الانتباه المكاني والانتباه القنوي، اللذان يُنمذجان الاعتماديات الدلالية في الأبعاد المكانية والقنوية على التوالي، قد استُخدمتا على نطاق واسع مؤخرًا في التجزئة الدلالية. ومع ذلك، فإن حساب الانتباه المكاني والانتباه القنوي بشكل منفصل قد يؤدي أحيانًا إلى أخطاء، خاصة في الحالات الصعبة. في هذه الورقة، نقترح نموذج الانتباه المحوري القنوي (CAA) الذي يُدمج الانتباه القنوي والانتباه المكاني في عملية واحدة دون إضافة كبيرة على التكلفة الحسابية. وبشكل محدد، نُحلل عملية الضرب النقطي الخاصة بالانتباه المكاني إلى جزأين، ونُدرج علاقة القناة بينهما، مما يسمح بتحسين الانتباه القنوي بشكل مستقل في كل موقع مكاني. بالإضافة إلى ذلك، طوّرنا تقنية التمثيل المجموعة (grouped vectorization)، التي تسمح لنماذجنا بالعمل بمستوى استهلاك ذاكرة منخفض جدًا دون تقليل سرعة التشغيل. وأظهرت التجارب المقارنة التي أُجريت على عدة مجموعات بيانات معيارية، بما في ذلك Cityscapes وPASCAL Context وCOCO-Stuff، أن نموذج CAA يتفوق على العديد من نماذج التجزئة الرائدة (بما في ذلك النموذج ثنائي الانتباه) على جميع مجموعات البيانات المختبرة.