لمعالجة مشكلة عدم دقة تقسيم تفاصيل حواف اليد والكشف الخاطئ أو الفاقد لمناطق اليد الصغيرة، تم اقتراح طريقة تقسيم متعددة المقاييس بالاعتماد على آلية الانتباه. أولاً، تم إعادة تصميم وتحسين وحدة Transformer، حيث تم تقديم هيكل الانتباه الذاتي بالنافذة وآلية الشبكة العصبية الأمامية ذات الفرعين (Dual-branch Feed-Forward Networks، D-FFN)، حيث تدمج آلية الانتباه الذاتي بالنافذة معلومات الاعتماد العالمية والمحلية، وتقوم D-FFN بكبح تأثير معلومات الخلفية. ثم، تم اقتراح وحدة استخراج ميزات متعددة المقاييس التي تجمع بين التجميع الشريطي وشبكة متسلسلة لزيادة مجال الاستقبال، مما يحسن دقة النموذج وقوته في تقسيم اليد. وأخيراً، تم اقتراح وحدة فك الترميز للرفع القائمة على آلية Triplet Attention، التي تفصل بين ميزات الهدف وميزات الخلفية الزائدة عن طريق ضبط أوزان الانتباه في أبعاد القناة والمساحة. تم اختبار الخوارزمية المقترحة على مجموعات البيانات العامة GTEA (Georgia Tech Egocentric Activity) وEYTH (EgoYouTubeHands). أظهرت النتائج التجريبية أن متوسط قيم مقياس التقاطع على الاتحاد (MIoU) بلغ 95.8% و90.2% على المجموعتين، مما يمثل تحسناً بنسبة 2.5% و2.1% مقارنة بخوارزمية TransUnet، مما يلبي المتطلبات من حيث الاستقرار، الدقة العالية، وقوة مقاومة التدخل في تقسيم صور اليد.

تقسيم اليد؛ التعلم العميق؛ TransUnet؛ الشبكة العصبية الأمامية؛ وحدة تجميع الهرم المكاني المُتقطّع؛ Triplet Attention