الشبكات العصبية المتشابكة (convnets) التي تم تدريبها على مجموعات بيانات ضخمة ومعنونة قد أحدثت تحسينًا كبيرًا في تقنيات تصنيف الصور وتحديد الأشياء. ومع ذلك، يتطلب الفهم البصري إنشاء مطابقة على مستوى أدق من فئة الشيء. نظرًا لمناطق التجميع الكبيرة لديها والتدريب باستخدام علامات صورة كاملة، فإن الأمر غير واضح فيما إذا كانت الشبكات المتشابكة تستند إلى نموذج مطابقة دقيق يمكن استخدامه للتحليق الدقيق. في هذا البحث، ندرس فعالية خصائص تنشيط الشبكات المتشابكة للمهام التي تتطلب المطابقة. نقدم أدلة على أن خصائص الشبكات المتشابكة تقوم بالتحليق على نطاق أدق بكثير من أحجام مجالاتها المستقبلية، وأنها يمكن استخدامها لأداء التحالف داخل الفئات بمستوى يعادل الخصائص التقليدية المصممة يدويًا، وأنها تتفوق على الخصائص التقليدية في التنبؤ بنقط الإرشاد (keypoints) للأجسام من مجموعة بيانات PASCAL VOC 2011.