في الآونة الأخيرة، أظهرت الطريقة القائمة على نموذج Transformer التي تستخدم صور الطيف الصوتي بدلاً من البيانات الصوتية دقة أعلى مقارنة بشبكات التعلم العميق التلافيفية (CNNs) في مهمة تمييز العواطف الصوتية. وتعتمد طريقة "Transformer البصري" (ViT)، وهي طريقة قائمة على Transformer، على دقة تصنيف عالية من خلال تقسيم الصورة المدخلة إلى شرائح، لكنها تواجه مشكلة تتمثل في فقدان معلومات موقع البكسل بسبب طبقات التضمين مثل التحويل الخطي. ولذلك، في هذه الورقة البحثية، نقترح طريقة جديدة لتحسين تمييز العواطف الصوتية القائمة على ViT من خلال دمج معلومات الإحداثيات. وبفضل الاحتفاظ بمعلومات موقع البكسل من خلال دمج معلومات الإحداثيات مع الصورة المدخلة، تم رفع الدقة بشكل كبير على مجموعة بيانات CREMA-D إلى 82.96% مقارنةً بأفضل الطرق الحالية في هذه المجموعة. ونتيجة لذلك، أثبتت النتائج فعالية طريقة دمج معلومات الإحداثيات التي نقترحها، ليس فقط في الشبكات التلافيفية (CNNs) بل أيضًا في نماذج Transformer.