Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam pengenalan objek pada sistem pengawasan lalu lintas dibutuhkan sebuah metode yang mampu membedakan antara objek dan non objek. Salah satu metode umum yang biasa digunakan adalah background subtraction. Background subtraction menjadi bagian awal yang penting dari sebuah aplikasi dalam metode computer vision. Hasil dari background subtraction biasanya digunakan dalam proses pada level yang lebih tinggi. Kami mengajukan sebuah metode Gaussian Mixture Model (GMM) dengan algoritma Hole Filling(HF). Ide utama dari pendekatan yang diajukan karena hasil dari GMM menghasilkan noisy image yang berasal dari kesalahan klasifikasi. Hal ini terjadi karena berbagai situasi (waving trees, rippling water dan illumination change). Metode HF yang sederhana mampu meningkatkan akurasi hingga 97,9% dan Kappa statistic hingga 0,74 dengan mengurangi kesalahan klasifikasi dari GMM. Hasil eksperimen and evaluasi pada pixel level menunjukkan bahwa GMMHF mampu unggul dari metode yang lain. Dengan peningkatan kinerja deteksi kendaraan menggunakan GMMHF, estimasi kecepatan kendaraan mendapatkan perbaikan. GMMHF yang dipadukan dengan Pin Hole model menghasilkan estimasi kecepatan terbaik dibandingkan skenario lainnya, dimana simpangan ratarata sebesar 7,4 Km/jam.

---

.There is a necessity in traffic control system using camera to have the capability to discriminate between an object and non-object in the image. One of the procedure to discriminate between those two is usually performed by background subtraction. Gaussian Mixture Model (GMM) is popular method that has been employed to tackle the problem of background subtraction. However, the output of GMM is a rather noisy image which comes from false classification. This situation may arise because several conditions in the video input such as, waving trees, rippling water, and illumination changes. In this paper, a version of GMM technique which is combined with Hole Filling Algorithm (HF) classifier is proposed to alleviate those has problems. The experimental result shows that the proposed method improved the accuracy up to 97.9% and Kappa statistic up to 0.74. This result has outperformed many similar methods that is used for evaluation. With improvement of vehicles detection performance using GMMHF, vehicle?s speed estimation also improved. GMMHF that combined with Pin Hole Model produce the best speed estimation compared with other scenarios, where standard deviation is 7,4 Km/hr."

"Gaussian processes can be viewed as a far-reaching infinite-dimensional extension of classical normal random variables. Their theory presents a powerful range of tools for probabilistic modelling in various academic and technical domains such as Statistics, Forecasting, Finance, Information Transmission, Machine Learning, to mention just a few. The objective of these Briefs is to present a quick and condensed treatment of the core theory that a reader must understand in order to make his own independent contributions. The primary intended readership are PhD/Masters students and researchers working in pure or applied mathematics. The first chapters introduce essentials of the classical theory of Gaussian processes and measures with the core notions of reproducing kernel, integral representation, isoperimetric property, large deviation principle. The brevity being a priority for teaching and learning purposes, certain technical details and proofs are omitted. The later chapters touch important recent issues not sufficiently reflected in the literature, such as small deviations, expansions, and quantization of processes. "

"Teknologi pemindaian dan rekonstruksi model tiga dimensi (3D) telah mengalami evolusi yang pesat, terutama dengan meningkatnya tren perkembangan teknologi LiDAR yang lebih portabel dan mudah dijangkau oleh pengguna awam, seperti yang terlihat pada perangkat genggam. Terlepas dari kemajuan di bidang perangkat keras, perkembangan perangkat lunak sebagai antarmuka pengguna dengan teknologi tersebut masih sangat terbatas dan belum dapat mengakomodasi kebutuhan dan pengetahuan yang dimiliki oleh masyarakat luas. Penelitian ini mengusulkan pengembangan sistem \textit{end-to-end} yang mampu memindai, memvisualisasikan, serta melakukan segmentasi aset 3D dari hasil rekaman lingkungan 3D. Pendekatan menggunakan teknik terbaru seperti 3D Gaussian Splatting dan Point Transformer tidak hanya dapat meningkatkan kualitas dan aksesibilitas segmentasi objek 3D, tetapi juga membuka jalan untuk adopsi yang lebih luas di berbagai bidang yang menargetkan pengguna awam.

---

Three-dimensional (3D) model scanning and reconstruction technology has undergone rapid evolution, especially with the increasing trend of developing LiDAR technology that is more portable and easily accessible to ordinary users, as seen in handheld devices. Despite the progress in hardware, the development of software as a user interface for the technology is still very limited and has not been able to accommodate the needs and knowledge possessed by the wider community. This research proposes the development of an end-to-end system capable of scanning, visualizing, and segmenting 3D assets from recorded 3D environments. The approach of using the latest techniques, such as 3D Gaussian Splatting and Point Transformer, can not only improve the quality and accessibility of 3D object segmentation but also pave the way for wider adoption in various fields targeting lay users."

"Teknologi pemindaian dan rekonstruksi model tiga dimensi (3D) telah mengalami evolusi yang pesat, terutama dengan meningkatnya tren perkembangan teknologi LiDAR yang lebih portabel dan mudah dijangkau oleh pengguna awam, seperti yang terlihat pada perangkat genggam. Terlepas dari kemajuan di bidang perangkat keras, perkembangan perangkat lunak sebagai antarmuka pengguna dengan teknologi tersebut masih sangat terbatas dan belum dapat mengakomodasi kebutuhan dan pengetahuan yang dimiliki oleh masyarakat luas. Penelitian ini mengusulkan pengembangan sistem \textit{end-to-end} yang mampu memindai, memvisualisasikan, serta melakukan segmentasi aset 3D dari hasil rekaman lingkungan 3D. Pendekatan menggunakan teknik terbaru seperti 3D Gaussian Splatting dan Point Transformer tidak hanya dapat meningkatkan kualitas dan aksesibilitas segmentasi objek 3D, tetapi juga membuka jalan untuk adopsi yang lebih luas di berbagai bidang yang menargetkan pengguna awam.

---

Three-dimensional (3D) model scanning and reconstruction technology has undergone rapid evolution, especially with the increasing trend of developing LiDAR technology that is more portable and easily accessible to ordinary users, as seen in handheld devices. Despite the progress in hardware, the development of software as a user interface for the technology is still very limited and has not been able to accommodate the needs and knowledge possessed by the wider community. This research proposes the development of an end-to-end system capable of scanning, visualizing, and segmenting 3D assets from recorded 3D environments. The approach of using the latest techniques, such as 3D Gaussian Splatting and Point Transformer, can not only improve the quality and accessibility of 3D object segmentation but also pave the way for wider adoption in various fields targeting lay users."

"Segmentasi tiga dimensi merupakan task yang pada awalnya sulit digunakan yang disebabkan keterbatasan spesifikasi perangkat. Segmentasi tiga dimensi memanfaatkan point cloud sebagai input dan point cloud dihasilkan dari sensor LiDAR yang kepemilikannya sangat terbatas. Dahulu, LiDAR hanya ada pada perangkat industri, berguna untuk mendapatkan informasi tiga dimensi lahan. Sekarang, LiDAR sudah terdapat pada perangkat ponsel, namun hanya pada yang spesifikasinya termasuk golongan high-end atau mewah. Berangkat dari permasalahan tersebut, muncul pertanyaan mengenai kemungkinan segmentasi tiga dimensi tanpa menggunakan sensor LiDAR, tujuannya agar fitur tersebut tidak eksklusif ke suatu kelompok, melainkan semua orang yang memiliki ponsel dengan kamera bisa melakukan segmentasi tiga dimensi. Dirumuskanlah penghasil point cloud dengan menggunakan 3D Gaussian Splatting. Model segmentasi yang digunakan juga merupakan state-of-the-art, yaitu Point Transformer v2 dan v3, serta sebuah metode segmentasi tiga dimensi unik yang memanfaatkan 3DGS secara langsung, yaitu SAGA. Hasil penelitian menemukan bahwa SAGA merupakan model segmentasi tiga dimensi yang paling baik. Selain hasil kemampuannya mensegmentasi 3DGS, SAGA juga mampu mensegmentasi objek tanpa batasan kelas sehingga membuat SAGA unggul pada konteks penelitian ini.

---

Three-dimensional segmentation is a task that was initially difficult to use due to limited device specifications. Three-dimensional segmentation utilizes the point cloud as input and the point cloud is generated from the LiDAR sensor, which has very limited ownership. In the past, LiDAR only existed in industrial devices, useful for obtaining three-dimensional information of land. Now, LiDAR is available on mobile devices, but only on those whose specifications are included in the high-end or luxury class. Starting from this problem, the question arises about the possibility of three-dimensional segmentation without using a LiDAR sensor, the goal is that the feature is not exclusive to a group, but everyone who has a cellphone with a camera can do three-dimensional segmentation. A point cloud generator using 3D Gaussian Splatting was formulated. The segmentation models used are also state-of-the-art, namely Point Transformer v2 and v3, and a unique three-dimensional segmentation method that utilizes 3DGS directly, namely SAGA. The results found that SAGA was the best three-dimensional segmentation model. In addition to the results of its ability to segment 3DGS, SAGA is also able to segment objects without class constraints, which makes SAGA superior in the context of this research."

"Penelitian ini bertujuan untuk menghitung cadangan kerugian dengan menerapkan regresi Gaussian Process untuk memperkirakan klaim di masa mendatang. Pemodelan dilakukan pada data asuransi kendaraan bermotor. Hasil estimasi memperlihatkan bahwa metode Regresi Proses Gaussian sangat fleksibel dan dapat diterapkan tanpa banyak penyesuaian. Hasil ini juga dibandingkan dengan metode Chain Ladder.

---

This study aims to calculate the allowance for losses by applying Gaussian Process regression to estimate future claims. Modeling performed on motor vehicle insurance data. The estimation results show that the Gaussian Process Regression method is very flexible and can be applied without much adjustment. These results were also compared with the Chain Ladder method."