Convolutional Neural Networks Untuk Visi Komputer Jaringan Saraf Konvolusional untuk Visi Komputer(Arsitektur Baru, Transfer Learning, Fine Tuning, dan Pruning)

Deskripsi Buku

Visi komputer merupakan bidang ilmu yang mempelajari dan menafsirkan objek atau informasi pada citra digital Sebuah kamera cerdas dengan visi komputer dapat memantau objek berbasis visual Convolutional Neural Network CNN merupakan salah satu metode yang cukup populer dan yang paling diminati untuk masalah visi karena tingkat akurasinya yang tinggi CNN telah berkembang pesat yang ditandai dengan banyak munculnya arsitektur CNN untuk beragam kasus klasifikasi objek pada citra digital Arsitektur ini disebut dengan Existing CNN selain membuat arsitektur CNN baru Buku ini memaparkan bagaimana cara menggunakan Existing CNN seperti transfer learning fine tuning dan pruning Transfer Learning adalah pendekatan pertama yang harus diterapkan ketika dihadapkan masalah pengenalan gambar baru Cara kerja transfer learning adalah memanfaatkan seluruh bobot atau pengetahuan jaringan CNN Bobot Existing CNN ketika dilatih untuk mengklasifikasi data yang besar dipertahankan dan digunakan untuk mengklasifikasi data dan kelas yang lebih sedikit Transfer learning menjadi solusi tercepat dalam menangani masalah klasifikasi tanpa harus melatih ulang jutaan gambar Untuk dapat menggunakan transfer learning Fine tuning merupakan cara untuk memanfaatkan arsitektur Existing CNN dengan melatih ulang dataset Fine tuning tidak hanya mengubah bagian Fully Connected saja melainkan lapisan konvolusi dan pooling dapat diubah Bagian lapisan konvolusi seperti fungsi aktivasi padding kernel dan lapisan pooling dapat diubah untuk menyesuaikan kebutuhan Fine tuning membutuhkan komputasi yang lebih besar dibanding dengan transfer learning Selanjutnya adalah pruning pruning atau memangkas Existing CNN digunakan untuk mendapatkan model CNN yang lebih ringkas dan lebih cepat dalam klasifikasi objek Pruning merupakan pilihan terakhir dalam mengeksploitasi Existing CNN Pengamatan terhadap transfer learning atau fine tuning arsitektur CNN dapat dimanfaatkan untuk memilih arsitektur terbaik Dengan demikian setelah membaca buku ini diharapkan dapat membuat arsitektur CNN baru atau dapat mengeksploitasi Existing CNN Visi komputer merupakan bidang ilmu yang mempelajari dan menafsirkan objek atau informasi pada citra digital Sebuah kamera cerdas dengan visi komputer dapat memantau objek berbasis visual Convolutional Neural Network CNN merupakan salah satu metode yang cukup populer dan yang paling diminati untuk masalah visi karena tingkat akurasinya yang tinggi CNN telah ...berkembang pesat yang ditandai dengan banyak munculnya arsitektur CNN untuk beragam kasus klasifikasi objek pada citra digital Arsitektur ini disebut dengan Existing CNN selain membuat arsitektur CNN baru Buku ini memaparkan bagaimana cara menggunakan Existing CNN seperti transfer learning fine tuning dan pruning Transfer Learning adalah pendekatan pertama yang harus diterapkan ketika dihadapkan masalah pengenalan gambar baru Cara kerja transfer learning adalah memanfaatkan seluruh bobot atau pengetahuan jaringan CNN Bobot Existing CNN ketika dilatih untuk mengklasifikasi data yang besar dipertahankan dan digunakan untuk mengklasifikasi data dan kelas yang lebih sedikit Transfer learning menjadi solusi tercepat dalam menangani masalah klasifikasi tanpa harus melatih ulang jutaan gambar Untuk dapat menggunakan transfer learning Fine tuning merupakan cara untuk memanfaatkan arsitektur Existing CNN dengan melatih ulang dataset Fine tuning tidak hanya mengubah bagian Fully Connected saja melainkan lapisan konvolusi dan pooling dapat diubah Bagian lapisan konvolusi seperti fungsi aktivasi padding kernel dan lapisan pooling dapat diubah untuk menyesuaikan kebutuhan Fine tuning membutuhkan komputasi yang lebih besar dibanding dengan transfer learning Selanjutnya adalah pruning pruning atau memangkas Existing CNN digunakan untuk mendapatkan model CNN yang lebih ringkas dan lebih cepat dalam klasifikasi objek Pruning merupakan pilihan terakhir dalam mengeksploitasi Existing CNN Pengamatan terhadap transfer learning atau fine tuning arsitektur CNN dapat dimanfaatkan untuk memilih arsitektur terbaik Dengan demikian setelah membaca buku ini diharapkan dapat membuat arsitektur CNN baru atau dapat mengeksploitasi Existing CNN

Style

Detail Buku