لقد حظيت تقنية التعرف على الحركات الدقيقة (MAR) باهتمام متزايد بسبب دورها الحاسم كشكل من أشكال التواصل غير اللفظي في التفاعلات الاجتماعية، والتي تتمتع بآفاق واعدة في تطبيقات التواصل البشري وتحليل العواطف. ومع ذلك، غالباً ما تغفل النهج الحالية عن الغموض المتأصل في الحركات الدقيقة، والذي ينشأ من نطاق الفئات الواسع والاختلافات البصرية الدقيقة بين الفئات. هذا الإغفال يعيق دقة التعرف على الحركات الدقيقة. في هذه الورقة البحثية، نقترح شبكة جديدة لتعديل الغموض النموذجي (PCAN) بهدف الكشف عن الغموض وتخفيفه في MAR. أولاً، نستخدم شجرة حركية هرمية لاكتشاف العينات الغامضة، وتصنيفها إلى مجموعات مختلفة من العينات الغامضة للسلبيات الخاطئة والإيجابيات الخاطئة، مع مراعاة فئات مستوى الجسم ومستوى الحركة. ثانياً، نقوم بتنفيذ وحدة تعديل مقارنة غامضة لضبط هذه العينات الغامضة من خلال تنظيم المسافة بين العينات الغامضة والنماذج المرتبطة بها. يهدف هذا عملية التعديل إلى جعل العينات السلبية الخاطئة (FN) أقرب إلى نماذجها الخاصة ودفع العينات الإيجابية الخاطئة (FP) بعيداً عن النماذج التابعة لها. بالإضافة إلى ذلك، نقترح خسارة جديدة لتضخيم التنوع النموذجي لتعزيز قدرة النموذج من خلال زيادة الاختلاف بين النماذج المختلفة. أخيراً، نقترح تصحيحًا موجهًا بالنموذج لتصحيح التنبؤ من خلال دمج قابلية تمثيل النماذج. تُظهر التجارب الواسعة التي أجريت على مجموعة بيانات مرجعية الأداء المتفوق لنهجنا مقارنة بالطرق الموجودة حالياً. يمكن الوصول إلى الكود عبر الرابط: https://github.com/kunli-cs/PCAN.