الفكرة الأساسية في الطرق الحديثة للتعلم العميق المُوجهة للتنبؤ الكثيف هي تطبيق نموذج على قطعة منتظمة مركزها كل بكسل لإجراء تنبؤات حسب البكسل. تُعاني هذه الطرق من قيد مفاده أن أحجام وشكل القطع تُحدَّد وفقًا لهيكل الشبكة العصبية بدلًا من أن تُتعلَّم من البيانات. في هذه الدراسة، نقترح شبكات التحويل الكثيفة (Dense Transformer Networks)، التي تُقدِّر أشكال أحجام القطع من البيانات. تعتمد شبكات التحويل الكثيفة على هيكل مُشفِّر-مُفكِّك، ويتم إدراج زوج من وحدات التحويل الكثيفة في كل من مسار المُشفِّر ومسار المُفكِّك. وتميّز هذه الدراسة بأنها تقدِّم حلولًا تقنية لتعلُّم أشكال أحجام القطع من البيانات، وتمكّن من استعادة العلاقة المكانية المطلوبة للتنبؤ الكثيف بكفاءة. وتتميز وحدات التحويل الكثيفة المقترحة بأنها قابلة للتفاضل، مما يسمح بتدريب الشبكة بالكامل. وقد طبّقنا الشبكات المقترحة على مهام تقسيم الصور البيولوجية، وأظهرت النتائج أداءً متفوّقًا مقارنةً بالطرق الأساسية.