حققت طرق التعلم العميق نجاحًا كبيرًا في اكتشاف المشاة، بفضل قدرتها على تعلم الخصائص من البكسلات الخام. ومع ذلك، فإنها تركز بشكل أساسي على التقديمات الوسطى، مثل وضعية المشاة، ولكنها تخلط بين العينات الإيجابية والعينات السلبية الصعبة التي تحمل غموضًا كبيرًا، مثل شكل وظهور "جذع الشجرة" أو "عمود الكابلات" اللذين يتشابهان مع المشاة من وجهة نظر معينة. يمكن تمييز هذا الغموض من خلال التقديمات العليا. بهدف تحقيق ذلك، تعمل هذه الدراسة على تحسين اكتشاف المشاة بشكل مشترك مع المهام الدلالية، بما في ذلك خصائص المشاة (مثل "حمل حقيبة ظهر") وخواص المشهد (مثل "الطريق"، "الشجرة"، و"الأفق"). بدلاً من إضافة معلومات خواص المشهد بتكلفة باهظة، نقوم بنقل المعلومات الخاصة بالخواص من مجموعات بيانات تقسيم المشاهد الموجودة إلى مجموعة بيانات المشاة، وذلك من خلال اقتراح نموذج عميق جديد لتعلم الخواص العليا من مهام متعددة ومصادر بيانات مختلفة. نظرًا لأن المهام المختلفة لديها معدلات تقارب مختلفة وأن البيانات من مجموعات البيانات المختلفة لها توزيعات مختلفة، فقد تم تصميم دالة هدف متعددة المهام بعناية لتنسيق المهام وتقليل الاختلافات بين مجموعات البيانات. يمكن تقدير معاملات الأهمية للمهام والمعلمات الشبكية في هذه الدالة الهدف بشكل تكراري. أظهرت التقييمات الواسعة أن النهج المقترح يتفوق على أفضل الأساليب الحالية في مجموعتي البيانات الصعبتين Caltech وETH، حيث يخفض معدل الأخطاء الفائتة للنماذج العميقة السابقة بنسبة 17٪ و5.5٪ على التوالي.