近年のLane検出に関する研究は、複雑な状況下でも高精度なLane検出を実現しているが、多くの手法は計算リソースが限られた環境下においてリアルタイム性能を達成できていない。本研究では、高速かつ効率的なLane検出を実現するため、シンプルで軽量なエンドツーエンド型深層学習フレームワーク「SwiftLane」を提案する。本フレームワークは、行単位分類（row-wise classification）の定式化を採用しており、検出速度の向上を図っている。さらに、偽陽性抑制アルゴリズムおよび曲線フィッティング技術を導入することで、検出精度をさらに向上させている。提案手法は、代表的なCULaneベンチマークデータセットにおいて、精度は既存の最先端手法と同等の性能を達成しつつ、推論速度は1秒間に411フレームを実現し、速度面で既存手法を上回っている。さらに、TensorRTによる最適化と組み合わせることで、Nvidia Jetson AGX Xavierというエッジデバイス上でリアルタイムのLane検出を実現可能となり、推論速度は56フレーム/秒を達成した。