<![CDATA[Deteksi objek kecil pada citra maritim berbasis Unmanned Aerial Vehicle (UAV) merupakan tantangan krusial dalam operasi keselamatan maritim dan Search and Rescue (SAR) akibat kondisi visual laut yang kompleks. Penelitian ini mengusulkan peningkatan arsitektur YOLOv11n melalui integrasi Bidirectional Feature Pyramid Network (BiFPN) untuk memperkuat representasi fitur multi-skala, dan Convolutional Block Attention Module (CBAM) untuk meningkatkan selektivitas fokus terhadap noise latar belakang. Berdasarkan eksperimen pada dataset SeaDronesSee, model yang ditingkatkan (YOLOv11n+BiFPN+CBAM) terbukti memberikan kinerja paling baik dengan mAP50-95 mencapai 0.450 (meningkat 9,2% dari model standar) dan peningkatan Precision tertinggi hingga 0.910,. Hasil ini mengindikasikan bahwa integrasi kedua modul berhasil menekan tingkat deteksi palsu (false positive) secara signifikan dibandingkan penggunaan modul tunggal. Meskipun integrasi ini meningkatkan beban komputasi dengan latensi 16.51 ms, sistem tetap mampu beroperasi pada kecepatan 60.58 FPS, dua kali lipat di atas standar minimum real-time (30 FPS). Penelitian ini menyimpulkan bahwa penggabungan mekanisme fusi fitur dan atensi visual menawarkan trade-off paling optimal antara kinerja tinggi dan efisiensi sistem deteksi real-time, menjadikannya solusi andal untuk deteksi objek pada domain maritim yang membutuhkan kepastian deteksi tinggi.]]>
Copyrights © 2025
