تُنفَّذ الطرق الشائعة للكشف عن علامات المسارات عبر توقع البنية الشاملة واستخلاص المنحنيات المعلمية من خلال معالجة ما بعد التنبؤ. ويتطلب تمثيل الأشكال المعقدة للخطوط المرورية إخراجًا عالي الأبعاد من الشبكات العصبية التلافيفية (CNN) لتمثيل الهياكل الشاملة، مما يزيد من متطلبات قدرة النموذج وحجم بيانات التدريب. على النقيض، فإن الطبيعة المحلية لعلامة المسار تتميز بتغيرات هندسية محدودة وغطاء مكاني محدود. نقترح حلًا جديدًا للكشف عن علامات المسارات يُسمى FOLOLane، يركز على نمذجة الأنماط المحلية وتحقيق تنبؤ بالهياكل الشاملة بطريقة من الأسفل إلى الأعلى. بشكل محدد، تقوم الشبكة العصبية التلافيفية بنمذجة الأنماط المحلية منخفضة التعقيد باستخدام رأسين منفصلين: الأول يتنبأ بوجود النقاط الرئيسية، والثاني يُحسّن موقع هذه النقاط ضمن النطاق المحلي ويربط بين النقاط الرئيسية التي تنتمي إلى نفس الخط المروري. وتماشيًا مع الحدود المحدودة لمنطقة الرؤية (FOV) للسمات في الشبكات العصبية التلافيفية، فإن الطبيعة المحلية للمهمة تؤدي إلى تدريب أكثر استقرارًا وتحسينًا في التعميم. بالإضافة إلى ذلك، تم اقتراح خوارزمية فك ترميز مُحسَّنة من حيث الكفاءة، إلى جانب خوارزمية جشعة، حيث حققت تحسينًا بنسبة 36% في وقت التشغيل مع تقليل ضئيل في الأداء. وقد تم دمج المعلومات المحلية في البنية الهندسية الشاملة لعلامات المسارات من خلال كلا خوارزمي فك الترميز. وبلا الحاجة إلى تصميم معماري معقد للشبكة، يتفوق الحل المقترح بشكل كبير على جميع الطرق الحالية على مجموعات البيانات العامة، مع تحقيق أفضل النتائج المُسجَّلة حاليًا (state-of-the-art) والمعالجة في الوقت الفعلي في آنٍ واحد.