PENGEMBANGAN MODEL CAPSULEGAN UNTUK PENGHAPUSAN HUJAN CITRA TUNGGAL

Haryanto Hidayat, - (2024) PENGEMBANGAN MODEL CAPSULEGAN UNTUK PENGHAPUSAN HUJAN CITRA TUNGGAL. S1 thesis, Universitas Pendidikan Indonesia.

	Text TA_ART_S_TEKOM_2003370_SK.pdf Download (590kB)
	Text TA_ART_S_TEKOM_2003370_ART.pdf Restricted to Staf Perpustakaan Download (1MB)

Abstract

Pengaruh cuaca hujan pada kualitas gambar sering menjadi masalah di bidang Computer Vision (CV), karena informasi-informasi penting yang diperlukan oleh algoritma CV menjadi hilang. Berbagai macam solusi telah diusulkan oleh para peneliti untuk menyelesaikan masalah tersebut, mulai dari menggunakan filter tradisional hingga penerapan metode Deep Learning. Penerapan algoritma Deep Learning, seperti Deep Convolutional Generative Adversarial Network (DCGAN) digunakan karena tingkat kualitas gambar yang diproduksi sangat baik, tetapi masih ada kekurangan yaitu hilangnya informasi spasial antar komponen hujan, sehingga tidak dapat mengidentifikasi dimana letak garis hujan yang menyebabkan tersisanya garis hujan pada gambar. Capsule Network (CapsNet) menjadi solusi dalam permasalahan tersebut, dengan memperhatikan hubungan antara detail parsial dengan objek global, informasi-informasi spasial pada gambar seperti posisi dan rotasi antar objek dapat dipertahankan, dengan begitu penggunaan CapsNet pada arsitektur akan memberikan pengaruh yang cukup signifikan. Dengan menggabungkan kedua metode tersebut akan didapatkan model de-raining yang dapat menghasilkan gambar lebih tajam sekaligus menghilangkan garis hujan secara efektif. Kami menggabungkan CapsNet pada bagian arsitektur Discriminator untuk pengklasifikasian yang lebih baik. Hasil perbandingan dengan model lain menunjukkan bahwa penggabungan kedua arsitektur tersebut menghasilkan gambar yang lebih baik dibandingkan dengan kebanyakan model Deep Learning lain. Meskipun begitu, masih terdapat kekurangan yaitu gambar yang dihasilkan masih memiliki efek blur dan sisa hujan akibat proses pelatihan yang tidak stabil. ---------- The effect of rainy weather on image quality is often a problem in the field of Computer Vision (CV) because important information required by the CV algorithm is lost. Various solutions have been proposed by researchers to solve this problem, ranging from using traditional filters to applying Deep Learning methods. The application of Deep Learning algorithms, such as the Deep Convolutional Generative Adversarial Network (DCGAN) is being used because the level of image quality produced is excellent, however, there are still shortcomings i.e the loss of spatial information between rain components, so it cannot identify where the rain streaks are, which causes rain lines to remain on the image. Capsule Network (CapsNet) is a solution to this problem, by paying attention to the relationship between partial details and global objects, spatial information in the image such as position and rotation between objects can be maintained, so the use of CapsNet in architecture will have a quite significant impact. By combining these two methods, a de-raining model can be obtained which can produce sharper images while effectively removing rain streaks. We incorporate CapsNet in the Discriminator part of the architecture for better classification. Comparison results with other models show that combining the two architectures produces better images compared to most Deep Learning models. However, there are still shortcomings, that is the generated image still has a blur effect and residual rain due to the unstable training process.

Item Type:	Thesis (S1)
Additional Information:	https://scholar.google.com/citations?view_op=list_works&hl=en&user=PFmoduQAAAAJ ID SINTA Dosen Pembimbing: Munawir: 6745899 Muhammad Taufik Dwi Putra: 6745726 Karya ini adalah tugas akhir setara dengan skripsi sesuai dengan SK Direktur Kampus UPI di Cibiru, Nomor: B-555/UN40.C1/PK.03.08/2024
Uncontrolled Keywords:	De-raining; Capsule Network; Generative Adversarial Network; Computer Vision; Image-to-Image Translation
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General)
Divisions:	UPI Kampus cibiru > S1 Teknik Komputer
Depositing User:	Haryanto Hidayat
Date Deposited:	23 Aug 2024 04:17
Last Modified:	23 Aug 2024 04:17
URI:	http://repository.upi.edu/id/eprint/119799

Actions (login required)

View Item