自動運転における線路検出は、最も重要なタスクの一つである。複雑な状況（例えば、重度の遮蔽や曖昧な線路など）や、線路アノテーションに内在する疎な教師信号のため、線路検出タスクは依然として困難である。そのため、通常の畳み込みニューラルネットワーク（CNN）では、一般的なシーンにおいて生画像から微細な線路特徴を捉えることが難しい。本論文では、通常のCNNによる初期特徴抽出の後に、線路特徴を豊かにするための新規モジュールである「再帰的特徴シフト集約器（REcurrent Feature-Shift Aggregator: RESA）」を提案する。RESAは線路の強固な形状事前知識を活用し、ピクセル間の行および列方向の空間的関係を捉える。このモジュールは、スライスされた特徴マップを垂直および水平方向に再帰的にシフトさせ、各ピクセルがグローバルな情報を集約できるようにする。RESAは、特徴マップをスライスして集約することで、外観情報が弱い困難な状況下でも正確に線路を推定することができる。さらに、アップサンプリング段階で粗い粒度と細かい詳細の特徴を統合する「双方向アップサンプリングデコーダー」を提案する。このアーキテクチャにより、低解像度の特徴マップをピクセル単位の予測に精密に復元することが可能となる。本手法は、代表的な2つの線路検出ベンチマーク（CULaneおよびTusimple）において、最先端の性能を達成した。実装コードは以下のURLで公開されている：https://github.com/ZJULearning/resa。