Einer der entscheidenden Faktoren für die erheblichen Fortschritte im Bereich des autonomen Fahrens war der Aufstieg der tiefen Lernverfahren. Für sicherere selbstfahrende Fahrzeuge bleibt eine der noch nicht vollständig gelösten Herausforderungen die Spurerkennung. Da Verfahren für diese Aufgabe in Echtzeit (+30 FPS) arbeiten müssen, müssen sie nicht nur effektiv (d. h. hochgenau) sein, sondern auch effizient (d. h. schnell). In dieser Arbeit präsentieren wir eine neuartige Methode zur Spurerkennung, die als Eingabe ein Bild aus einer nach vorn gerichteten Kamera im Fahrzeug verwendet und über tiefes Polynomregressionsverfahren Polynome ausgibt, die jeweils die Spurmarkierungen im Bild repräsentieren. Die vorgeschlagene Methode zeigt sich im TuSimple-Datensatz wettbewerbsfähig mit bestehenden state-of-the-art-Verfahren, während sie gleichzeitig ihre Effizienz beibehält (115 FPS). Zudem werden umfassende qualitative Ergebnisse auf zwei zusätzlichen öffentlichen Datensätzen vorgestellt, zusammen mit einer Analyse der Einschränkungen der gängigen Bewertungsmetriken in jüngeren Arbeiten zur Spurerkennung. Schließlich stellen wir den Quellcode und die vortrainierten Modelle bereit, die es anderen Forschern ermöglichen, alle in dieser Arbeit gezeigten Ergebnisse nachzuvollziehen – eine Maßnahme, die in state-of-the-art-Methoden zur Spurerkennung überraschenderweise selten ist. Der vollständige Quellcode und die vortrainierten Modelle sind unter https://github.com/lucastabelini/PolyLaneNet verfügbar.