شماره ركورد
33947
پديد آورنده
كيميا كامياب
عنوان
تشخيص خطوط جاده در خودروهاي خودران با استفاده از شبكه هاي يادگيري عميق
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي برق- سيستمهاي الكترونيك ديجيتال
سال تحصيل
1400
تاريخ دفاع
1403/7/15
استاد راهنما
دكتر احمد آيت الهي
استاد مشاور
دكتر عبدالله اميرخاني
دانشكده
برق
چكيده
رانندگي خودمختار به يك سيستم ادراك قوي و كارآمد براي تشخيص دقيق خطوط خطوط و شناسايي مناطق قابل رانندگي نياز دارد كه براي ناوبري ايمن بسيار مهم هستند.در اين تحقيق ما يك مدل چند وظيفهاي جديد كه براي انجام تقسيمبندي خط خط و تقسيمبندي منطقه قابل رانندگي به طور همزمان طراحي شده است را معرفي ميكنيم. مدل پيشنهادي ما با استفاده از مدل EfficientVit از يك رمزگذار مبتني بر ترانسفورماتور براي استخراج ويژگي استفاده مي كند، همراه با دو رمزگشا كه براي هر كار خاص بهينه شده اند اين مدل را DualEfficientVit نامگذاري كردهايم. مدل ما عملكرد برتر را در مجموعه داده چالش برانگيز BDD100K نشان مي دهد و معيارهاي جديدي را براي دقت و سرعت در هر دو كار تعيين مي كند.در ادامه تحقيق با ارائه مجموعه داده جديدي از مجموعه داده موجود IADD و ارائه برچسب هاي مناسب براي وظايف مورد نظرمان امكان بررسي مدل را در شرايط خيابانهاي ايران فراهم كرديم. براي اصلاح بيشتر DualEfficientVit، ما تنظيمات دقيقي را بر روي اين مجموعه داده محلي سفارشي متناسب با محيط هاي رانندگي خاص انجام داديم. اين فرآيند تنظيم دقيق به مدل اجازه مي دهد تا با شرايط جاده منحصر به فرد سازگار شود و قابليت هاي تعميم آن را بهبود بخشد. براي حمايت از اين موضوع، مجموعه داده جديدي را معرفي ميكنيم كه بهطور خاص براي تقسيمبندي خط و منطقه قابل رانندگي در سناريوهاي مختلف رانندگي ايجاد شده است. تمامي آموزشها با استفاده از پردازندههاي گرافيكي P100 Kaggle انجام شد و امكان آموزش و بهينهسازي كارآمد را فراهم كرد. آزمايشهاي گسترده ما نشان ميدهد كه DualEfficientVit نه تنها در مجموعه دادههاي BDD100K برتري مييابد، بلكه از طريق تنظيم دقيق با محيطهاي جديد به طور مؤثر سازگار ميشود. اين آن را به يك راه حل همه كاره براي وظايف ادراك رانندگي خودمختار تبديل مي كند كه هم دقت بالا و هم قابليت پردازش در زمان واقعي را ارائه مي دهد.
تاريخ ورود اطلاعات
1404/08/17
عنوان به انگليسي
Lane Detection in Autonomous Driving Using Deep Learning Methods
تاريخ بهره برداري
10/7/2025 12:00:00 AM
دانشجوي وارد كننده اطلاعات
كيميا كامياب
چكيده به لاتين
Autonomous driving relies on a robust and efficient perception system capable of accurately segmenting lane lines and drivable areas, both of which are essential for safe vehicle navigation. This work introduces DualEfficientViT, a novel dual-task model designed to simultaneously perform lane line segmentation and drivable area segmentation. The proposed architecture employs a single transformer-based encoder for unified feature extraction, followed by two task-specific decoders optimized for each segmentation objective. DualEfficientViT demonstrates superior performance on the challenging BDD100K dataset, establishing new benchmarks in both accuracy and inference speed. To further enhance adaptability to diverse driving conditions, the model was fine-tuned on a custom local dataset, IADD-Lane, derived from the IADD dataset and enriched with detailed lane line and drivable area annotations across varied driving scenarios. This fine-tuning process, executed using NVIDIA P100 GPUs, enables the model to generalize effectively to novel environments and road conditions. Experimental results indicate that DualEfficientViT achieves a processing speed of 87 FPS with a model size of only 0.72M parameters, outperforming existing state-of-the-art models in both efficiency and performance. Furthermore, it attains a mean Intersection over union (mIoU) of 90.5% for drivable area segmentation, demonstrating competitiveness with models such as YOLOP. These results highlight the potential of DualEfficientViT as a versatile and real-time solution for perception tasks in autonomous driving systems.
كليدواژه هاي فارسي
تقسيم بندي معنايي , خودروخودران , شبكه سبك وزن , يادگيري چند وظيفه اي
كليدواژه هاي لاتين
multi-task learning , lightweight networks , semantic segmentation , Autonomous driving
Author
Kimia Kamiyab
SuperVisor
Ahmad Ayatollahi