تمثّل كشف علامات الحارة عنصرًا أساسيًا في أنظمة القيادة الذاتية ومساعدة السائق. تُظهر الطرق الحديثة للكشف عن الحارات المستندة إلى التمثيل الصفّي أداءً ممتازًا في معايير كشف الحارات. من خلال تجارب أولية باستخدام نموذج "أوراكل"، قمنا أولاً بفصل مكونات تمثيل الحارة لتحديد اتجاه منهجيتنا. ونُظهر أن المواقع الصحيحة للحارات موجودة بالفعل ضمن التنبؤات الخاصة بكاشف الحارات القائم على الصفوف، وأن درجات الثقة التي تمثل بدقة مقياس التقاطع على المدى (IoU) بالنسبة للبيانات الحقيقية هي الأكثر فائدة. استنادًا إلى هذا الاكتشاف، نقترح طريقة تُسمّى LaneIoU، التي تُحسّن الترابط مع المقياس من خلال أخذ الزوايا المحلية للحارة بعين الاعتبار. ونطوّر كاشفًا جديدًا يُسمّى CLRerNet، يعتمد على LaneIoU في دالة تعيين الهدف ووظائف الخسارة، بهدف تحسين جودة درجات الثقة. ومن خلال معايير تقييم دقيقة وعادلة تشمل التحقق المتقاطع، نُثبت أن CLRerNet يتفوّق على أحدث الطرق بفارق كبير: حيث تبلغ درجة F1 81.43% مقارنة بـ 80.47% للطريقة الحالية على مجموعة بيانات CULane، و86.47% مقارنة بـ 86.10% على مجموعة بيانات CurveLanes.