Semua kelas Silabus Pengenalan Wajah Tahan Oklusi · Episode 4 dari 6

Kelas Pengenalan Wajah Tahan Oklusi #4: Fusi Fitur Multi-Skala & Embedding Wajah dengan ArcFace Loss

0 kali dilihat

Kelas ArcFace loss dan fusi fitur multi-skala (FPN) dengan PyTorch bahasa Indonesia: embedding wajah 128 dimensi, additive angular margin, augmentasi oklusi. Episode 4 seri pengenalan wajah tahan oklusi.

Software: Deep Learning (PyTorch ArcFace)
Level: Mahir
Durasi: ± 16 menit
Total seri: 1 jam 26 menit · 6 video
Terbit: 24 Oktober 2026

Episode 4 dari 6 · lihat silabus

Berlangganan ▶ Tonton video praktik0 kali ditonton

Memeriksa akses...

Ingin belajar lebih dalam?

Ikuti kursus kami atau tanyakan langsung lewat WhatsApp.

Lihat silabus lengkap 6 episode Lihat Kursus Pengenalan Wajah Tanya via WhatsApp

Kelas yang direkomendasikan untuk Anda

Dipilih dari software, topik, dan level “Kelas Pengenalan Wajah Tahan Oklusi #4: Fusi Fitur Multi-Skala & Embedding Wajah dengan ArcFace Loss”.

6 episodeAda gratis

Python · Menengah–Mahir

Deteksi Deepfake Vision Transformer

6 episode video + PDF, total 1 jam 11 menit. Dimulai dari: Konsep Deepfake, Jenis Manipulasi & Dataset Wajah Asli vs Palsu.

1 jam 11 menit 0 0

Lihat kelas

Optimasi Multi-Objektif NSGA-II MOPSO Hybrid

6 episodeAda gratis

Python · Menengah–Mahir

Optimasi Multi-Objektif NSGA-II MOPSO Hybrid

6 episode video + PDF, total 59 menit. Dimulai dari: Optimasi Multi-Objektif: Pareto Front, Dominasi, dan Fungsi Uji ZDT/DTLZ.

59 menit 9 0

Lihat kelas

18 episodeAda gratis

Python · Pemula–Mahir

Machine Learning Python

18 episode video + PDF, total 3 jam 41 menit. Dimulai dari: Pengenalan Machine Learning & Model Pertama.

3 jam 41 menit 61 0

Lihat kelas

100 episodeAda gratis

Claude · Pemula–Mahir

Claude dari Nol sampai Mahir

100 episode video + PDF, total 15 jam 1 menit. Dimulai dari: Apa Itu Claude dan Bedanya dengan ChatGPT serta Gemini.

15 jam 1 menit 62 0

Lihat kelas

50 episodeAda gratis

Agentic AI · Pemula–Menengah

Agentic AI Tanpa Coding

50 episode video + PDF, total 14 jam 29 menit. Dimulai dari: Chatbot, Otomasi, dan AI Agent: Apa Bedanya?.

14 jam 29 menit 66 0

Lihat kelas

6 episodeAda gratis

Python · Menengah–Mahir

Segmentasi Tumor Otak U-Net

6 episode video + PDF, total 1 jam 10 menit. Dimulai dari: Dataset MRI Otak & Mask Tumor: Memuat, Visualisasi & Pembagian per Pasien.

1 jam 10 menit 28 0

Lihat kelas

Deep Learning CNN-LSTM Deteksi Pneumonia

6 episodeAda gratis

Python · Menengah–Mahir

Deep Learning CNN-LSTM Deteksi Pneumonia

6 episode video + PDF, total 57 menit. Dimulai dari: Dataset Rontgen Dada: Memuat, Eksplorasi & Pembagian Data.

57 menit 22 0

Lihat kelas

6 episodeAda gratis

Python · Menengah–Mahir

Transfer Learning Penyakit Daun

6 episode video + PDF, total 1 jam 5 menit. Dimulai dari: Dataset PlantVillage: Struktur Folder, Distribusi Kelas & Pembagian Data.

1 jam 5 menit 9 0

Lihat kelas

Butuh lebih dari video?

Pilihan lain dari kami untuk Python.

Belajar bareng mentor

Kursus AI & Kecerdasan Buatan terjadwal, dibimbing langsung, bersertifikat.

Kursus

Kursus Optimasi Multi-Objektif: NSGA-II, MOPSO & Algoritma Hybrid (Python)

Kursus

Kursus Klasifikasi Aritmia EKG dengan Wavelet & Deep Learning (PyTorch)

Kursus

Kursus ANFIS + PSO/GA untuk Peramalan Deret Waktu Non-Linear (Python)

Lihat semua AI & Kecerdasan Buatan →

Minta dibuatkan

Tidak sempat belajar Python? Tim kami bisa mengerjakan proyeknya.

Jasa

Jasa Machine Learning Python — Model Prediksi, Segmentasi Pelanggan, Deteksi Fraud & Aplikasi AI

Jasa

Jasa Pembuatan Gambar AI dengan Stable Diffusion — Produksi Visual Custom Tanpa Batas

★ 4.9

Jasa

Jasa Pembuatan Gambar & Video AI dengan Leonardo AI — Visual All-in-One untuk Bisnis

★ 4.9

Lihat semua AI & Kecerdasan Buatan →

Kabari saya kalau ada kelas Python baru

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, setiap wajah diubah menjadi 128 angka, dan wajah orang yang sama saling berdekatan. Kita melatih tiga model dengan R-Face Loss, dan salah satu perbandingannya akan sangat menentukan ketahanan terhadap oklusi di episode terakhir. Ayo kita mulai. Halo, selamat datang di episode keempat seri pengenalan wajah tahan oklusi. Pengenalan wajah modern tidak mengklasifikasi wajah ke daftar nama yang tetap, melainkan mengubah wajah menjadi faktor embedding. Dua wajah dibandingkan dengan sudut antarvektornya, sehingga orang baru bisa didaftarkan tanpa melatih ulang. Hari ini kita menggabungkan fitur multiskala menjadi embedding dan melatihnya dengan R-Face Loss.

Langkah 1: Fusi multi-skala & pembanding skala tunggal

Buat file model underscore wajah.py. Kelas fusi multiskala memakai FPN dari episode lalu. Setiap peta fitur P2 sampai P5 dirata-ratakan secara global menjadi faktor 128, keempatnya digabung menjadi 512 angka, lalu diproyeksikan dengan lapisan linear dan B-Norm menjadi embedding 128 dimensi yang dinormalisasi kepanjang 1. Sebagai pembanding, kelas kalatunggal hanya memakai fitur lapisan terakhir ResNet 18. Sekarang R-Face Loss.

Langkah 2 ArcFace loss (additive angular margin)

Setiap orang punya faktor bobot yang mewakili pusat kelasnya. Kosinus antara embedding dan setiap pusat dihitung. Lalu untuk kelas yang benar, sudutnya ditambah marine M sebesar 0,5 radian sebelum diambil kosinusnya lagi. Akibatnya model dipaksa membuat embedding jauh lebih dekat ke pusat kelasnya sendiri daripada yang dibutuhkan softmax biasa. Semua logit dikalikan skala S30, lalu masuk ke cross entropy. Inilah additive angular marine yang membuat R-Face sangat diskriminatif.

Langkah 3: kugmentasi oklusi & akurasi identifikasi

Buat file latih underscore wajah.py. Kita muat wajah 112 piksel dan memakai GPU bila tersedia. Fungsi augmentasi melakukan flip horizontal, dan dengan peluang 50% menambahkan satu oklusi acak, masker, kacamata, atau tangan, ditempatkan dengan template landmark karena wajah sudah diselaraskan. Fungsi akurasi identifikasi menghitung embedding galeri dari data latih, merata-ratakannya per orang menjadi sentroid, lalu setiap wajah validasi dikenali sebagai sentroid dengan kosinus tertinggi.

Langkah 4: Melatih tiga model

Fungsi latih memakai Adamwe, Cosine Anialing, dan 12 Ipok. Parameter oklusi menentukan apakah augmentasi oklusi dipakai. Bobo terbaik berdasarkan akurasi validasi disimpan. Kita latih tiga model, fusi multiskala dengan augmentasi oklusi, skala tunggal dengan augmentasi oklusi, dan fusi multiskala tanpa augmentasi oklusi. Jalankan.

Langkah 5: Hasil pelatihan

Setiap Ipok hanya beberapa detik di GPU. Lost Arc Phase awalnya tinggi, belasan, karena marine yang besar, lalu turun cepat. Ketiga model mencapai akurasi identifikasi validasi sekitar 95-97%. Pada wajah tanpa oklusi, ketiganya hampir sama, dan fusi multiskala tidak jauh berbeda dari skala tunggal. Perbedaan sesungguhnya baru terlihat saat wajah ditutupi, yang akan kita uji di episode terakhir. Selesai.

Selesai!

Kita sudah membangun fusi fitur multiskala, embedding wajah 128 dimensi, arc face loss dengan additif angular marine, dan augmentasi oklusi acak, lalu melatih tiga model pembanding. Di episode berikutnya kita memakai embedding ini untuk verifikasi wajah, cosine similarity, threshold, kurva ROC, dan IIR. 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, feature pyramid, arc 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 video1.290 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.

Lihat klien kami →

Memuat

Kelas yang direkomendasikan untuk Anda

Butuh lebih dari video?

Transkrip

0:03Pembuka

0:49Langkah 1: Fusi multi-skala & pembanding skala tunggal

3:56Langkah 2 ArcFace loss (additive angular margin)

5:13Langkah 3: kugmentasi oklusi & akurasi identifikasi

8:29Langkah 4: Melatih tiga model

13:58Langkah 5: Hasil pelatihan

14:31Selesai!

Tanya materi kelas

Catatan saya

Tanya jawab

Pengajar

Kelas yang direkomendasikan untuk Anda

Butuh lebih dari video?

Transkrip

0:03Pembuka

0:49Langkah 1: Fusi multi-skala & pembanding skala tunggal

3:56Langkah 2 ArcFace loss (additive angular margin)

5:13Langkah 3: kugmentasi oklusi & akurasi identifikasi

8:29Langkah 4: Melatih tiga model

13:58Langkah 5: Hasil pelatihan

14:31Selesai!

Tanya materi kelas

Catatan saya

Tanya jawab

Pengajar

Pembuka

Langkah 1: Fusi multi-skala & pembanding skala tunggal

Langkah 2 ArcFace loss (additive angular margin)

Langkah 3: kugmentasi oklusi & akurasi identifikasi

Langkah 4: Melatih tiga model

Langkah 5: Hasil pelatihan

Selesai!

Pembuka

Langkah 1: Fusi multi-skala & pembanding skala tunggal

Langkah 2 ArcFace loss (additive angular margin)

Langkah 3: kugmentasi oklusi & akurasi identifikasi

Langkah 4: Melatih tiga model

Langkah 5: Hasil pelatihan

Selesai!