Inspiré par la focalisation du conducteur humain, cette recherche introduit de manière pionnière des réseaux renforcés par un échantillonnage focalisé, une évaluation partielle du champ de vision, une architecture FPN améliorée et une fonction de perte Directional IoU — des innovations ciblées visant à surmonter les obstacles à une détection précise des lignes de route pour les véhicules autonomes. Les expérimentations démontrent que notre stratégie d’échantillonnage focalisé, en mettant l’accent sur les détails distants essentiels, contrairement aux approches uniformes, améliore de manière significative à la fois les performances sur les benchmarks et la reconnaissance pratique de lignes courbes et éloignées, essentielles pour la sécurité. Bien que FENetV1 atteigne des performances de pointe sur les métriques conventionnelles grâce à des améliorations isolant des contextes sensibles à la perspective, mimant ainsi la vision du conducteur, FENetV2 se révèle plus fiable sur l’analyse partielle du champ de vision proposée. Nous recommandons donc spécifiquement FENetV2 pour les applications pratiques de navigation routière, malgré une légère dégradation sur les mesures standard sur l’image entière. Les perspectives futures incluent la collecte de données en conditions réelles de conduite et l’intégration de cadres duals complémentaires afin de poursuivre les progrès guidés par les principes de la perception humaine. Le code source est disponible à l’adresse suivante : https://github.com/HanyangZhong/FENet.