Die Lane-Detection (Fahrstreifenerkennung) ist eine wichtige und gleichzeitig herausfordernde Aufgabe im Bereich der autonomen Fahrzeuge, die von vielen Faktoren beeinflusst wird, wie zum Beispiel Lichtbedingungen, durch andere Fahrzeuge verursachte Verdeckungen, irrelevante Markierungen auf der Straße sowie der inhärente langgestreckte und schmale Charakter von Fahrstreifen. Herkömmliche Methoden behandeln die Fahrstreifenerkennung in der Regel als eine semantische Segmentierungsaufgabe, bei der jeder Pixel des Bildes einem Klassifizierungslabel zugeordnet wird. Diese Formulierung basiert stark auf der Annahme, dass die Anzahl der Fahrstreifen vordefiniert und fest ist und keine Fahrstreifenwechsel auftreten, was nicht immer zutrifft. Um das Modell für die Fahrstreifenerkennung auf eine beliebige Anzahl von Fahrstreifen und Szenarien mit Fahrstreifenwechseln anwendbar zu machen, verwenden wir einen Ansatz zur Instanzsegmentierung, der zunächst zwischen Fahrstreifen und Hintergrund differenziert und dann jeden Pixel eines Fahrstreifens einer spezifischen Instanz zuordnet. Darüber hinaus nutzen wir ein Paradigma des Multi-Task-Learnings (Mehraufgabenlernens), um die strukturellen Informationen besser auszuwerten, und setzen eine Feature-Pyramid-Architektur ein, um extrem dünne Fahrstreifen zu erkennen. Die Effektivität unseres vorgeschlagenen Algorithmus wurde anhand dreier bekannter Benchmarks für die Fahrstreifenerkennung validiert: TuSimple, CULane und BDD100K.