تشخیص خط در ماشین های خودران با استفاده از یادگیری عمیق

خطوط جاده به‌عنوان عناصر حیاتی در سیستم‌های ادراک بصری خودروهای هوشمند، نقشی کلیدی در تضمین ناوبری ایمن ایفا می‌کنند و برای سیستم‌های رانندگی خودران و فناوری‌های پیشرفته کمک‌راننده (adas) ضروری هستند. با این حال، دستیابی به دقت بالا در تشخیص خطوط جاده در شرایط چالش‌برانگیز مانند سایه، ازدحام و خطوط محو، همراه با حفظ کارایی بلادرنگ، یک چالش کلیدی است. در این پژوهش، یک معماری سبک‌وزن ارائه شده است که با تلفیق راهبردهای نوآورانه، عملکرد تشخیص خطوط جاده را در شرایط پیچیده ارتقا می‌دهد. هسته اصلی این معماری، ادغام هدفمند ماژول توجه کانالی-فضایی (cbam) در لایه‌های میانی شبکه 34 resnet- است که امکان تقویت ویژگی‌های مرتبط را فراهم می‌سازد. همچنین، با بهره‌گیری از تکنیک پیشرفته تقطیر دانش با الهام از مدل clrkdnet، به دقت تشخیص بالا و کارایی بلادرنگ دست یابد. ارزیابی روی مجموعه‌داده culane نشان داد که روش پیشنهادی به امتیاز f1 معادل 80.20% دست یافته است، که برتری نسبت به مدل‌های مطرح را نشان می‌دهد. این چارچوب نوآورانه با اولویت‌بندی دقت بالا و حفظ کارایی بلادرنگ، پتانسیل بالایی برای کاربرد در سیستم‌‌های پیشرفته کمک راننده و وسایل نقلیه خودران ارائه می‌دهد.

lane detection for self-driving cars using deep learning

road lane , as critical elements in the visual perception systems of intelligent vehicles, play a key role in ensuring safe navigation and are essential for autonomous driving systems and advanced driver-assistance systems (adas). however, achieving high accuracy in lane detection under challenging conditions such as shadows, traffic congestion, and faded lane , while maintaining real-time performance, remains a major challenge.in this study, a lightweight architecture is proposed that enhances lane detection performance in complex scenarios by integrating innovative strategies. the core of this architecture is the targeted integration of a channel–spatial attention module (cbam) into the intermediate layers of resnet-34, which enables the enhancement of relevant features. furthermore, by leveraging advanced knowledge distillation techniques inspired by the clrkdnet model, the proposed method achieves both high detection accuracy and real-time efficiency. evaluation on the culane dataset demonstrated that the proposed method achieves an f1 score of 80.20%, showing superiority over existing models. this innovative framework, prioritizing high accuracy while maintaining real-time performance, exhibits significant potential for application in advanced driver-assistance systems and autonomous vehicles