مستوحاة من تركيز السائق البشري، تُقدّم هذه الدراسة شبكة مُحسَّنة بدمج تقنيات مبتكرة تشمل عينة التركيز (Focusing Sampling)، وتقييم مجال الرؤية الجزئي (Partial Field of View Evaluation)، وبنية FPN مُحسَّنة (Enhanced FPN architecture)، ووظيفة خسارة IoU الاتجاهية (Directional IoU Loss) — وهي تحسينات مُركَّزة على التغلب على العقبات التي تواجه الكشف الدقيق عن المسارات في السيارات ذاتية القيادة. أظهرت التجارب أن استراتيجية عينة التركيز التي نقترحها، والتي تُركّز على التفاصيل المهمة على مسافات بعيدة بخلاف النهج الموحَّدة، تُحسّن بشكل ملحوظ دقة الكشف عن المسارات المنحنية والبعيدة في كلاً من المعايير القياسية والتطبيقات العملية، وهو ما يُعدّ ضرورياً لضمان السلامة. في حين تُحقّق FENetV1 أداءً رائداً في المعايير التقليدية بفضل تحسينات تُعزل السياقات المُدركة للمنظور، والتي تُقلّد رؤية السائق البشري، فإن FENetV2 تُظهر أعلى درجة من الموثوقية في تحليل المجال الجزئي المُقترح. لذا نوصي بشكل خاص باستخدام الإصدار V2 للتطبيقات العملية، رغم التدهور الطفيف في الأداء على مقاييس الصور الكاملة القياسية. تشمل الاتجاهات المستقبلية جمع بيانات من الطرق الحقيقية، ودمج إطارين متكاملين لدفع التقدم الإضافي وفقاً لمبادئ الإدراك البشري. يمكن الاطلاع على الكود المصدر عبر الرابط: https://github.com/HanyangZhong/FENet.