Les méthodes modernes de détection de lignes ont atteint des performances remarquables dans des scénarios réels complexes, mais beaucoup d’entre elles souffrent d’un manque d’efficacité en temps réel, un aspect crucial pour les véhicules autonomes. Dans ce travail, nous proposons LaneATT : un modèle profond de détection de lignes basé sur des ancres, qui, tout comme les détecteurs d’objets profonds génériques, utilise les ancres lors de l’étape de collecte de caractéristiques (feature pooling). Étant donné que les lignes suivent un motif régulier et sont fortement corrélées, nous supposons qu’aux certains moments, des informations globales peuvent être essentielles pour déduire leur position, notamment dans des conditions telles que l’occlusion, la disparition des marques de chaussée ou d’autres perturbations. Ainsi, ce travail introduit un nouveau mécanisme d’attention basé sur les ancres, conçu pour agréger des informations globales. Le modèle a été évalué de manière exhaustive sur trois des jeux de données les plus utilisés dans la littérature. Les résultats démontrent que notre méthode surpasser les états de l’art actuels, en offrant à la fois une efficacité et une efficacité énergétique supérieures. En outre, une étude d’ablation a été menée, accompagnée d’une discussion sur les compromis liés à l’efficacité, qui s’avèrent utiles dans des applications pratiques.