إن كشف الخطوط المرورية يُعدّ أمرًا بالغ الأهمية لتحديد موقع المركبة، مما يجعله الأساس لقيادة السيارات ذاتية والكثير من أنظمة المساعدة المتقدمة والذكية للقيادة. تُظهر الطرق الحالية القائمة على الرؤية لا تُستغل بالكامل الميزات القيّمة والمعلومات السياقية المجمعة، وبخاصة العلاقات المتبادلة بين خطوط الطرق والمناطق الأخرى في الصور عبر الإطارات المتتالية. ولسد هذه الفجوة البحثية وتحسين أداء كشف الخطوط، تقدم هذه الورقة_pipeline_ مكوّنة من التدريب المسبق الذاتي باستخدام المُعدِّل التلقائي التسلسلي المُغَمَّى، والضبط الدقيق باستخدام دالة PolyLoss المخصصة، للنماذج العصبية النهائية التي تعتمد على صور متعددة متتالية. يتم استخدام المُعدِّل التلقائي التسلسلي المُغَمَّى لتدريب النموذج العصبي مسبقًا، مع هدف إعادة بناء البكسلات المفقودة من صورة مُغَمَّاة عشوائيًا. ثم، في مرحلة الضبط الدقيق للفصل، حيث يتم تنفيذ كشف خطوط الطرق من خلال الفصل، تُستخدم الإطارات الصورية المتتالية كمدخلات، وتُنقل أوزان النموذج المُدرّب مسبقًا وتحديثها بشكل إضافي باستخدام آلية الانتشار العكسي مع حساب أخطاء موزونة باستخدام دالة PolyLoss المخصصة بين نتائج كشف الخطوط الناتجة والحقائق المُعلَّمة. تُظهر نتائج التجارب الواسعة أن النموذج المُقترح يُحسن من أداء كشف الخطوط في المشاهد العادية والصعبة على نحو يتجاوز الحد الأقصى المُحقَّق حاليًا، حيث يحقق أفضل دقة في الاختبار (98.38%)، ودقة (0.937)، وقياس F1 (0.924) على مجموعة اختبار المشاهد العادية، إلى جانب أفضل دقة شاملة (98.36%) ودقة (0.844) في مجموعة اختبار المشاهد الصعبة، مع تقليل كبير في زمن التدريب.