Scribd
Unggah
107 tayangan16 halaman

Modul 8 (Image Classification Using Deep Learning)

Dokumen ini membahas tentang pengolahan citra menggunakan deep learning, khususnya convolutional neural network. Deep learning dapat mendeteksi fitur secara otomatis tanpa ekstraksi fitur manual.

Diunggah oleh

rdtfs12345
Hak Cipta
© © All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd
107 tayangan16 halaman

Modul 8 (Image Classification Using Deep Learning)

Dokumen ini membahas tentang pengolahan citra menggunakan deep learning, khususnya convolutional neural network. Deep learning dapat mendeteksi fitur secara otomatis tanpa ekstraksi fitur manual.

Diunggah oleh

rdtfs12345
Hak Cipta
© © All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd
Anda di halaman 1/ 16

Pengolahan Citra

Habibullah Akbar, PhD

PERTEMUAN 8

Image Classification using


Deep Learning

www.esaunggul.ac.id
www.esaunggul.ac.id
Kemampuan Akhir Pertemuan 8

Setelah pertemuan ini, mahasiswa dapat

• Mahasiswa dapat menjelaskan pengertian jaringan saraf tiruan


sebagai bentuk shallow learning
• Mahasiswa dapat menjelaskan konsep deep feedforward network
dan convolutional neural network.

www.esaunggul.ac.id
Outline

• Pendahuluan Jaringan Saraf Tiruan


• Deep Learning
• Model Deep Learning
• Deep Feedforward Network
• Convolutional Neural Network
Pendahuluan Deep Learning
• Sebuah gambar 12 MP dari smartphone sama artinya dengan 12
juta piksel atau 12 juta dimensi.
• Secara tradisional, ekstraksi fitur diperlukan sebelum melakukan
clustering atau klasifikasi suatu gambar.
• Misal, sebelum menerapkan klasifikasi dengan artificial neural
network (jaringan saraf tiruan) atau KNN.
• Namun kemajuan hardware menjadikan deep learning menjadi
populer.
D e e p Learning
Deep learning merupakan model artificial neural network yang memiliki
banyak lapisan.

Deep learning tidak memerlukan ekstraksi fitur yang dipilih secara


khusus oleh programmer (seperti edge, SIFT). Namun arsitektur deep
learning sudah berisi fitur yang dapat dipelajari secara otomatis.

Deep learning digunakan banyak perusahaan, contohnya:


– Google search
– DeepFace
– Deteksi objek di kamera video
Google S e a r c h (image search)
• Penggunaan deep learning di Google bermula pada tahun 2011 (yaitu proyek
Google Brain)
• Google Brain menggunakan 16.000 komputer untuk mengidentifikasi objek seperti
kucing dari 10 juta gambar pada database.

https://www.youtube.com/watch?v=KNstfqPyAfQ
DeepFace
• Facebook dapat secara automatis mengenali wajah seseorang dari postingan
gambar.

https://sefiks.com/2020/02/17/face-recognition-with-facebook-deepface-in-keraws/ww.esaunggul.ac.id
Deteksi objek di kamera video

https://play.google.com/store/apps/details?id=org.tensorflow.detect
Model Deep Learning

• Terdapat beberapa model arsitektur didalam deep learning:


– Deep Feedforward Network
– Convolutional Neural Network
– Autoencoders
– Deep Belief Net
– Recurrent Neural Network
D e e p Feedforward Network

• Arsitektur deep feedforward network serupa dengan artificial neural network


biasa, namun jumlah lapisan tersembunyinya terdiri dari 2 lapisan atau lebih.
• Input network ini tidak harus gambar mentah, melainkan fitur-fitur (x1 , x2 ,
x3) yang telah diekstrak dari gambar mentah. Cara ini merupakan cara
tradisional dalam image processing.
Convolutional Neural Network

• Network ini berbeda dengan artificial neural network


sebelumnya karena memiliki lapisan convolution.
• Network ini menjadikan sel saraf sebagai sel fitur yang
dapat mencari secara otomatis fitur apa yang terbaik
untuk memetakan gambar mentah kepada label kelas
objek.
Convolutional Neural Network

• Gambar input akan masuk kedalam blok-blok lapisan. Setiap blok lapisan
berisi:

– Convolution (filter untuk melakukan ekstraksi fitur otomatis)


– Rectified Linear Units (ReLU); yaitu fungsi aktivasi apakah sinyal akan
diteruskan kelapisan sebelumnya.
– Pooling (mengecilkan ukuran gambar input)
• Pada sublapisan convolution pertama, fitur yang dihasilkan akan berlevel
rendah, dan pada lapisan berikutnya fitur akan menjadi semakin komplek.

https://www.matintroduction-to-convolutional-neural-networkshworks.com/help/deeplearning/ug/.html
Ilustrasi Convolutional Neural Network

• Setiap lapisan convolution terdiri dari 1 set filter yang akan


mengekstrak fitur-fitur.
• Pada sublapisan convolution yang paling akhir, network akan
menemukan fitur-fitur terbaik untuk melakukan klasifikasi.
• Fitur-fitur ini kemudian akan dimasukkan kedalam lapisan sel saraf
standar (yang digunakan pada jaringan saraf tradisional) dan
akhirnya akan diklasifikasikan.

https://www.matintroduction-to-convolutional-neural-networkshworks.com/help/deeplearning/ug/.html
Ilustrasi Level F i t u r
• Filter-filter pada sublapisan convolution dapat mencari filter terbaik
secara otomatis dimulai dari fitur berlevel rendah hingga yang
paling tinggi (komplek).

https://medium.com/abraia/getting-started-with-image-recognition-and-convolutional-neural-networks-in-5-minutes-28c1dfdd401
Referensi

1. GONZALEZ, R. C., AND WOODS, R. E. 2018. Digital image


processing, 4th Global Edition, Pearson, New York
2. SOLOMON, C. AND BRECKON, T. 2011. Fundamentals of Digital
Image Processing: A practical approach with examples in Matlab. John
Wiley & Sons.
3. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet
classification with deep convolutional neural networks. In Advances in
neural information processing systems (pp. 1097-1105).
4. Zeiler, M. D., & Fergus, R. (2014, September). Visualizing and
understanding convolutional networks. In European conference on
computer vision (pp. 818-833). Springer, Cham.

Anda mungkin juga menyukai