangkat dengan keterbatasan komputasi serta berbagai lingkungan nyata.Disarankan penelitian selanjutnya fokus pada arsitektur hibrida CNN‑Transformer yang efisien, pendekatan weakly‑, semi‑, atau self‑supervised untuk mengurangi kebutuhan anotasi, serta integrasi vision‑language dan data sintetik guna meningkatkan kemampuan mengenali objek baru yang belum pernah dilatih sebelumnya.

Penelitian selanjutnya dapat mengeksplorasi strategi fusi optimal antara CNN dan Transformer untuk instance segmentation pada perangkat tepi dengan sumber daya komputasi terbatas, sehingga memungkinkan performa tinggi tanpa mengorbankan akurasi. Selain itu, penting untuk mengembangkan metode pembelajaran lemah‑supervisi dan self‑supervised yang memanfaatkan data sintetik guna mengurangi ketergantungan pada anotasi manual, khususnya pada domain yang data berlabelnya sulit diperoleh seperti medis dan pertanian presisi. Selanjutnya, penelitian perlu merancang model vision‑language yang mampu melakukan open‑vocabulary instance segmentation dengan adaptasi few‑shot terhadap kategori objek yang belum pernah dilatih, sambil mempertahankan kecepatan real‑time untuk aplikasi kritis seperti kendaraan otonom dan pemantauan video.

  1. [2311.13964] Deep Interactive Segmentation of Medical Images: A Systematic Review and Taxonomy. deep... arxiv.org/abs/2311.139642311 13964 Deep Interactive Segmentation of Medical Images A Systematic Review and Taxonomy deep arxiv abs 2311 13964
Read online
File size1.14 MB
Pages14
DMCAReport

Related /

ads-block-test