自動運転における車線検出は、安全なナビゲーションを確保するための重要なデータを提供する上で不可欠な役割を果たしている。近年のアルゴリズムは、anchorベースの検出器に依存しており、その後、学習された幾何学的特徴に基づいてトレーニング時の検出結果を正例または負例に分類するラベル割り当てプロセスが行われる。正確なラベル割り当てはモデル性能に大きな影響を与えるが、従来は事前に定義された古典的コスト関数を用いて真値（GT）と予測値の整合性を評価する手法に依存している。しかしながら、これらの古典的ラベル割り当て手法は、低次元モデルから導出された事前定義コスト関数に依存するため、最適性に制約を受けることがある。本研究では、ラベル割り当てプロセスの向上を目的として、ディープラーニングのサブモジュールベースのアプローチであるMatchNetを提案する。このMatchNetは、最先端の車線検出ネットワーク（例：Lane Detection用クロスレイヤー精製ネットワーク、CLRNet）に統合され、従来のラベル割り当てプロセスをサブモジュールネットワークで置き換える。統合モデルであるCLRmatchNetは、CLRNetを上回る性能を示し、特に曲線車線を含むシナリオにおいて顕著な改善を達成した。各バックボーンにおける性能向上は、ResNet34で+2.8%、ResNet101で+2.3%、DLA34で+2.96%と、いずれも明確な向上を示した。さらに、他のセクションにおいても同等またはそれ以上の結果を維持・改善している。本手法により、車線検出の信頼性が向上し、信頼度の閾値を引き上げることが可能となった。本研究のコードは以下のURLから公開されている：https://github.com/sapirkontente/CLRmatchNet.git