تلعب التجزئة الدلالية للصور المستشعرة عن بعد دورًا حاسمًا في الزراعة الدقيقة، وحماية البيئة، والتقييم الاقتصادي. في السنوات الأخيرة، أصبحت صور الاستشعار عن بعد ذات الدقة العالية متاحة بكثرة لغرض التجزئة الدلالية. ومع ذلك، نظرًا للمعلومات المعقدة الناتجة عن الزيادة في الدقة المكانية، فإن الخوارزميات الحديثة المتميزة في التعلم العميق تستخدم عادةً هياكل شبكة معقدة للتجزئة، مما يؤدي عادةً إلى تعقيد حسابي عالٍ. وبشكل خاص، يعتمد الأداء العالي لشبكات التعلم العميق ذات التحويلات (CNN) بشكل كبير على التفاصيل المكانية الدقيقة (الدقة العالية) والمعلومات السياقية الكافية (مجال استقبال واسع)، وكلتا الخاصيتين تؤديان إلى تكاليف حسابية عالية. وهذا يُعد عائقًا جوهريًا أمام ممارستها وتوافرها في السياقات الواقعية التي تتطلب معالجة في الزمن الفعلي. في هذه الورقة، نقترح شبكة ABCNet ذات السياق الثنائي المُنتبه (Attentive Bilateral Contextual Network)، وهي شبكة تعلم عميق ذات تحويلات (CNN) مزدوجة الفروع، تتميز بتكاليف حسابية أقل بشكل ملحوظ مقارنة بالخوارزميات الرائدة، مع الحفاظ على دقة تنافسية. يمكن الوصول إلى الكود عبر: https://github.com/lironui/ABCNet.