Mengenali bentuk dan gambar cukup
kompleks untuk komputer pada permukaan 2D (flat). Ketika sampai pada pengenalan
objek 3D, keadaan menjadi jauh lebih sulit karena bentuk objek berubah secara
dramatis pada berbagai sudut, jarak dan kondisi pencahayaan – hanya memikirkan
selembar kertas seperti pinggiran jalan jika dibandingkan secara penuh, atau
bagaimana sebuah pohon terlihat sangat berbeda saat berbunga atau saat semua
daunnya telah jatuh.
Laboratorium seperti Australian Centre for
Visual Technologies di kampus University of Adelaide sedang
mengerjakan visualisasi objek 3D yang canggih dan pengakuan untuk berbagai
aplikasi seperti 3D scanning, augmented reality, robotic dan autonomous driving
dengan bantuan akselerator NVIDIA Tesla GPU. GPU memproses sejumlah besar
pesanan data yang besarnya lebih cepat dari pada CPU tradisional, dan
memberikan horsepower untuk menjalankan simulasi kompleks lebih cepat dari
sebelumnya.
University of Adelaide, sebagai salah
satu universitas riset terkemuka di Australia, menggunakan pembelajaran mesin, artificial
intelligence (AI) dan berbagai teknik seperti structure from motion (SfM) untuk
memastikan bahwa sistem cerdas seperti robot atau mobil yang dapat mengemudi
sendiri dapat menganalisis secara akurat tiap kejadian yang mereka alami. Tanpa
kemampuan ini, adalah mustahil bagi mobil untuk dapat membedakan kendaraan dari
pejalan kaki atau untuk memutuskan dimana jalan berakhir dan tepi jalan dimulai.
Ravi Garg, Senior Research Associate,
Australian Centre for Visual Technologies, The University of Adelaide, menjelaskan
bahwa kejadian-kejadian dapat dipecah menjadi bentuk geometris yang kemudian
dapat di identifikasi sebagai objek tidak peduli bagaimana mereka diputar. Setelah
berbagai property seperti ukuran, kecepatan dan arah gerakan ditugaskan pada
suatu objek, sistem cerdas seperti robot atau sebuah mobil dapat bereaksi
dengan tepat. Bahkan mungkin bagi sistem semacam itu untuk Merekonstruksi objek 3D dari pandangan terbatas sebuah adegan.
“Latar belakang saya sebagian besar
terkait dengan struktur dari gerakan dimana kita melihat banyak gambar dari
berbagai sudut pandang,” ujar Garg. “Yang ingin kita lakukan adalah memahami
geometri sebuah adegan. Apa yang sedang kita kerjakan sekarang adalah tidak
hanya menggunakan pembelajaran mesin dan AI sebagai alat untuk memberikan
input, output dan mengembangkan pemetaan, tetapi juga untuk melihat bagaimana
kita dapat mencapai hasil yang konsisten dalam situasi baru dan menghasilkan
lebih banyak wawasan tentang pembelajaran.”
Garg bekerja dengan Professor Ian Reid dalam proyek Laureate Fellowship yang diberinama “Lifelong Computer Vision Systems”. Proyek ini bertujuan untuk mengembangkan
sistem penglihatan komputer yang kuat yang dapat beroperasi di wilayah yang
luas dan dalam waktu yang lama, seiring dengan perubahan lingkungan dari waktu
ke waktu.
Tujuan akhirnya menurut Garg, adalah
untuk menciptakan sistem pembelajaran mandiri yang dapat mengumpulkan dan
menganalisa adegan secara otomatis. “Di University of Adelaide, kami sedang
mengerjakan sistem pembelajaran tanpa pengawasan yang sangat sesuai utnuk
perawatan kesehatan, dimana ada ketergantungan yang tinggi pada para ahli untuk
pengambilan keputusan. Alih-alih meminta pakar untuk mendiagnosis jutaan titik
data, kami dapat memberikan skrining awal terhadap sejumlah besar data medis. Kita
dapat memiliki sistem yang dapat membantu dokter mengklasifikasi tumor atau
bahkan membantu operasi invasif,” ujar Garg.
Penelitian Garg dimungkinkan melalui state-of-the-art horsepower dari supercomputer
universitas Phoenix, yang mulai beroperasi pada tahun 2016. Supercomputer ini
berbasis pada teknologi Lenovo dan didukung oleh akselerator GPU NVIDIA Tesla,
untuk menangani beban kerja komputasi berperforma tinggi (high performance
computing (HPC)). Phoenix telah mengurangi waktu yang dihabiskan untuk menunggu
sumber daya HPC di University of Adelaide dan mendapatkan hasil penelitian yang
lebih cepat.
.jpg)
0 komentar:
Posting Komentar