Mainstream-Verfahren zur Spurmarkierungserkennung basieren auf der Vorhersage der Gesamtstruktur und der Ableitung parametrischer Kurven mittels Nachverarbeitung. Komplexe Spurverläufe erfordern eine hochdimensionale Ausgabe von CNNs zur Modellierung globaler Strukturen, was die Anforderungen an die Modellkapazität und an Trainingsdaten weiter erhöht. Im Gegensatz dazu weisen Spurmarkierungen eine endliche Anzahl geometrischer Variationen und räumliche Abdeckung auf. Wir stellen eine neuartige Lösung zur Spurmarkierungserkennung, FOLOLane, vor, die sich auf die Modellierung lokaler Muster konzentriert und die Vorhersage globaler Strukturen auf bottom-up-Basis ermöglicht. Konkret modelliert das CNN niedrigkomplexe lokale Muster mittels zweier getrennter Ausgabeköpfe: Der erste Kopf prognostiziert das Vorhandensein von Schlüsselpunkten, während der zweite die Lokalisierung dieser Schlüsselpunkte im lokalen Bereich verfeinert und die Korrelation zwischen Schlüsselpunkten derselben Spurlinie herstellt. Die Lokalität der Aufgabe entspricht der begrenzten Gesichtsfeldgröße der Merkmale in CNNs, was wiederum zu stabilerem Training und besserer Generalisierung führt. Zudem wurde ein effizienzorientierter Decoderalgorithmus sowie ein gieriger Algorithmus vorgeschlagen, die eine Reduktion der Laufzeit um 36 % ermöglichen, mit vernachlässigbarer Leistungseinbuße. Beide Decoder integrieren lokale Informationen in die globale Geometrie der Spurmarkierungen. Ohne komplexes Netzwerkarchitekturdesign erreicht die vorgeschlagene Methode auf öffentlichen Datensätzen deutlich bessere Ergebnisse als alle bestehenden Methoden und erzielt gleichzeitig den aktuellen Stand der Technik sowohl hinsichtlich Genauigkeit als auch in Echtzeitverarbeitung.