Otonom araçlar için derin öğrenme tabanlı şerit tespit modellerinin performans karşılaştırması
[ X ]
Date
2024
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Siirt Üniversitesi
Access Rights
info:eu-repo/semantics/openAccess
Abstract
Otonom sürüş sistemleri, modern ulaşım teknolojilerinin en önemli gelişmelerinden biri olarak kabul edilmektedir. Bu sistemlerin güvenli ve etkili bir şekilde çalışabilmesi için çevresel algılama ve özellikle şerit tespiti gibi kritik görevleri başarıyla yerine getirmesi gerekmektedir. Bu tez çalışması, otonom sürüş sistemlerinde şerit tespiti için derin öğrenme tabanlı yaklaşımları ele almaktadır. Bu tez çalışmasının temel amacı, U-Net, SCNN, ENet ve ENet-SAD gibi dört farklı derin öğrenme mimarisinin şerit tespit performansını karşılaştırmalı olarak analiz etmektir. Bu amaçla, hem yaygın olarak kullanılan TuSimple veri seti hem de özgün olarak oluşturulmuş bir veri seti kullanılmıştır. Modeller, doğruluk, hassasiyet, duyarlılık, F1-skoru ve IoU gibi çeşitli başarı metrikleri ile değerlendirilmiştir. Ayrıca, modellerin görsel çıktıları üzerinden nitel bir analiz de yapılmıştır. Elde edilen sonuçlar, SCNN modelinin her iki veri kümesi üzerinde de genel olarak en yüksek performansı gösterdiğini ortaya koymuştur. SCNN, özellikle karmaşık yol yapıları ve değişken koşullar altında şeritleri doğru bir şekilde tespit etme yeteneğiyle öne çıkmıştır. Bununla birlikte, SCNN'nin görece olarak yüksek işlem süresi, gerçek zamanlı uygulamalar için bir dezavantaj olarak kabul edilebilir. U-Net modeli ise SCNN'ye kıyasla daha düşük doğruluk oranına sahip olmasına rağmen, önemli ölçüde hızlı bir çıkarım süresi sunmuştur. Bu özellik, U-Net'i gerçek zamanlı uygulamalar için uygun bir aday haline getirmektedir. ENet ve ENet-SAD modelleri ise diğer iki modele kıyasla daha düşük performans göstermişlerdir. Ancak, daha hafif ve daha az hesaplama gücü gerektiren yapıları, kaynak kısıtlı ortamlarda kullanılmalarını mümkün kılmaktadır. Özgün veri kümesi üzerinde elde edilen sonuçlar, TuSimple veri kümesi üzerindeki sonuçlarla büyük ölçüde uyumluluk göstermiş ve modellerin performansının farklı veri kümeleri üzerinde de genellenebilir olduğunu göstermiştir. Bu tez çalışması, otonom sürüş teknolojisinin gelişimine ve şerit tespiti alanındaki araştırmalara katkı sağlayacağı düşünülmektedir.
Autonomous driving systems are recognized as one of the most significant advancements in modern transportation technologies. To ensure the safe and efficient operation of these systems, it is crucial that they excel in critical tasks, particularly environmental perception and lane detection. This thesis study addresses deep learning-based approaches for lane detection in autonomous driving systems. The primary objective of this thesis is to comparatively analyze the lane detection performance of four different deep learning architectures: U-Net, SCNN, ENet, and ENet-SAD. For this purpose, both the widely used TuSimple dataset and an originally created dataset were utilized. The models were evaluated using various performance metrics such as accuracy, precision, recall, F1-score, and IoU. Additionally, a qualitative analysis was conducted on the visual outputs of the models. The results revealed that the SCNN model generally demonstrated the highest performance on both datasets. SCNN particularly stood out with its ability to accurately detect lanes under complex road structures and variable conditions. However, SCNN's relatively high processing time can be considered a disadvantage for real-time applications. Although the U-Net model had a lower accuracy rate compared to SCNN, it offered a significantly faster inference time. This feature makes U-Net a suitable candidate for real-time applications. ENet and ENet-SAD models showed lower performance compared to the other two models. However, their lighter structure and lower computational power requirements make them suitable for use in resource-constrained environments. The results obtained on the original dataset showed great consistency with the results on the TuSimple dataset, demonstrating that the models' performance can be generalized across different datasets. This thesis study is expected to contribute to the development of autonomous driving technology and research in the field of lane detection.
Autonomous driving systems are recognized as one of the most significant advancements in modern transportation technologies. To ensure the safe and efficient operation of these systems, it is crucial that they excel in critical tasks, particularly environmental perception and lane detection. This thesis study addresses deep learning-based approaches for lane detection in autonomous driving systems. The primary objective of this thesis is to comparatively analyze the lane detection performance of four different deep learning architectures: U-Net, SCNN, ENet, and ENet-SAD. For this purpose, both the widely used TuSimple dataset and an originally created dataset were utilized. The models were evaluated using various performance metrics such as accuracy, precision, recall, F1-score, and IoU. Additionally, a qualitative analysis was conducted on the visual outputs of the models. The results revealed that the SCNN model generally demonstrated the highest performance on both datasets. SCNN particularly stood out with its ability to accurately detect lanes under complex road structures and variable conditions. However, SCNN's relatively high processing time can be considered a disadvantage for real-time applications. Although the U-Net model had a lower accuracy rate compared to SCNN, it offered a significantly faster inference time. This feature makes U-Net a suitable candidate for real-time applications. ENet and ENet-SAD models showed lower performance compared to the other two models. However, their lighter structure and lower computational power requirements make them suitable for use in resource-constrained environments. The results obtained on the original dataset showed great consistency with the results on the TuSimple dataset, demonstrating that the models' performance can be generalized across different datasets. This thesis study is expected to contribute to the development of autonomous driving technology and research in the field of lane detection.
Description
Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
Keywords
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
