Cette étude présente une approche de détection de voies basée sur la prédiction de masques de segmentation binaires et de champs d'affinité par pixel. Ces champs d'affinité, combinés aux masques binaires, permettent ensuite de regrouper les pixels appartenant aux voies horizontalement et verticalement en instances de voies correspondantes au cours d'une étape de post-traitement. Ce regroupement est réalisé par un processus de décodage simple, ligne par ligne, avec un surcoût négligeable ; cette approche permet à LaneAF de détecter un nombre variable de voies sans supposer un nombre fixe ou maximal de voies. En outre, ce type de regroupement est plus interprétable que les approches précédentes de regroupement visuel, et peut être analysé afin d’identifier et de corriger les sources d’erreur. Les résultats qualitatifs et quantitatifs obtenus sur des jeux de données populaires pour la détection de voies démontrent la capacité du modèle à détecter et regrouper efficacement et robustement les voies. Notre approche proposée établit un nouveau record sur le jeu de données exigeant CULane ainsi que sur le nouveau jeu de données non supervisé LLAMAS.