القدرة على التحديد البصري الدقيق والثابت هي ميزة أساسية لعدد كبير من التطبيقات، مثل القيادة الذاتية، الروبوتات المتنقلة، أو الواقع المعزز. ومع ذلك، تظل هذه المهمة تحديًا، خاصة في البيئات ذات الحجم الكبير وفي وجود تغيرات كبيرة في المظهر. تعاني الأساليب الرائدة حاليًا ليس فقط من مثل هذه السيناريوهات، بل غالبًا ما تكون مكثفة للغاية من حيث الموارد لبعض التطبيقات الفورية. في هذا البحث، نقترح HF-Net، وهو نهج للتحديد الهرمي يعتمد على شبكة عصبية اصطناعية موحدة (CNN) تقوم بتوقع الخصائص المحلية والم�述يات العالمية بشكل متزامن لتحقيق تحديد دقيق بست درجات من الحرية (6-DoF). نستفيد من نموذج التحديد التدريجي من الخشن إلى الدقيق: أولاً، نقوم بالاسترجاع العالمي للحصول على فرضيات للمواقع ثم نطابق الخصائص المحلية داخل تلك الأماكن المرشحة لاحقًا. يؤدي هذا النهج الهرمي إلى توفير زمني كبير في التشغيل ويجعل نظامنا مناسبًا للعمل الفوري. عن طريق الاستفادة من الم�述يات المستفادة من التعلم، يحقق طرحنا قوة ثبات ملحوظة في التحديد عبر تباينات كبيرة في المظهر ويحدد مستوى جديد رائد في مجال التحديد على نطاق واسع على محكمتين صعبتين لمثل هذا النوع من التحديد.