Exploring Pedestrian Detection on the Caltech Pedestrian Dataset under Noise and Brightness Augmentations with YOLOv8 and Faster R-CNN

Raditya Indrastata Hartawan, Muhammad Idham Ananta Timur, M.Kom.

2024 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Penelitian ini mengeksplorasi dampak augmentasi citra, khususnya noise salt-and-pepper dan variasi kecerahan, terhadap performa deteksi pejalan kaki menggunakan model YOLOv8 dan Faster R-CNN. Deteksi pejalan kaki merupakan tugas penting dalam kendaraan otonom dan aplikasi keselamatan lainnya, namun kondisi dunia nyata seperti ketidakkonsistenan pencahayaan dan noise pada sensor menjadi tantangan yang signifikan. Dengan menggunakan Caltech Pedestrian Dataset, penelitian ini mengevaluasi bagaimana augmentasi tersebut memengaruhi akurasi deteksi, kecepatan, dan generalisasi. Studi ini berharap dapat menyoroti peran augmentasi dalam mengembangkan sistem deteksi pejalan kaki yang lebih baik, sehingga berkontribusi pada aplikasi dunia nyata yang lebih aman dan efisien.

This research explores the impact of image augmentation, specifically salt-and-pepper noise and brightness variation, on pedestrian detection performance using YOLOv8 and Faster R-CNN models. Pedestrian detection is an important task in autonomous vehicles and other safety applications, but real-world conditions such as lighting inconsistency and sensor noise pose significant challenges. Using the Caltech Pedestrian Dataset, this study evaluates how such augmentation affects detection accuracy, speed, and generalization. This study hopes to highlight the role of augmentation in developing better pedestrian detection systems, thus contributing to safer and more efficient real-world applications.

Kata Kunci : Pedestrian detection, image augmentation, YOLOv8, Faster-RCNN