Moderne Methoden zur Fahrstreifenerkennung haben bemerkenswerte Leistungen in komplexen realen Szenarien erzielt, doch weisen viele von ihnen Probleme bei der Aufrechterhaltung einer Echtzeit-Performance auf, was für autonome Fahrzeuge von entscheidender Bedeutung ist. In dieser Arbeit präsentieren wir LaneATT: ein anchor-basiertes tiefes Modell zur Fahrstreifenerkennung, das – ähnlich wie andere allgemeine tiefen Objekterkennungssysteme – Anchors für den Feature-Pooling-Schritt nutzt. Da Fahrstreifen einer regelmäßigen Struktur folgen und stark korreliert sind, vermuten wir, dass in bestimmten Fällen globale Informationen entscheidend für die Schätzung ihrer Positionen sein können, insbesondere unter Bedingungen wie Verdeckung, fehlenden Fahrstreifenmarkierungen oder ähnlichen Herausforderungen. Daher schlagen wir eine neuartige, anchor-basierte Aufmerksamkeitsmechanik vor, die globale Informationen aggregiert. Das Modell wurde umfassend an drei der am häufigsten verwendeten Datensätze in der Literatur evaluiert. Die Ergebnisse zeigen, dass unsere Methode die derzeitigen state-of-the-art-Verfahren übertrifft, sowohl hinsichtlich Effizienz als auch Effektivität. Zudem wurde eine Ablationsstudie durchgeführt, ergänzt durch eine Diskussion über Effizienz-Trade-off-Optionen, die in der Praxis nützlich sind.