Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pengenalan wajah adalah permasalahan fundamental di computer vision. Salah satu solusi permasalahan ini adalah pembelajaran metrik, yang dapat dilakukan dengan metode deterministik atau metode probabilistik. Penelitian ini bertujuan untuk menggabungkan keunggulan model deterministik Proxy Anchor dengan model probabilistik Probabilistic Face Embeddings menjadi suatu model usulan ProxyPE. Selain itu, kami juga mengusulkan kerangka alur prapemrosesan citra wajah untuk citra masukan melalui restorasi wajah dengan GFP-GAN. Dataset citra wajah yang digunakan pada penelitian ini adalah dataset Labelled Faces in the Wild. Pengujian pada model ProxyPE menunjukkan hasil evaluasi yang lebih unggul dengan MAP@R sebesar 8.28, dibandingkan dengan model Probabilistic Face Embeddings dengan MAP@R sebesar 4.58, namun belum sebaik model Proxy Anchor dengan dengan MAP@R sebesar 18.75. Selanjutnya, peningkatan kualitas citra melalui restorasi wajah dengan GFP-GAN secara umum meningkatkan kinerja model usulan. Pengenalan wajah pada ProxyPE yang didahului prapemrosesan citra wajah tersebut menunjukkan peningkatan kinerja dengan MAP@R sebesar 8.74. Secara umum, model usulan ProxyPE dapat mengenali wajah dengan lebih baik daripada Probabilistic Face Embeddings dengan dan tanpa GFP-GAN.

---

Face recognition is a fundamental problem in computer vision. One solution to this problem is metric learning, that can be done with deterministic methods or probabilistic methods. This research aims to combine the advantages of the deterministic Proxy Anchor model and the Probabilistic Face Embeddings model, into the proposed ProxyPE model. In addition, we also propose an image preprocessing framework for input images by restoring faces using GFP-GAN. The dataset of face images used in this research is the Labelled Faces in the Wild dataset. Evaluation on the ProxyPE model shows better results with MAP@R of 8.28, compared to the Probabilistic Face Embeddings model’s MAP@R of 4.58, but not as good as the Proxy Anchor model’s MAP@R of 18.75. Furthermore, improving image quality through face restoration with GFP-GAN generally improves our model’s performance. Face recognition on ProxyPE preceded by preprocessing face images results in a performance improvement with MAP@R of 8.74. Overall, the proposed ProxyPE model achieves better performance than Probabilistic Face Embeddings with and without GFP-GAN."

"Pendataan mahasiswa merupakan salah satu aktivitas yang penting dalam operasional sebuah universitas. Terkadang proses pendataan mahasiswa ini terdapat permasalahan, seperti banyaknya proses yang harus dilakukan dan juga banyaknya waktu yang tersita untuk pendataan mahasiswa. Terlebih akibat Covid-19 pendataan mahasiswa khususnya pada pendaftaran langsung yang memerlukan data para mahasiswa menjadi terhambat. Pada tugas akhir ini, mengembangkan teknologi berbasis web yang digunakan untuk sebuah sistem pendataan yaitu membuat aplikasi pendataan mahasiswa berbasis website. Aplikasi pendataan mahasiswa dapat mengenali sebuah karakter pada gambar Kartu Tanda Mahasiswa (KTM) dari hasil pengambilan gambar melalui kamera dan mencatat data dalam bentuk teks. Untuk dapat mengenali sebuah karakter pada sebuah kartu mahasiswa, maka akan digunakan sistem Optical Character Recognition (OCR) yang menggunakan sistem preprocessing. Pada penelitian ini, preprocessing akan dibandingkan untuk dicari untuk mengetahui sistem mana yang paling optimal. Preprocessing akan diuji terhadap jarak dan resolusi kamera. Setalah melakukan pengujian, sistem yang paling optimal adalah sistem yang menggunakan preprocessing binarization dengan jarak pengambilan gambar 10 cm dan diambil dengan resolusi kamera sebesar 16 MP.

---

Student data collection is one of the important activities in the operation of a university. The student data collection process at each university has its own operational standards. Sometimes the student data collection process has problems, such as the number of processes that must be carried out and also the amount of time it takes to collect student data. Especially due to Covid-19, student data collection, especially in direct registration, which requires student data, is hampered. In this final project, developing a web-based application that is used for a data collection system which is website-based student data collection. The student data collection application can get a character in the Student Identity Card image from the results of taking pictures through the camera and record the data in text form. To be able to recognize a character on a student card, an Optical Character Recognition (OCR) system will be used that uses a preprocessing system. In this study, preprocessing will be compared to find out which system is the most optimal. Preprocessing will be tested against camera distance and resolution. After testing, the most optimal system is a system that uses preprocessing binarization with a shooting distance of 10 cm and taken with a camera resolution of 16 MP."