يُعتبر التقدم في مجال القيادة الذاتية (Autonomous Driving) خطوة هامة نحو مستقبل أكثر أمانًا وكفاءة، حيث تسهم تقنيات التصوير الطيفي (Hyperspectral Imaging) في تعزيز إدراك البيئة، خاصةً في الظروف الجوية والضوئية الصعبة. ومع ذلك، تبقى معالجة البيانات الطيفية عالية الأبعاد تحديًا كبيرًا.

تقدم دراسة جديدة آلية انتباه متعددة المقاييس (Multi-Scale Attention Mechanism - MSAM) تُعتبر مبتكرة في تحسين استخراج الميزات الطيفية، حيث تستند إلى ثلاث عمليات تلافيف (1D Convolutions) متوازية بحجم نواة متنوع يتراوح من 1 إلى 11، مع تجميع ميزات تكييفية.

عند دمج MSAM في اتصالات القفز (Skip Connections) لهيكل UNet، أظهرت التجارب تحسينات واضحة في الأداء مقابل مجموعات بيانات تجزئة الطيف على بيئات القيادة الحضرية.

أثبتت دراسات الشمولية (Ablation Studies) أن MSAM تتفوق باستمرار على النموذج الأساسي UNet-SC، محققة متوسط تحسينات تصل إلى 2.32% في المقياس المتوسط للتقاطع (mIoU) و2.88% في مقياس F1 (mF1)، مع الحفاظ على أداء تنافسي مقارنةً بآليات الانتباه المعروفة.

تشير النتائج إلى أن التوليفات المثلى لحجم النواة تعتمد على مجموعة البيانات، حيث أظهرت تكوينات مثل (1;5;11) و(3;7;11) أداءً قويًا بشكل خاص.

تسهم هذه التحقيقات في فهم وتحسين قدرات معالجة التصوير الطيفي في التطبيقات المتعلقة بالقيادة الذاتية، مما يفتح المجال لتحقيق استخراج ميزات طيفية متعددة المقاييس بشكل مرن في تطوير السيارات.