Widget HTML Atas


Beranda / comvis / comvis23

Inilah 40 topik penelitian sederhana tentang computer vision

Oleh Webmaster

Topik Penelitian Computer Vision

Berikut ini adalah 40 Topik Penelitian sederhana yang dapat di Amati dan di Tiru untuk meningkatkan kemampuan dan pemahaman kita:

  1. Deteksi Wajah Otomatis menggunakan Haar Cascades Classifier
  2. Pengenalan Emosi Wajah dengan Convolutional Neural Network (CNN)
  3. Pengenalan Tanda Tangan pada Dokumen Menggunakan Feature Extraction dengan Metode SIFT
  4. Pengenalan Ciri-Ciri Tubuh pada Olahraga Basket Menggunakan Optical Flow
  5. Segmentasi Warna pada Citra Digital dengan Metode K-Means Clustering
  6. Identifikasi Ekspresi Wajah pada Anak-Anak dengan Metode AdaBoost
  7. Deteksi Gerakan Mata pada Video Menggunakan Metode Optical Flow
  8. Identifikasi Tanda Tangan Palsu pada Dokumen dengan Metode Bag of Visual Words
  9. Deteksi Objek Menggunakan Metode YOLO (You Only Look Once)
  10. Pengenalan Bahasa Isyarat pada Video Menggunakan Deep Learning
  11. Segmentasi Objek pada Citra Medis dengan Metode Region-Based Active Contours
  12. Identifikasi Kematian Sel pada Mikroskop Menggunakan Metode Watershed
  13. Deteksi Tanda-Tanda Kanker pada Mammogram dengan Metode Convolutional Neural Network (CNN)
  14. Rekonstruksi Citra pada Sistem CT Scan dengan Metode Filtered Backprojection
  15. Identifikasi Orang dengan Metode Eigenface dan Fisherface pada Sistem Keamanan
  16. Pengenalan Suara pada Citra Video dengan Metode Spatiotemporal Features
  17. Pemrosesan Citra Medis dengan Metode Deep Learning dan Transfer Learning
  18. Deteksi Gempa Bumi pada Citra Seismik dengan Metode K-Means Clustering
  19. Pengenalan Kamera CCTV dengan Metode Background Subtraction
  20. Identifikasi Dedaunan pada Citra Digital dengan Metode Support Vector Machine (SVM)
  21. Analisis Sentimen pada Gambar dengan Metode Convolutional Neural Network (CNN)
  22. Deteksi Gerakan pada Video CCTV dengan Metode Background Subtraction
  23. Segmentasi Citra pada Pemodelan 3D dengan Metode Stereo Vision
  24. Identifikasi Tanda Tangan pada Dokumen dengan Metode Neural Networks
  25. Pengenalan Objek pada Citra Digital dengan Metode HOG (Histogram of Oriented Gradients)
  26. Identifikasi Orang pada Citra Digital dengan Metode Viola-Jones
  27. Pengenalan Tanda Tangan pada Dokumen dengan Metode Principal Component Analysis (PCA)
  28. Segmentasi Objek pada Citra Digital dengan Metode Mean Shift
  29. Identifikasi Penderita Katarak pada Citra Mata dengan Metode Convolutional Neural Network (CNN)
  30. Pengenalan Suara pada Citra Video dengan Metode Deep Belief Network (DBN)
  31. Deteksi Fase pada Citra Sel Darah dengan Metode Watershed
  32. Identifikasi Pengunjung pada CCTV dengan Metode Eigenface
  33. Segmentasi Citra pada Pemodelan 3D dengan Metode Depth-Map Based Stereo Vision
  34. Pengenalan Wajah pada Video dengan Metode Active Appearance Model (AAM)
  35. Analisis Kualitas Produk pada Citra Digital dengan Metode Quality Index
  36. Deteksi Pada Citra Radiografi dengan Metode Convolutional Neural Network (CNN)
  37. Identifikasi Kendaraan pada Citra CCTV dengan Metode Deep Learning
  38. Pengenalan Bahasa Isyarat pada Citra Digital dengan Metode SIFT dan SURF
  39. Identifikasi Posisi Kepala pada Citra Video dengan Metode Facial Landmarks Detection
  40. Analisis Warna pada Citra dengan Metode Color Segmentation


Metode yang digunakan pada setiap topik penelitian dapat bervariasi tergantung pada tujuan dari penelitian tersebut. Beberapa metode yang sering digunakan dalam computer vision antara lain:

  • Haar Cascades Classifier
  • Convolutional Neural Network (CNN)
  • Feature Extraction dengan Metode SIFT (Scale-Invariant Feature Transform)
  • Optical Flow
  • K-Means Clustering
  • AdaBoost
  • Bag of Visual Words
  • YOLO (You Only Look Once)
  • Deep Learning
  • Region-Based Active Contours
  • Watershed
  • Filtered Backprojection
  • Eigenface dan Fisherface
  • Spatiotemporal Features
  • Transfer Learning
  • Support Vector Machine (SVM)
  • Histogram of Oriented Gradients (HOG)
  • Viola-Jones
  • Principal Component Analysis (PCA)
  • Mean Shift
  • Deep Belief Network (DBN)
  • Active Appearance Model (AAM)
  • Depth-Map Based Stereo Vision
  • Facial Landmarks Detection
  • Color Segmentation


Referensi:

  1. Viola, P., & Jones, M. J. (2001). Rapid object detection using a boosted cascade of simple features. Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. CVPR 2001, 1, I-I.
  2. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
  3. Lowe, D. G. (2004). Distinctive image features from scale-invariant keypoints. International journal of computer vision, 60(2), 91-110.
  4. Horn, B. K., & Schunck, B. G. (1981). Determining optical flow. Artificial intelligence, 17(1-3), 185-203.
  5. MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1, 281-297.
  6. Freund, Y., & Schapire, R. E. (1995). A desicion-theoretic generalization of on-line learning and an application to boosting. In European conference on computational learning theory (pp. 23-37). Springer, Berlin, Heidelberg.
  7. Csurka, G., Dance, C. R., Fan, L., Willamowski, J., & Bray, C. (2004). Visual categorization with bags of keypoints. Workshop on statistical learning in computer vision, ECCV, 1(1-2), 1-2.
  8. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE conference on computer vision and pattern recognition, 779-788.
  9. Deng, L., & Yu, D. (2014). Deep learning: methods and applications. Foundations and Trends® in Signal Processing, 7(3-4), 197-387.
  10. Caselles, V., Kimmel, R., & Sapiro, G. (1997). Geodesic active contours. International journal of computer vision,