تلعب الميزات التلافيفية الفعّالة دورًا مهمًا في تقدير الجاذبية، ولكن لا يزال من الصعب تعلّم ميزات قوية للجاذبية. تُطبّق الطرق القائمة على FCN الميزات التلافيفية متعددة المستويات مباشرة دون تمييز، مما يؤدي إلى نتائج غير مثلى بسبب التشويش الناتج عن التفاصيل الزائدة. في هذا البحث، نقترح شبكة جديدة موجهة بالانتباه، والتي تُدمج بشكل تدريجي ومُختارة معلومات سياقية متعددة المستويات. يمكن للميزات المُنتجة بواسطة شبكتنا والتي تُظهر انتباهًا أن تخفف من تأثير الخلفية، وبالتالي تحقق أداءً أفضل. من ناحية أخرى، لاحظنا أن معظم الخوارزميات الحالية تقوم بتحديد الكائنات الجاذبة من خلال استغلال ميزات الإخراج الجانبي لشبكة استخراج الميزات الأساسية. ومع ذلك، تفتقر الطبقات الأقل عمقًا من شبكة الأساس إلى القدرة على اكتساب معلومات دلالية عامة، مما يحد من تعلّم الميزات الفعّالة. لحل هذه المشكلة، نُقدّم تغذية راجعة متعددة المسارات متكررة لتعزيز الإطار المُقترح القائم على الانتباه التدريجي. من خلال الاتصالات المتعددة المسارات المتكررة، يتم نقل المعلومات الدلالية العامة من الطبقة التلافيفية العليا إلى الطبقات الأقل عمقًا، مما يُحسّن بشكل جوهري الشبكة بأكملها. أظهرت النتائج التجريبية على ستة مجموعات بيانات معيارية أن خوارزميتنا تتفوّق على الأساليب الرائدة في مجالها.