Die Spurverfolgung spielt eine entscheidende Rolle im autonomen Fahren, da sie entscheidende Daten liefert, um eine sichere Navigation zu gewährleisten. Moderne Algorithmen basieren auf anchor-basierten Detektoren, die anschließend durch einen Label-Zuweisungsprozess ergänzt werden, um die Trainingsdetektionen anhand gelernter geometrischer Merkmale als positive oder negative Instanzen zu klassifizieren. Eine präzise Label-Zuweisung hat erheblichen Einfluss auf die Modellleistung, die üblicherweise auf einer vorgegebenen klassischen Kostenfunktion basiert, die die Übereinstimmung zwischen Ground Truth (GT) und Vorhersage bewertet. Allerdings weisen klassische Methoden zur Label-Zuweisung Einschränkungen auf, da sie auf vorgegebenen Kostenfunktionen beruhen, die aus niedrigdimensionalen Modellen abgeleitet sind und potenziell ihre Optimalität beeinträchtigen. In unserer Forschung stellen wir MatchNet vor, einen auf tiefen neuronalen Submodulen basierenden Ansatz, der darauf abzielt, den Label-Zuweisungsprozess zu verbessern. MatchNet wird in ein state-of-the-art-Spurverfolgungsnetzwerk wie das Cross Layer Refinement Network for Lane Detection (CLRNet) integriert und ersetzt den herkömmlichen Label-Zuweisungsprozess durch ein Submodulnetzwerk. Das integrierte Modell, CLRmatchNet, übertrifft CLRNet und zeigt erhebliche Verbesserungen insbesondere in Szenarien mit gekrümmten Spuren, wobei sich bei allen verwendeten Backbone-Architekturen eine signifikante Steigerung um +2,8 % bei ResNet34, +2,3 % bei ResNet101 und +2,96 % bei DLA34 ergibt. Zudem behält das Verfahren vergleichbare Ergebnisse in anderen Szenarien bei oder verbessert sie sogar. Unser Ansatz erhöht das Vertrauen in die Spurverfolgung und ermöglicht eine Erhöhung der Vertrauensschwelle. Der Quellcode ist unter folgender URL verfügbar: https://github.com/sapirkontente/CLRmatchNet.git