Moderne Methoden betrachten die Spurdetektion hauptsächlich als ein Problem der pixelgenauen Segmentierung, das Schwierigkeiten bei der Bewältigung herausfordernder Szenarien und hoher Geschwindigkeit hat. Angeregt durch die menschliche Wahrnehmung beruht die Erkennung von Spuren unter starker Verdeckung und extremen Beleuchtungsbedingungen vor allem auf kontextuellen und globalen Informationen. Ausgehend von dieser Beobachtung schlagen wir eine neuartige, einfache jedoch effektive Formulierung vor, die sich durch extrem hohe Geschwindigkeit und Robustheit gegenüber anspruchsvollen Szenarien auszeichnet. Konkret betrachten wir den Prozess der Spurdetektion als ein zeilenbasiertes Auswahlproblem unter Verwendung globaler Merkmale. Durch die Verwendung zeilenbasierter Auswahl kann unsere Formulierung die Berechnungskosten erheblich reduzieren. Zudem ermöglicht die Nutzung eines großen Empfangsfeldes bei den globalen Merkmalen die Bewältigung anspruchsvoller Szenarien. Darüber hinaus schlagen wir basierend auf dieser Formulierung eine strukturelle Verlustfunktion vor, die die Struktur von Spuren explizit modelliert. Umfangreiche Experimente auf zwei etablierten Benchmark-Datensätzen für Spurdetektion zeigen, dass unsere Methode sowohl in Bezug auf Geschwindigkeit als auch Genauigkeit den aktuellen Stand der Technik erreicht. Eine leichtgewichtige Version erreicht sogar mehr als 300 Bilder pro Sekunde bei gleicher Auflösung – mindestens viermal so schnell wie vorherige state-of-the-art-Methoden. Unser Quellcode wird öffentlich verfügbar gemacht.