تنسق خوارزميات التنبؤ بالملحوظية العميقة مع ميزات التعرف على الكائنات، حيث تعتمد عادةً على معلومات إضافية مثل السياق البيئي، والعلاقات الدلالية، واتجاه النظرة، ودرجة اختلاف الكائنات. ومع ذلك، لا تأخذ أي من هذه النماذج بعين الاعتبار الطبيعة الزمنية لتحولات النظرة أثناء ملاحظة الصورة. نقدم نموذجًا جديدًا لتنبؤ بالملحوظية يتعلم إنتاج خرائط الملحوظية في فترات زمنية متتالية من خلال استغلال أنماط الانتباه الزمنية البشرية. ويقوم نهجنا بتعديل تنبؤات الملحوظية محليًا من خلال دمج الخرائط الزمنية المُتعلمة. تُظهر تجاربنا أن طريقتنا تتفوق على أحدث النماذج، بما في ذلك نموذج الملحوظية متعدد المدة، على معيار SALICON ومجموعة بيانات CodeCharts1k. وتم إتاحة الكود الخاص بنا بشكل عام على GitHub.