Kecerdasan buatan sudah berkembang di berbagai bidang. Perkembangan
semakin signifikan setelah Neural Networks mulai kembali populer.
Convolutional Neural Networks bekerja baik dalam menyelesaikan masalah
seperti klasifikasi, dan deteksi objek. Namun, model CNNs cenderung berfungsi
untuk menyelesaikan suatu masalah yang spesifik. Dalam kasus deteksi objek dan
pengenalan wajah sekaligus sulit membuat satu model yang bekerja baik.
NoonGil Lens
+
diharapkan dapat menjadi pendekatan yang dapat menyelesaikan
kedua masalah sekaligus. Selain menjadi solusi, diharapkan juga pendekatan ini
dapat mengurangi trade-off akurasi dan kecepatan eksekusi.
Pendekatan yang penulis ajukan dapat disebut Second Level Classfication,
sebuah sistem yang menghubungkan YOLOv3 dan FaceNet. Penulis hanya
mengembangkan model FaceNet dan sistem yang diajukan dalam penelitian ini
(NoonGil Lens
+
). Region Selection sebuah greedy approach berbasis
pembelajaran mesin diajukan untuk menentukan cuplikan gambar yang kemudian
digunakan FaceNet untuk klasifikasi identitas wajah. FaceNet dilatih dengan
dataset CelebA yang telah melewati proses preprocessing dan divalidasi
menggunakan dataset LFW. NoonGil Lens
xi
+
divalidasi menggunakan 70 gambar
dari 7 selebriti, karakter, dan atlet.
Secara umum, penelitian berhasil dilakukan. NoonGil Lens
dengan
menggunakan Region Selection mempunyai akurasi hingga 75.2%. Kecepatan
eksekusi Region Selection juga lebih baik jika dibandingkan Faces Cascade.