النماذج الجزئية القابلة للتشوه (DPMs) والشبكات العصبية التلافيفية (CNNs) هما أداوتان شائعتان في مجال التعرف البصري. عادةً ما يتم النظر إليهما كمناهج مختلفة: فالنماذج الجزئية القابلة للتشوه هي نماذج بيانية (حقول عشوائية ماركوفية)، بينما الشبكات العصبية التلافيفية هي تصنيفات غير خطية "مغلقة" (black-box). في هذا البحث، نوضح أن النموذج الجزئي القابل للتشوه يمكن صياغته على شكل شبكة عصبية تلافيفية، مما يوفر دمجًا جديدًا بين الفكرتين. يتضمن بناؤنا فك طيات خوارزمية الاستدلال في النموذج الجزئي القابل للتشوه وربط كل خطوة بطبقة مكافئة (وأحيانًا جديدة) من الشبكة العصبية التلافيفية. من هذه الزاوية، يصبح من الطبيعي استبدال الخصائص القياسية المستخدمة في النموذج الجزئي القابل للتشوه بمستخرج خصائص تم تعلمه. نطلق على النموذج الناتج اسم DeepPyramid DPM ونقوم بتجربته وإثبات صحته على مجموعة بيانات PASCAL VOC. يتفوق DeepPyramid DPM بشكل كبير على النماذج الجزئية القابلة للتشوه التي تعتمد على خرائط التدرجات الموجهة (HOG)، ويتفوق قليلاً على إصدار مماثل لنظام الكشف R-CNN الذي تم تقديمه مؤخرًا، مع العمل بمعدل أسرع بمقدار عُشر.