Lane Detection For Autonomous Vehicles Using Deep Learning Strategies. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF KFUPM_Thesis__Lane_Detection_Ali Elborki.pdf - Accepted Version Restricted to Repository staff only until 2 June 2025. Download (4MB)

Arabic Abstract

كشف المسار هو مكون أساسي في أنظمة القيادة الذاتية، وهو ضروري للتنقل الآمن والمساعدة للسائق. تبحث هذه الأطروحة في تقنيات كشف المسار المتقدمة باستخدام استراتيجيات التعلم العميق لتحسين الدقة والمتانة في ظل ظروف متنوعة. نقوم بدمج Vision Transformers (ViT)، وDense Prediction Transformers (DPT)، وشبكات الهرم التقلصي للميزات(FSPNet) داخل هيكلية CLRNet. تتضمن تجاربنا استخدام هذه النماذج كخلفيات ودمج ViT مع وحدة تعزيز الرموز غير المحلية (NL-TEM) من FSPNet. قمنا بتقييم أداء هذه النماذج على مجموعتي بيانات CULane وTuSimple باستخدام مقاييس مثل درجة F1 والدقة وسرعة المعالجة. حقق نموذج ViTCLRNet الأداء الأعلى، مقدمًا توازنًا مثاليًا بين الدقة والكفاءة الحسابية. تساهم هذه الأبحاث في تقديم نموذج قوي لكشف المسار، وتوفير رؤى عملية للتنفيذ، واقتراح اتجاهات بحث مستقبلية لتعزيز تقنيات القيادة الذاتية. الكلمات المفتاحية: كشف المسار، السيارات الذاتية، التعلم العميق، محولات الرؤية، CLRNet، CULane،TuSimple

English Abstract

Lane detection is a fundamental component of autonomous driving systems, essential for vehicle navigation and driver assistance. This thesis investigates advanced lane detection techniques using deep learning strategies to improve accuracy and robustness under varying conditions. We integrate Vision Transformers (ViT), Dense Prediction Transformers (DPT), and Feature Shrinkage Pyramid Networks (FSPNet) within the CLRNet architecture. Our research includes four experiments: using ViT, DPT, and FSPNet as backbones, and combining ViT with the Non-Local Token Enhancement Module (NL-TEM) from FSPNet. The performance of these models is evaluated on the CULane and TuSimple datasets, using metrics such as F1-score, accuracy, and processing speed. Results indicate that while ViTs show promise, the ViTCLRNet model, which integrates ViT and NL-TEM, achieves the highest performance, offering an optimal balance of accuracy and computational efficiency. This research contributes to the field by presenting a robust lane detection model, providing practical implementation insights, and suggesting avenues for future research to further enhance autonomous driving technologies. Keywords: Lane Detection, Autonomous Vehicles, Deep Learning, Vision Transformers, CLRNet, CULane, TuSimple

Item Type:	Thesis (Masters)
Subjects:	Computer
Department:	College of Computing and Mathematics > Information and Computer Science
Committee Advisor:	Anwar, Saeed
Committee Members:	Usman, Muhammad and Azzedin, Farag Ahmed
Depositing User:	ALI ELBORKI (g202110570)
Date Deposited:	03 Jun 2024 08:07
Last Modified:	03 Jun 2024 08:07
URI:	http://eprints.kfupm.edu.sa/id/eprint/142905