手の境界部分の詳細情報の分割が不正確であり、小面積の手の誤検出および見逃し問題に対処するために、注意機構に基づくマルチスケール手分割手法を提案する。まず、Transformerモジュールを再設計・最適化し、ウィンドウ自己注意構造と二分岐フィードフォワードネットワーク（Dual-branch Feed-Forward Networks、D-FFN）を提案する。ウィンドウ自己注意機構によりグローバルおよびローカルの依存関係情報を統合し、D-FFNが背景情報の干渉を抑制する。次に、バー型プーリングとカスケードネットワークを組み合わせたマルチスケール特徴抽出モジュールを提案し、受容野を拡大することで手分割モデルの精度とロバスト性を向上させる。最後に、Triplet Attention機構に基づくアップサンプリングデコーダーモジュールを提案し、チャネル次元および空間次元の注意重みを調整してターゲット特徴と背景の冗長特徴を区別する。提案手法を公開データセットGTEA（Georgia Tech Egocentric Activity）およびEYTH（EgoYouTubeHands）で検証したところ、実験結果は両データセットにおける平均交差率（MIoU）がそれぞれ95.8％および90.2％に達し、TransUnetアルゴリズムに対してそれぞれ2.5％および2.1％の向上を示し、手画像分割の安定性、高精度、耐ノイズ性などの要件を満たすことを示した。

手分割;深層学習;TransUnet;フィードフォワードネットワーク;膨張空間ピラミッドプーリングモジュール;Triplet Attention