Hasil Pencarian  ::  Simpan CSV :: Kembali

"Citra bawah air tergolong ke dalam citra yang sulit diproses secara digital. Hal ini dise- babkan citra bawah air mengalami degradasi gabungan berupa scattering dan absorption. Sedangkan permasalahan estimasi kedalaman relatif adalah salah satu permasalahan yang masih menjadi riset dalam bidang computer vision saat ini. Permasalahan ini digolongkan sebagai permasalahan image-to-image translation. Salah satu model yang sering digunakan untuk menyelesaikan permasalahan image-to-image translation adalah dengan menggunakan conditional generative adversarial network (cGAN) yang merupakan salah satu varian dari generative adversarial network (GAN). Komponen penting dari cGAN terdiri dari generator dan discriminator yang berpengaruh terhadap keefektifan model. Pada penelitian ini akan diuji kombinasi generator yang terdiri dari U-net, Resnet-6, dan Resnet-9 dan discriminator yang terdiri dari PatchGAN serta ImageGAN dalam menyelesaikan permasalahan estimasi kedalaman relatif dari citra bawah air. Keoptimalan model diuji dengan menggunakan metrik structural index similarity (SSIM) dan root mean square error (RMSE). Didapatkan hasil bahwa model dengan generator U-net dan discriminator PatchGAN memberikan hasil terbaik pada metrik SSIM dan RMSE.

---

Underwater images are classified as images that are difficult to be processed digitally. This happens due to the combined degradation of the underwater image in the form of scattering and absorption. Meanwhile, relative depth estimation is one of the problems that is still being actively researched in computer vision. This problem is classified as image-to-image translation problem. One of the model that is often used to solve image-to-image translation is the conditional generative adversarial network (cGAN) which is a variant of generative adversarial network (GAN). The important component of cGAN consists of generator and discriminator which affects the model’s effectiveness. In this research, a combination of generator consisting of U-net, Resnet-6, and Resnet-9 and discriminator consisting of PatchGAN and ImageGAN will be tested in solving relative depth estimation problem for underwater image. Optimization of the model is tested using the metrics structural similarity index (SSIM) and root mean square error (RMSE). The results show that models with generator U-net and discriminator PatchGAN give the best result on SSIM and RMSE metrics."

"Infrastruktur kabel bawah laut yang terletak pada permukaan dasar laut dapat terekspos oleh bencana geologis, tercatat beberapa kejadian gempa bumi menyebabkan putus atau rusaknya jaringan kabel bawah laut. Penelitian ini memfokuskan pada identifikasi zona lemah geologis dengan mengidentifikasi keberadaan struktur patahan dan zona kemiringan lereng yang curam. Anomali gravitasi didapat dari data gravitasi satelit TOPEX kemudian dilakukan analisis derivatif seperti First Horizontal Derivative (FHD) dan Second Horizontal Derivative (SVD) sehingga letak dan jenis struktur patahan dapat teridentifikasi. Data Batimetri GEBCO digunakan dalam memetakan kemiringan lereng yang curam yang diketahui sebagai parameter control terjadinya longsor bawah laut. Integrasi terpadu dari peta turunan anomali gravitasi yang mengidentifikasi keberadaan struktur patahan, peta kecuraman lereng, ditambah dengan data penunjang peta sebaran gempa bumi BMKG dapat memetakan zona lemah geologis yang berpotensi menjadi letak terjadinya bencana geologis bawah laut. Peta integrasi terpadu dapat dijadikan referensi dalam perencanaan pemasangan lintasan kabel bawah laut dalam upaya mitigasi.

---

Submarine cable infrastructure located on the surface of the seabed can be exposed to geological disasters, it is recorded that several earthquakes caused the break or damage of the submarine cable network. This study focuses on identifying geological weak zones by identifying the presence of fault structures and zones of steep slopes. Gravitational anomalies are obtained from the TOPEX satellite gravity data and then analyzed with First Horizontal Derivative (FHD) and Second Horizontal Derivative (SVD) method, so that the location and type of fault structure can be identified. GEBCO bathymetry data is used to map the steepness of the slopes, which are known as control parameters for the occurrence of submarine landslides. An integration of anomaly gravity derivative map that identifies the presence of fault structures, slope steepness maps, and supported with BMKG earthquake distribution map can be identified a geological weak zones that had the potential to be the location of submarine geological disasters. The integrated map can be used as a mitigation efforts reference for submarine cable lines installation plan."

"This book presents the topic of underwater real-time 3-D acoustical imaging covering the theory, algorithms and system design. It summarizes recent advances in wideband and ultra-wideband underwater real-time 3-D acoustical imaging, which will be very useful for developing next-generation systems. Through simulation techniques, readers are able to quickly learn and develop practical underwater real-time 3-D acoustical imaging systems of their own."

"Sifat lingkungan bawah air yang kompleks menjadi sebuah tantangan untuk analisis citra bawah air. Citra bawah air sering mengalami distorsi warna dan visibilitas buruk karena penyerapan dan penghamburan. Hal ini menyebabkan kualitas citra menjadi buruk dan sulit dimengerti, sehingga membuat sistem analisis citra sulit diterapkan di bawah air. Banyak metode yang telah dikembangkan untuk mengatasi tantangan ini. Akan tetapi, setiap metode memiliki keterbatasannya masing-masing. Metode konvensional, seperti metode berbasis physical dan non-physical, sering kali tidak cukup untuk mencakup beragam kondisi bawah air. Sementara itu, metode deep learning cenderung memiliki beban komputasi berat. Metode ini juga berpotensi untuk tidak dapat beradaptasi pada data yang berbeda karena parameter yang sudah tetap setelah pelatihan. Untuk mengatasi keterbatasan kedua metode, penelitian ini mengadopsi pendekatan hybrid GL-Net+CHE yang merupakan model restorasi yang menggabungkan metode konvensional dan deep learning. Modifikasi dari model tersebut, Mod GL-Net+CHE, dilakukan pada komponen deep learning. Dari hasil evaluasi kuantitatif pada data uji UIEB, Mod GL-Net+CHE memperoleh nilai terbaik dengan SSIM 0.9015, PSNR 21.6835, dan 00 9.4205. Namun, berdasarkan hasil evaluasi kualitatif pada data UIEB dan uji robustness pada data UCCS, perbedaan antara model baseline (GL-Net+CHE) dan model modifikasi (Mod GL-Net+CHE) tidak signifikan. Pada ablation studies, ditemukan bahwa hasil kuantitatif Mod GL-Net+CHE lebih baik ketika hanya menggunakan komponen deep learning saja. Akan tetapi, observasi dari beberapa sampel menunjukkan bahwa hasil kuantitatif tidak selalu merefleksikan hasil kualitatif. Hingga saat ini, membandingkan performa model restorasi dan mengukur kualitas citra masih menjadi tantangan.

---

The complex nature of underwater environments poses a challenge in underwater image understanding. Underwater images often have color distortion and poor visibility due to absorption and scattering. These phenomenons negatively affect the quality and the interpretability of the images, which becomes a hindrance in underwater vision-related tasks. Many methods have been developed to overcome this problem. However, each of them has its own limitations. Conventional methods, such as physical-based and non-physical based, are often not sufficient enough to cover a wide variety of underwater scenes. Deep learning methods, on the other hand, have a heavy computational cost. It might also be unable to adapt to different datasets due to its fixed parameters after training. To overcome the limitations of both approaches, this research adopts a hybrid approach, GL-Net+CHE, a restoration model that combines conventional and deep learning methods. A modification of this model, named Mod GL-Net+CHE, is proposed, which modifies the deep learning component of the baseline model. Based on the quantitative evaluation on the UIEB dataset, Mod GL-Net achieves the best SSIM, PSNR, and ΔE₀₀ with value 0.9015, 21.6835, and 9.4205 respectively. However, based on the qualitative evaluation, there are no significant differences between the baseline and modified model. Ablation studies also show that Mod GL-Net+CHE performs better when only the deep learning component is used. However, further observation shows that quantitative results do not always reflect qualitative result. To this day, comparing the performance of underwater images restoration models and measuring the quality of underwater images remains challenging."

"Teknologi visualisasi aliran sampai saat ini telah berkembang sangat pesat, visualisasi aliran berguna untuk memaparkan medan aliran ( medan vektor kecepatan, garis arus, vortisitas ) sesaat yang nantinya dapat diteliti lebih lanjut untuk dianalisa karakteristiknya. Salah satu alat visualisasi aliran dan software penunjangnya adalah PIV dan software imaging visualization. Output dari PIV diolah dengan menggunakan sofware tersebut. Image yang dihasilkan oleh PIV masih berupa data mentah yang belum bersifat informatif. data ini masih berupa gambaran aliran dari waktu ke waktu yang hanya menunjukkan lokasi dari sebaran tracer partice. Oleh karena itu image perlu ditinjau secara teliti dan diperlukan teknik pengolahan image agar menghasilkan parameter image yang baik. Teknik pengolahan image agar menghasilkan parameter image yang baik meliputi kalibrasi image, image masking, pengkontrasan image, cross correlation, masking cross correlation, filtering cross correlation, validation cross correlation, streamline, vortisitas dan plot vektor yang semuanya terangkum dalam paket PIV 2D.

---

Flow visualization technology to date has been growing very rapidly, are useful for flow visualization flow field (velocity vector field, flow lines, vortices) shortly which will be investigated further to analyze its characteristics. One of the tools and software flow visualization PIV supporting is software imaging visualisation, the output of the PIV processed using the software. Image generated by the PIV still a raw data that has not been informative. The data is still a picture of the flow from time to time which only shows the location of the tracer particle distribution. Therefore image needs to be reviewed carefully and image processing techniques are required to produce image parameter is good. Image processing techniques in order to produce a good image parameters include image calibration, image masking, image contras, cross correlation, masking cross correlation, cross correlation filtering, validation cross correlation, streamline, vorticity and vector plots of which are summarized in 2D PIV package"

"ABSTRACTMVCT merupakan modalitas pencitraan yang diintegrasikan dengan pesawat Tomoterapi menggunakan energi 3.5 MV yang memiliki andil cukup besar untuk memberikan tindakan terapi yang optimal pada Tomoterapi. Tujuan dari penelitian ini adalah mengevaluasi kualitas citra, estimasi dosis, serta verifikasi posisi pada pencitraan MVCT. Dalam penelitian ini, evaluasi MVCT dilakukan dengan tiga variasi mode slice thickness yaitu fine, normal, dan coarse. Pengujian kualitas citra dilakukan menggunakan phantom Cathpan 600. Estimasi dosis dan verifikasi posisi dilakukan menggunakan phantom Rando pada tiga area yang ditentukan, yaitu head neck, thorax, dan pelvic. Verifikasi posisi dilakukan dengan memberikan beberapa marker eksternal di beberapa titik pada setiap area dan dihitung dengan bantuan dua perangkat lunak, yaitu software Tomoterapi dan 3D Slicer. Hasil evaluasi kualitas citra yang diperoleh menunjukkan bahwa seluruh variasi mode slice thickness pada MVCT masih berada dalam batas toleransi sesuai dengan AAPM TG 148. Estimasi dosis yang diperoleh menunjukkan bahwa dosis terbesar diperoleh pada mode fine. Secara umum, nilai estimasi dosis yang diperoleh berada pada rentang 1-4 cGy untuk semua area pada setiap titik OAR yang diukur. Pergerakan posisi yang diperoleh untuk seluruh variasi mode slice thickness menunjukkan perbedaan yang tidak signifikan, dengan besar le; 0.5 mm. Perbedaan hasil pergerakan posisi yang diperoleh antara dua software yang digunakan tidak lebih dari 0.5 mm.

---

ABSTRACTMVCT is an imaging modality which is integrated by Tomotherapy using 3.5 MV energy that has a large enough contribution to provide an optimal therapeutic in Tomotherapy. The purpose of this study is to evaluate the image quality, dose estimation, and verification of the position on MVCT imaging. In this study, MVCT evaluation was performed with three variations of the slice thickness mode that is fine, normal, and coarse. Image quality testing was performed using Catphan 600 phantom. Dose estimation and position verification were performed using Rando phantom in three areas, there were head neck, thorax, and pelvic. Verification of the position was performed by providing several external markers at several points in each area and calculated with the help of two software, namely Tomotherapy software and 3D Slicer. The result of image quality evaluation obtained shows that all variations of slice thickness mode in MVCT are still within tolerable limits in accordance with AAPM TG 148. Estimated dose obtained shows that the largest dose was obtained in fine mode. In general, the estimated dose value which was obtained is in the range of 1 4 cGy for all areas at each measured OAR point which was measured. Movement of position obtained for all variations of slice thickness mode shows insignificant difference, with value le 0.5 mm. The difference of result obtained between the two software used is no more than 0.5 mm."

"Citra gelap (low light images) merupakan citra yang diambil pada kondisi pencahayaan yang rendah, sehingga menimbulkan noise secara acak dan distorsi warna. Noise dan distorsi ini membuat informasi pada citra berkurang yang menjadi kendala bagi sistem berbasis computer vision selanjutnya. Oleh karena itu, dapat dilakukan peningkatan kualitas citra gelap untuk meningkatkan kualitas informasi yang terkandung di dalamnya. Zero-DCE merupakan suatu model deep learning yang dikembangkan untuk melakukan peningkatan kualitas citra gelap dengan memanfaatkan struktur U-net dan perumusan loss function tanpa membutuhkan data citra berpasangan pada proses pembelajaran model. Pada penelitian ini, dilakukan berbagai eksperimen untuk mengoptimisasi performa model Zero-DCE meliputi percobaan trainable parameter weight loss, modifikasi color constancy loss, pemanfaatan bilateral filter dan proses hyperparameter tuning. Pengujian performa model optimisasi Zero-DCE dilakukan terhadap beberapa dataset, yaitu dataset LOL, SICE Part 1 dan Dark Face. Analisis dilakukan secara kuantitatif dan kualitatif pada citra hasil model optimisasi Zero-DCE dibandingkan dengan citra hasil model Zero-DCE. Pada experimen pada model Zero-DCE dengan trainable parameter weight loss, terlihat bahwa nilai optimal loss pada proses training model Zero-DCE tidak menghasilkan peningkatan kualitas citra gelap yang lebih baik. Pada eksperimen pada model dengan modifikasi color constancy loss dan hyperparameter tuning terlihat bahwa hasil model optimisasi zero-DCE lebih baik dibandingkan model Zero-DCE dalam analisis kuantitatif pada beberapa metrik. Namun jika dilakukan analisis secara kualitatif, tidak terdapat perbedaan hasil yang besar jika model dimanfaatkan dalam berbagai tugas seperti face detection dikarenakan perbedaan hanya terdapat pada adanya noise serta warna citra. Eksperimen juga berusaha meningkatkan performa lebih jauh menggunakan bilateral filter pada tahap terakhir. Pemanfaatan bilateral filter dapat disesuaikan terhadap karakteristik masukan citra. Jika citra memiliki banyak noise dan detail citra yang rendah akan lebih baik memanfaatkan post processing bilateral filter dibandingkan citra masukan yang memiliki banyak detail penting.

---

A low-light image is an image that was taken in an environment that lacks sufficient lighting, resulting in random noise and color distortion. This noise and distortion results in the lack of information in the image that becomes a hindrance for later computer vision models or systems. Thus, low light image enhancement is necessary to try to recover the missing information in the image. Zero-DCE is a deep learning model designed to improve the quality of low light image by utilizing the U-net structure and loss function formulation without requiring paired image data in the model learning process. In this research, various experiments were conducted to optimize the performance of the Zero-DCE model, including adjusting the trainable parameter weight loss, modifying color constancy loss, utilizing bilateral filter, and tuning hyperparameters. The performance of the optimized Zero-DCE model was tested on several datasets, namely the LOL, SICE Part 1, and Darkface datasets. The analysis is done quantitatively and qualitatively and the image of the optimized Zero-DCE model is compared to the image of the Zero-DCE model. The experimental results show that the trainable parameter weight loss, the evaluation results showed that the optimal loss value in the training process of the Zero-DCE model does not guarantee better low-light image enhancement results. Modifying the calculation of color constancy loss calculation and tuning hyperparameter experiments show that the results of the optimized Zero-DCE model are better than the Zero-DCE model in terms of certain quantitative metrics. However, when analyzed qualitatively, there is no big difference in results particularly in tasks like face detection because the difference only exists in terms of noise presence and image color. To further enhance the image, this experiment also employed the bilateral filter at the last step. The utilization of bilateral filters can be adjusted according to the characteristics of the input image. If the image contains a lot of noise and low image detail, utilizing bilateral filter would be more beneficial compared to images with important details."

"Kabut merupakan fenomena alami yang diakibatkan oleh keberadaan partikel kecil di atmosfer. Kabut yang ada di atmosfer dapat mengurangi kontras dan mendistorsi warna hasil citra yang diambil dalam kondisi alami. Keberadaan kabut pada citra sangat mengganggu aplikasi computer vision maupun fotografi konsumen. Sebagian besar algoritma computer vision memerlukan citra yang jernih untuk dapat berfungsi dengan baik, sehingga diperlukanlah teknik untuk menghilangkan kabut dari citra. Image dehazing bertujuan untuk memulihkan citra jernih dari citra yang dirusak oleh kabut. Image dehazing dapat dilakukan menggunakan model machine learning. Dewasa ini, banyak model machine learning yang digunakan berbasiskan arsitektur Vision Transformer. Penelitian sebelumnya mengenai Vision Transformer menunjukkan bahwa model Transformer dapat berkinerja lebih baik dibandingkan model state-of-the-art ResNet untuk image recognition jika dilatih menggunakan dataset yang besar. Pada penelitian ini, model Uformer dilatih menggunakan dataset citra berkabut dengan ukuran yang besar. Dilakukan juga implementasi Restormer untuk sebagai model alternatif untuk merestorasi citra berkabut. Pengujian kinerja model Uformer dan Restormer dilakukan menggunakan dataset HAZE dan RESIDE. Analisis terhadap model dilakukan secara kualitatif, kuantitatif, dan cross-dataset. Hasil evaluasi model Uformer dan Restormer dibandingkan dengan model Mod PDR-Net Based Conditional Generative Adversarial Network. Evaluasi hasil Uformer dan Restormer menunjukkan bahwa model berbasis Transformer dapat menyaingi Mod PDR-Net Based CGAN untuk restorasi citra berkabut pada dataset testing, namun tidak dapat mengungguli model tersebut dalam pengujian cross-dataset.

---

Haze is a natural phenomenon caused by the presence of small particles in the atmosphere. Haze present in the atmosphere can reduce the contrast and distort the color of images taken under natural conditions. The presence of haze in an image is detrimental to computer vision applications and consumer photography. Most computer vision algorithms require clear images to function properly, hence the need for techniques to remove haze from images. Image dehazing aims to recover a clear image from an image corrupted by haze. Image dehazing can be done using machine learning models. Nowadays, many machine learning models used for dehazing are based on the Vision Transformer architecture. Previous research on Vision Transformer shows that the Transformer model can perform better than the state-of-the-art ResNet model for image recognition when trained using large datasets. In this research, the Uformer model is trained using large dataset of hazy images. Restormer is also implemented as an alternative model for restoring hazy images. Performance testing of the Uformer and Restormer models was conducted using the HAZE and RESIDE datasets. The models were analyzed qualitatively, quantitatively, and through cross-dataset. The evaluation results of the Uformer and Restormer models are compared with the Mod PDR-Net Based Conditional Generative Adversarial Network model. The evaluation of the Uformer and Restormer shows that Transformer-based models can rival Mod PDR-Net Based CGAN for image dehazing on the testing dataset, but cannot outperform the model in cross-dataset testing."