Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, satu wajah dilihat di 4 skala sekaligus, dari peta fitur 28 piksel yang menangkap detail halus seperti mata dan tekstur kulit, sampai peta 4 piksel yang menangkap makna global wajah. Inilah fitur Pyramid Network yang kita bangun dari nol di atas ResNet 18. Ayo kita mulai. Halo, selamat datang di episode ketiga seri pengenalan wajah tahan oklusi. CNN biasa hanya memakai fitur dari lapisan terakhir, yang beresolusi rendah tetapi kaya makna. Detail halus di lapisan awal ikut terbuang. Fitur Pyramid Network menggabungkan keduanya, setiap skala mendapat makna dari lapisan dalam sekaligus detail dari lapisan dangkal. Ide ini awalnya untuk deteksi objek, dan hari ini kita memakainya untuk wajah.
Langkah 1: Backbone ResNet18 & koneksi lateral
Buat file fpn.py Backbone-nya ResNet 18 dengan bobot Pretrinet ImageNet. Kita pecah menjadi stem, yaitu konvolusi pertama dan Max Pauling, lalu 4 tahap, C2 sampai C5. Setiap tahap memperkecil resolusi 2 kali dan menambah channel, 64, 128, 256, dan 512. Koneksi lateral berupa konvolusi 1 kali 1 menyamakan semua tahap menjadi 128 channel, dan konvolusi 3 kali 3 untuk menghaluskan hasil penggabungan.
Langkah 2: Jalur bottom-up & top-down
Fungsi forward menjalankan dua jalur. Jalur bottom AP melewati stem dan C2 sampai C5 seperti CNN biasa. Jalur top-down dimulai dari C5 yang paling kaya makna. Hasilnya diperbesar dengan interpolasi nires ke ukuran tahap di bawahnya, lalu dijumlahkan dengan versi lateral tahap itu. Begitu terus sampai C2. Hasil akhirnya empat peta fitur, P2 sampai P5, masing-masing dihaluskan dengan konvolusi 3 kali 3.
Langkah 3: Ukuran setiap tingkat piramida
Buat file cek underscore fpn.py Kita ambil satu wajah dari data set yang sudah diselaraskan, normalisasi kerenta minus 1 sampai 1, dan jalankan fpn. Jalankan. P2 berukuran 28 kali 28, satu pikselnya mewakili 4 piksel asli. P3 14, P47, dan P54 kali 4. Semua tingkat punya 128 channel, sehingga mudah digabungkan. Totalnya sekitar 11,9 juta parameter, hampir semuanya dari ResNet 18.
Langkah 4: Visualisasi peta fitur P2-P5
Mari kita lihat peta fiturnya dengan merata-ratakan nilai absolut semua channel. P2 masih memperlihatkan bentuk wajah dengan detail mata, alis, dan hidung. Semakin ke P5, peta semakin kasar dan abstrak, mewakili konteks wajah secara keseluruhan. Untuk wajah yang tertutup masker, detail mata di skala halus tetap tersedia walau bagian bawah wajah hilang. Itulah alasan kita ingin menggabungkan semua skala, yang akan kita lakukan di episode berikutnya.
Selesai!
Selesai. Kita sudah membangun fitur piramid network di atas ResNet 18 Pratrainet, memahami jalur bottom AP, koneksi lateral, dan jalur top-down, serta melihat peta fitur di 4 skala. Di episode berikutnya kita menggabungkan ke 4 skala menjadi embedding wajah dan melatihnya dengan art face loss. Sedang menyusun skripsi, tesis, atau riset AI di bidang pengenalan wajah dan biometrik? Cerdas inovasi digital membantu implementasi deep learning, dari oklusi sintetis, penyelarasan wajah, fitur piramid, art face, verifikasi, dan ROC, sampai aplikasi absensi wajah, serta membuka kursus deep learning dengan PyTor. Ingin menguasai seluruh seri ini, dari dataset wajah sampai aplikasi absensi? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.286 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
