Pengenalan Objek Fine-Grained Menggunakan Kombinasi Model NTS-Net dan SpinalNet

Peneliti: Nurhasanah dan I Gede Putra Kusuma Negara

Pengenalan objek fine-grained yaitu berusaha untuk mengenali objek yang memiliki keragaman intraclass yang besar dan kemiripan yang rendah dalam interclass. Untuk mengatasi masalah ini, menggunakan model sederhana mungkin sulit untuk menemukan bagian yang lebih diskriminatif. Semakin banyak bagian diskriminatif yang ditemukan akan membantu pengenalan gambar semakin baik. Oleh karena itu, kami mengusulkan model kombinasi yaitu NTS-Net dan SpinalNet untuk meningkatkan akurasi. Model yang terbagi menjadi dua bagian yaitu feature extractor dan classifier. Berbeda dari model dasar NTS-Net yang hanya menggunakan pre-trained ResNet50 dan single fully connected layer, model ini menggunakan dua pilihan feature extractor yaitu pre-trained ResNet50 dan ResNet101. Sedangkan classifier diganti menjadi SpinalNet dan ProgressiveSpinalNet. Dua classifier tersebut yang memanfaatkan kinerja spinal cord pada manusia. Layer pada SpinalNet atau ProgressiveSpinalNet dapat dianggap sebagai satu hidden layer, yang mana output dari layer terakhir merupakan input dari layer setelahnya. Penggunaan hyperparameter ketika fine-tuning juga mempengaruhi hasil akurasi dimana ditemukan bahwa dropout terbaik untuk pada pre-trained model sebesar 0,3. Begitu juga dengan dropout pada SpinalNet dan ProgressiveSpinalNet sebesar 0,3. Hasil yang diperoleh mampu mengungguli NTS-Net model pada tiga dataset yaitu Stanford Cars sebesar 94,8%, FGCV Aircraft sebesar 92%%, dan Bird275 sebesar 98,4%.