الطريقة التي تنتشر بها الخصائص في الشبكات التلافيفية الكاملة لها أهمية بالغة في التقاط السياقات متعددة المقياس من أجل الحصول على أقنعة تقسيم دقيقة. تقدم هذه الورقة نموذجًا هجينًا سلسلة-متوازية جديدًا يُسمى وحدة تجميع السياق المتسلسلة (CAM) لتنويع انتشار الخصائص. تُكسب CAM خصائص بمقياس مكاني مختلف من خلال تدفقات معلومات على شكل سلم متصل بشكل سلسلة، وتُدمج هذه الخصائص في عملية مزج مكونة من مرحلتين: التمهيدية والمُعادَة. حيث يزيد التدفق المتسلسل باستمرار مجال الاستقبال للخلايا العصبية الناتجة، بينما تُشفَّر التدفقات المتوازية سياقات مختلفة تعتمد على المناطق. وتمثّل كل تدفق معلومات وحدة مشفرة-فكّر متواضعة بمقاييس تقليل مناسبة لالتقاط المعلومات السياقية بشكل كافٍ. بالإضافة إلى ذلك، نُطبّق نموذج انتباه داخل CAM لتوجيه عملية إعادة مزج الخصائص. وباستناد إلى هذه التطورات، نُنشئ شبكة تجميع السياق المتسلسلة (CANet)، التي تستخدم مشفرًا غير متماثل لإعادة استرجاع التفاصيل المكانية الدقيقة في خرائط التنبؤ. أجرينا تجارب واسعة على ستة مجموعات بيانات صعبة، تشمل Pascal VOC 2012 وPascal Context وCityscapes وCamVid وSUN-RGBD وGATECH. وأظهرت النتائج أن CANet تحقق أداءً من الدرجة الأولى في المجال.