شبكات التحليل الفائق الخفيفة تتمتع بأهمية كبيرة في التطبيقات العملية. وفي السنوات الأخيرة، تم تقديم العديد من نماذج التعلم العميق لتحليل الصور بدرجة فائقة والتي حققت نتائج متميزة على حساب الذاكرة والتكلفة الحسابية. لتجاوز هذه المشكلة، تم اقتراح شبكة تحليل فائق خفيفة جديدة تحسن الأداء الرائد (SOTA) في مجال شبكات التحليل الفائق الخفيفة وتقدم أداءً مشابهًا تقريبًا للشبكات ذات التكلفة الحسابية العالية. تصميم شبكة متعددة المسارات مع مجموعة من كتل التجميع المتبقية (Residual Concatenation Blocks) مكدسة مع كتل الباقي المتكيفة (Adaptive Residual Blocks): ($i$i) لاستخراج السمات المعلوماتية بشكل متكيف وتعلم معلومات السياق المكاني الأكثر تعبيرًا؛ ($ii$ii) للاستفادة بشكل أفضل من التمثيلات متعددة المستويات قبل مرحلة زيادة الدقة (up-sampling stage)؛ و($iii$iii) لإتاحة تدفق المعلومات والتدرجات بكفاءة داخل الشبكة. يتضمن التصميم المقترح أيضًا آلية انتباه جديدة، وهي وحدة الانتباه الثنائية (Two-Fold Attention Module)، لتحقيق قدرة تمثيلية أقصى للنموذج. أظهرت التجارب الواسعة تفوق نموذجنا على باقي النماذج الرائدة في مجال التحليل الفائق.