Die Spurverfolgung ist aufgrund der komplexen Verkehrsszenarien auf der Straße und der Verzerrungen von Linien infolge unterschiedlicher Kameraperspektiven herausfordernd. Obwohl zahlreiche Lösungsansätze vorgeschlagen wurden, bewältigen diese die Erkennung von Kurvenspuren nicht zufriedenstellend. Um dieses Problem zu lösen, wird in diesem Artikel ein neuer top-down Deep-Learning-Ansatz für die Spurverfolgung, CANET, vorgestellt. Zunächst wird eine Spurinstanz durch eine Heatmap auf einer u-förmigen, gekrümmten Leitlinie auf globaler semantischer Ebene erfasst, wodurch die entsprechenden Merkmale jeder Spur an den Reaktionspunkten aggregiert werden. Anschließend erzeugt CANET die Heatmap-Reaktion für die gesamte Spur mittels bedingter Faltung und decodiert schließlich die Punktmenge mittels eines adaptiven Decoders, um Spuren zu beschreiben. Die experimentellen Ergebnisse zeigen, dass CANET in verschiedenen Metriken die derzeit beste Leistung (SOTA) erzielt. Der Quellcode wird in Kürze veröffentlicht.