Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Analisis Arsitektur Generative Adversarial Network (GAN) Untuk Peningkatan Resolusi Citra Wajah Manusia
Ariq Suryo Hadi Parjuni (2021) | Skripsi | Teknik Informatika , Teknik Komputer
Bagikan
Ringkasan
Citra wajah sebagai salah satu citra yang paling banyak dimanfaatkan untuk pengenalan biometrik memiliki syarat minimum resolusi tertentu jika ingin digunakan pada Face Recognition. Citra wajah yang memiliki resolusi terlalu besar, pada umumnya tidak terdapat masalah untuk menurunkan resolusi citra, karena nilai pixel citra lengkap dan komputer hanya akan mengurangi sebagian nilai pixel. Namun, untuk meningkatkan resolusi citra, citra tidak memiliki informasi pixel yang cukup sehingga komputer perlu memprediksi nilai yang tidak ada tersebut. Generative Adversarial Network (GAN) merupakan salah satu metode machine learning yang dapat digunakan untuk meningkatkan resolusi. GAN disusun oleh dua buah arsitektur yaitu Generator dan Discriminator yang masing-masing tersusun atas berbagai macam komponen CNN. Susunan komponen yang digunakan ini akan mempengaruhi citra hasil peningkatan resolusi. Pada penelitian ini akan berfokus pada mengkaji pengaruh susunan Generator, banyak basic block, dan banyak filter pada GAN terhadap kualitas peningkatan resolusi citra wajah yang secara quantitative dihitung menggunakan metode PSNR dan SSIM. Susunan yang dipakai untuk membangun Generator menggunakan tiga konsep yang berbeda yaitu Incpetion, Resnet, dan Inception-Resnet. Hasil eksperimen menunjukan bahwa konfigurasi yang menghasilkan nilai PSNR yang paling baik yaitu yang menggunakan arsitektur Resnet dengan banyak filter 128 dan banyak basic block 8, sedangkan untuk yang menghasilkan nilai SSIM terbaik menggunakan Generator Inception dengan banyak filter 64 dan banyak basic block 4.
Ringkasan Alternatif
Facial image is one of the most widely used images for biometric recognition and has a certain minimum resolution requirement for Face Recognition system. If the image has too large resolution, generally there is no problem with lowering the image resolution, because the image pixel value is full and the computer will only subtract a portion of the pixel value. However, to increase the image resolution, the image does not have sufficient pixel information, so the computer needs to predict the missing value. Generative Adversarial Network (GAN) is a machine learning method that can be used to increase image resolution. GAN is composed of two architectures, namely Generator and Discriminator, each of which is composed of various CNN components. The composition of the components used in GAN will affect the resulting image resolution. This research will focus on examining the effect of the arrangement of Generator, number of basic blocks, and number of filters on GAN to measured the quality of facial image resolution enhancement which is quantitatively calculated using the PSNR and SSIM methods. The arrangement used to build the Generator uses three different concepts, namely Incpetion, Resnet, and Inception-Resnet.The experimental results show that the configuration that produces the best PSNR value is the one using the Resnet architecture with 128 number of filters and 8 number of basic blocks, while the one that produces the best SSIM value uses the Inception Generator with 64 number of filters and 4 number of basic blocks.