Deteksi Jenis Mobil Menggunakan Metode YOLO Dan Faster R-CNN

Kevin Adiputra Shianto, Kartika Gunadi, Endang Setyati

Abstract


Jenis mobil merupakan salah satu properti dari mobil yang penting untuk diidentifikasi. Untuk melakukan identifikasi secara otomatis, banyak cara yang telah diimplementasi untuk mencapai tujuan identifikasi jenis mobil secara cepat dan tepat. Untuk identifikasi gambar, salah satu metode yang terkenal adalah Faster R-CNN yang cukup cepat dan tepat untuk melakukan identifikasi gambar. Namun untuk ketepatannya masih belum maksimal. Metode lain yang tersedia adalah YOLO dimana metode ini akan lebih cepat dalam melakukan identifikasi.
Penggunaan kedua metode dalam arsitektur yang akan dibangun bertujuan untuk meningkatkan akurasi kebenaran identifikasi jenis mobil. Kedua metode diharapkan dapat saling membantu dalam pengecekan dan menghasilkan hasil yang lebih baik dari masing-masing metode.


Keywords


Artificial Neural Network; Convolutional Neural Network; YOLO; Faster R-CNN; Image Recognition

Full Text:

PDF

References


DataSchool.io. 2014. Simple guide to confusion matrix terminology. Diambil kembali dari DataSchool: https://www.dataschool.io/simple-guide-to-confusion-matrix-terminology/

DelSole, M. What is One Hot Encoding and How to Do It. Diambil kembali dari Medium: https://medium.com/@michaeldelsole/what-is-one-hot-encoding-and-how-to-do-it-f0ae272f1179

Dory, J. 2015. What is the difference between SUV, MPV and Crossovers?. Diambil kembali dari Medium: https://medium.com/@JohnDory/what-is-the-difference-between-suvs-mpvs-and-crossovers-37dd580fbffc

Easton, A. H., & Cromer, G. C. Bus Vehicle. Diambil kembali dari Britannica: https://www.britannica.com/technology/bus-vehicle

Gao, H. 2017. Faster R-CNN Explained. Diambil kembali dari: https://medium.com/@smallfishbigsea/faster-r-cnn-explained-864d4fb7e3f8

Grel, T. 2017. Region of interest pooling explained. Diambil kembali dari DeepSense: https://blog.deepsense.ai/region-of-interest-pooling-explained/

Javier. 2018. Faster R-CNN: Down the rabbit hole of modern object detection. Diambil kembali dari TryoLabs: https://tryolabs.com/blog/2018/01/18/faster-r-cnn-down-the-rabbit-hole-of-modern-object-detection/

Menegaz, M. Understanding YOLO – Hacker Noon. Diambil kembali dari HackerNoon: https://hackernoon.com/understanding-yolo-f5a74bbc7967

Mohan, A. 2018. Object Detection and Classification Using R-CNNs. Diambil kembali dari Telesens:

http://www.telesens.co/2018/03/11/object-detection-and-classification-using-r-cnns/

Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. 2016. You Only Look Once: Unified, Real-Time Object Detection. arXiv, 1-10.

Ren, S., He, K., Girshick, R., & Sun, J. 2016. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. arXiv, 1-14.

Rosebrock, A. 2016. Intersection over Union (IoU) for object detection. Diambil kembali dari PYImageSearch: https://www.pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/

O’Shea, K., & Nash, R. 2015. An Introduction to Convolutional Neural Networks. Diambil kembali dari arXiv: https://arxiv.org/abs/1511.08458

Shankar, S. 2015. Different Car Body Types. Diambil kembali dari CarTrade: https://www.cartrade.com/blog/2013/auto-guides/different-car-body-types-494.html


Refbacks

  • There are currently no refbacks.


Jurnal telah terindeks oleh :