تلعب الكشف عن المسارات دورًا محوريًا في القيادة الذاتية من خلال توفير بيانات حيوية لضمان التنقل الآمن. تعتمد الخوارزميات الحديثة على كاشفات تعتمد على المُربّعات المرجعية (anchor-based detectors)، والتي تليها عملية تعيين التصنيف لتصنيف الكشفات التدريبية على أنها أمثلة إيجابية أو سلبية بناءً على الخصائص الهندسية المُتعلمة. ولعب دور كبير في أداء النموذج، حيث تعتمد عادةً على دالة تكلفة كلاسيكية محددة مسبقًا لتقييم توافق التنبؤات مع البيانات الحقيقية (GT). ومع ذلك، تواجه الطرق التقليدية لتخصيص التصنيفات قيودًا ناتجة عن اعتمادها على دوال تكلفة محددة مسبقًا مستمدة من نماذج ذات أبعاد منخفضة، مما قد يؤثر على كفاءتها ودقتها القصوى. ويقدم بحثنا منهجية جديدة تُسمى MatchNet، وهي منهجية تعتمد على وحدات تعلم عميق مُدمجة بهدف تحسين عملية تعيين التصنيفات. وتُدمج MatchNet في شبكة كشف المسارات الحديثة مثل شبكة التحسين عبر الطبقات للكشف عن المسارات (CLRNet)، حيث تحل محل عملية تعيين التصنيفات التقليدية بشبكة فرعية. ويُظهر النموذج المدمج، المُسمى CLRmatchNet، تفوقًا ملحوظًا على CLRNet، مع تحسن كبير في السيناريوهات التي تتضمن مسارات منحنية، حيث يُسجّل تحسنًا ملحوظًا في جميع الهياكل الأساسية بنسبة +2.8% لـ ResNet34، و+2.3% لـ ResNet101، و+2.96% لـ DLA34. بالإضافة إلى ذلك، يحافظ النموذج على نتائج مماثلة أو حتى يُحسّنها في الأجزاء الأخرى. ويساهم منهجنا في رفع مستوى الثقة في كشف المسارات، مما يسمح برفع حد الثقة المطلوب. يُمكن الاطلاع على الكود عبر الرابط التالي: https://github.com/sapirkontente/CLRmatchNet.git