أظهرت شبكات العصب الاصطناعية المتلافهة (CNNs) أداءً ممتازًا كتمثيلات عامة للخصائص في تطبيقات التعرف على الأشياء. ومع ذلك، بالنسبة للصور متعددة العلامات التي تحتوي على أشياء متعددة من فئات وأحجام ومواقع مختلفة، فإن خصائص CNN العالمية ليست مثلى. في هذا البحث، ندمج المعلومات المحلية لتعزيز قوة تمييز الخصائص. بصفة خاصة، نستخرج اقتراحات الأشياء من كل صورة. مع معاملة كل صورة كحقيبة واقتراحات الأشياء المستخرجة منها كحالات، نحول مشكلة التعرف متعدد العلامات إلى مشكلة تعلم متعدد الفئات ومتعدد الحالات. ثم، بالإضافة إلى استخراج التمثيل النموذجي المعتاد لـ CNN من كل اقتراح، نقترح استخدام شروح الحدود الحقيقية (العلامات القوية) لإضافة مستوى آخر من المعلومات المحلية باستخدام علاقات الجيران الأقرب للمناطق المحلية لتشكيل خط أنابيب متعدد الآراء. يُستخدم الإطار المقترح متعدد الآراء ومتعدد الحالات بكفاءة في الاستفادة من العلامات الضعيفة والقوية، وأهم من ذلك أنه يتمتع بقدرة التعميم حتى لتحسين أداء الفئات غير المعروفة عن طريق العلامات القوية الجزئية من فئات أخرى. تم مقارنة إطارنا بشكل واسع مع طرق اليد المصنوعة المستندة إلى الخصائص وطرق الـ CNN على مجموعة بيانات معيارية متعددة العلامات. تؤكد النتائج التجريبية قوة التمييز وقدرة التعميم للإطار المقترح. بفضل العلامات القوية، يمكن لإطارنا تحقيق أفضل النتائج في كلا مجموعة البيانات.