Otomatisasi Pewarnaan Citra Monokrom dengan Metode Generative Adversarial Network

Authors

  • Fajar Andhika Putra UPN "V" Jawa Timur
  • Eva Yulia Puspaningrum Universitas Pembangunan Nasional “Veteran” Jawa Timur
  • Wahyu SJ Saputra Universitas Pembangunan Nasional “Veteran” Jawa Timur

DOI:

https://doi.org/10.33005/santika.v1i0.37

Keywords:

Deep Learning, SAGAN, Pewarnaan Otomatis, Citra Monokrom, Spectral Normalization

Abstract

Sistem pewarnaan otomatis pada citra greyscale diperlukan agar perbaikan pada citra monokrom dapat dilakukan secara cepat dan tanpa keahlian khusus. Dalam pengimplementasian sistem ini terdapat beberapa kendala seperti domain warna pada satu objek bisa sangat beragam, dimana setiap benda bisa memiliki lebih dari 1 kemungkinan warna. Pada penelitian ini penulis menggunakan SAGAN untuk melakukan pewarnaan otomatis pada dataset Hackaton Blossom (Flower Classification) yang bisa diakses pada situs resmi Kaggle, data ini berisikan citra 102 spesies bunga dengan jumlah data sebanyak 6500 data tes, 1000 data test dan 100 data validasi. SAGAN dipilih sebagai metode yang digunakan karena diklaim dapat menyelesaikan masalah image-to-image translation seperti style transfer, dan image colorization. Pada penelitian ini penulis berhasil mengimplementasikan dan melatih model SAGAN yang konvergen dengan memanfaatkan spectral normalization, selain itu penulis menambahkan SSIM loss untuk mengurangi munculnya artifact pada citra yang dihasilkan, model dilatih hingga 50 epoch dan berhasil memperoleh nilai PSNR diantara 51 dB hingga 73 dB dengan rata-rata nilai PNSR sebesar 61 dB.

References

[1] SRI SUCI GIANA, “No Title,” Universitas Islam Negeri Sultan Syarif Kasim, 2014.
[2] J. C. Russ, The Image Processing Handbook, Sixth Edition, 6th ed. CRC Press, 2011.
[3] A. Deshpande, J. Rock, and D. Forsyth, “Learning Large-Scale Automatic Image Colorization,” Dec. 2015.
[4] R. Zhang, P. Isola, and A. A. Efros, “Colorful Image Colorization.” 2016.
[5] Y. Cao, Z. Zhou, W. Zhang, and Y. Yu, “Unsupervised Diverse Colorization via Generative Adversarial Networks.” 2017.
[6] H. Zhang, I. Goodfellow, D. Metaxas, and A. Odena, “Self-Attention Generative Adversarial Networks.” 2019.
[7] S. HACKATHONERS, “Hackathon Blossom (Flower Classification),” 2019. https://www.kaggle.com/spaics/hackathon-blossom-flower-classification.
[8] P. Sangkloy, J. Lu, C. Fang, F. Yu, and J. Hays, “Scribbler: Controlling Deep Image Synthesis with Sketch and Color.” 2016.
[9] X. Wang and A. Gupta, “Generative Image Modeling using Style and Structure Adversarial Networks.” 2016.
[10] P. Isola, J.-Y. Zhu, T. Zhou, and A. A. Efros, “Image-to-Image Translation with Conditional Adversarial Networks.” 2018.
[11] L. Galteri, L. Seidenari, M. Bertini, and A. Del Bimbo, “Deep Generative Adversarial Compression Artifact Removal.” 2017.
[12] D. Seo, Y. Kim, Y. D. Eo, and W. Park, “Learning-Based Colorization of Grayscale Aerial Images Using Random Forest Regression,” Appl. Sci., vol. 8, p. 1269, 2018, doi: 10.3390/app8081269.

Downloads

Published

2020-11-01

How to Cite

Putra, F. A., Puspaningrum, E. Y., & Saputra, W. S. (2020). Otomatisasi Pewarnaan Citra Monokrom dengan Metode Generative Adversarial Network. Prosiding Seminar Nasional Informatika Bela Negara, 1, 137–141. https://doi.org/10.33005/santika.v1i0.37

Issue

Section

Articles

Most read articles by the same author(s)

Obs.: This plugin requires at least one statistics/report plugin to be enabled. If your statistics plugins provide more than one metric then please also select a main metric on the admin's site settings page and/or on the journal manager's settings pages.

Similar Articles

1 2 3 > >> 

You may also start an advanced similarity search for this article.