اكتشاف المسارات هو مهمة مهمة ومعقدة في مجال القيادة الذاتية، والتي تتأثر بعدد من العوامل مثل ظروف الإضاءة، الانغلاق الناجم عن المركبات الأخرى، العلامات غير ذات الصلة على الطريق وخاصية المسارات الطويلة والرقيقة بشكل متأصل. تتعامل الأساليب التقليدية عادةً مع اكتشاف المسارات كمهمة تقسيم دلالي (semantic segmentation)، والتي تقوم بتعيين تصنيف لكل بكسل في الصورة. تعتمد هذه الصياغة بشدة على الافتراض بأن عدد المسارات محدد مسبقًا وثابت ولا يحدث تغيير في المسار، وهو ما لا ينطبق دائمًا. لجعل نموذج اكتشاف المسارات قابل للتطبيق على عدد غير محدد من المسارات وفي سيناريوهات تغيير المسار، نعتمد نهج تقسيم المثيلات (instance segmentation)، والذي يقوم أولاً بتمييز المسارات عن الخلفية ثم تصنيف كل بكسل من بكسلات المسار إلى مثيل مسار معين. بالإضافة إلى ذلك، يتم استخدام نموذج التعلم متعدد المهام لاستغلال المعلومات الهيكلية بشكل أفضل، ويُستخدم بنية الهرم المميز (feature pyramid) لاكتشاف المسارات الرقيقة للغاية. تم استخدام ثلاثة مقاييس شائعة لاكتشاف المسارات، وهي TuSimple وCULane وBDD100K، لتأكيد فعالية خوارزميتنا المقترحة.