La detección de carriles basada en segmentación semántica puede lograr una alta precisión, pero, en los últimos años, no tiene un costo amigable para dispositivos móviles, lo que se debe a la compleja iteración y a las costosas convoluciones en redes neuronales convolucionales (CNN) y modelos de última generación (SOTA) basados en CNN, como las CNN espaciales (SCNN). Aunque la SCNN ha demostrado su capacidad para capturar las relaciones espaciales de los píxeles a través de filas y columnas de una imagen, el costo computacional y el requerimiento de memoria necesarios no se pueden permitir en la detección de carriles móvil. Inspirados en la atención de canal y la máquina de autoatención, proponemos un módulo de atención de coordenadas integrada (ICA) para capturar las relaciones espaciales de los píxeles. Además, debido a la falta de mejora en la dimensión del canal, creamos una red eficiente con un bloque de atención de coordenadas mejorado por canal llamado CCA, compuesto por ICA y otros módulos de atención de canal, para la mejora de características en todas las dimensiones. Como resultado, al reemplazar muchas convoluciones repetidas o iterativas con el mecanismo de atención, CCA reduce la complejidad computacional. Así, nuestro método logra un equilibrio entre precisión y velocidad y tiene un mejor rendimiento en dos conjuntos de datos de carriles: TuSimple e ILane. Con un costo computacional inferior a unas pocas décimas, nuestro CCA logra una precisión superior en comparación con la SCNN. Estos resultados muestran que el bajo costo y el gran rendimiento de nuestro diseño permiten el uso de la tarea de detección de carriles en escenarios de piloto automático.