Angetrieben durch die Aufmerksamkeit des menschlichen Fahrers, präsentiert diese Forschung neuartige Netzwerke, die durch Focusing Sampling, Partial Field of View Evaluation, eine verbesserte FPN-Architektur sowie eine Directional IoU-Loss ergänzt werden – gezielte Innovationen, die die Herausforderungen der präzisen Spurverfolgung für autonome Fahrzeuge adressieren. Experimente zeigen, dass unsere Focusing Sampling-Strategie, die sich auf wichtige, entfernte Details konzentriert und somit von gleichmäßigen Ansätzen abweicht, die Genauigkeit bei der Erkennung von gekrümmten und fernliegenden Spuren signifikant erhöht, was für die Sicherheit entscheidend ist. Während FENetV1 durch Verbesserungen, die perspektivbewusste Kontexte isolieren und somit menschliche Wahrnehmung nachahmen, eine state-of-the-art-Leistung in klassischen Metriken erzielt, erweist sich FENetV2 als zuverlässigster Ansatz im Rahmen der vorgeschlagenen Partial Field-Analyse. Daher empfehlen wir speziell die V2-Version für praktische Anwendungen in der Spurnavigation, obwohl sie leicht abgeschwächte Ergebnisse bei herkömmlichen Gesamtbild-Metriken aufweist. Zukünftige Forschungsrichtungen umfassen die Erfassung von Daten aus dem realen Straßenverkehr sowie die Integration komplementärer Dual-Frame-Work-Architekturen, um weitere Fortschritte unter Anwendung von Prinzipien der menschlichen Wahrnehmung zu erreichen. Der Quellcode ist unter https://github.com/HanyangZhong/FENet verfügbar.