Die Spurverfolgung ist eine der wichtigsten Aufgaben im Bereich autonomes Fahren. Aufgrund vielfältiger komplexer Szenarien (z. B. starker Verdeckung, mehrdeutige Spuren usw.) sowie der spärlichen überwachenden Signale, die inhärent in Spuranmerkungen stecken, bleibt die Spurverfolgung weiterhin herausfordernd. Daher ist es für herkömmliche konvolutionale neuronale Netze (CNNs) schwierig, in allgemeinen Szenarien aus Rohbildern feine Spurenmerkmale zu erfassen. In diesem Paper stellen wir ein neuartiges Modul namens REcurrent Feature-Shift Aggregator (RESA) vor, das die Spurenmerkmale nach einer ersten Merkmalsextraktion mittels eines herkömmlichen CNNs anreichert. RESA nutzt die starken Formvorgaben von Spuren aus und erfasst räumliche Beziehungen zwischen Pixeln über Zeilen und Spalten hinweg. Es verschiebt die zerschnittenen Merkmalskarten rekurrent in vertikaler und horizontaler Richtung und ermöglicht jedem Pixel, globale Informationen zu sammeln. Durch die Aggregation der zerschnittenen Merkmalskarten kann RESA Spuren auch in anspruchsvollen Szenarien mit schwachen visuellen Hinweisen präzise schätzen. Darüber hinaus schlagen wir einen Bilateral Up-Sampling-Decoder vor, der grobkörnige und feinkörnige Merkmale in der Up-Sampling-Stufe kombiniert. Dieser ermöglicht eine detaillierte Rekonstruktion des niedrigauflösenden Merkmalskarten in pixelgenaue Vorhersagen. Unsere Methode erreicht state-of-the-art Ergebnisse auf zwei etablierten Benchmarks für Spurverfolgung (CULane und Tusimple). Der Quellcode ist unter folgender Adresse verfügbar: https://github.com/ZJULearning/resa.