Die Spur ist entscheidend für das Sichtnavigationssystem intelligenter Fahrzeuge. Natürlich ist eine Spur ein Verkehrszeichen mit hochwertigen semantischen Eigenschaften, besitzt jedoch auch spezifische lokale Muster, die präzise Lokalisierung durch detaillierte niedrigstufige Merkmale erfordern. Die Nutzung verschiedener Merkmalslevel ist für eine genaue Spurdetektion von großer Bedeutung, wird jedoch bisher noch wenig erforscht. In dieser Arbeit präsentieren wir das Cross Layer Refinement Network (CLRNet), das darauf abzielt, sowohl hochstufige als auch niedrigstufige Merkmale in der Spurdetektion optimal auszunutzen. Insbesondere detektiert es zunächst Spuren mittels hochstufiger semantischer Merkmale und führt anschließend eine Verfeinerung basierend auf niedrigstufigen Merkmalen durch. Auf diese Weise können wir mehr kontextuelle Information nutzen, um Spuren zu erkennen, während gleichzeitig lokale, detaillierte Spurmerkmale zur Verbesserung der Lokalisierungsgenauigkeit herangezogen werden. Wir stellen ROIGather vor, um globale Kontextinformationen zu sammeln, was die Merkmalsrepräsentation von Spuren weiter verbessert. Neben unserem neuartigen Netzwerkdesign führen wir die Line IoU-Loss ein, die die Spurlinie als einheitliches Ganzes regressiert, um die Lokalisierungsgenauigkeit zu erhöhen. Experimente zeigen, dass die vorgeschlagene Methode die derzeit besten Ansätze zur Spurdetektion erheblich übertrifft.