في هذا العمل، نتناول مشكلة اكتشاف المشاة في المشاهد الطبيعية. بشكل حدسي، قد تظهر حالات المشاة بمقاييس فضائية مختلفة خصائص متفاوتة بشكل كبير. وبالتالي، فإن التباين الكبير في مقاييس الحالات يؤدي إلى تباين غير مرغوب فيه داخل الفئة الواحدة من الخصائص، مما قد يؤثر سلباً وبشكل كبير على أداء طرق اكتشاف الحالات الحديثة للأشياء. نعتقد أن هذه المشكلة يمكن تخفيفها بشكل كبير من خلال الفلسفة القائمة على تقسيم المشكلة وحلها جزءًا جزءًا (divide-and-conquer). باعتبار اكتشاف المشاة كمثال، نوضح كيف يمكن الاستفادة من هذه الفلسفة لتطوير إطار عمل Scale-Aware Fast R-CNN (SAF R-CNN). يُدخل النموذج عدة شبكات فرعية مدمجة تقوم باكتشاف المشاة بمقاييس تنتمي إلى نطاقات منفصلة. ثم يتم دمج المخرجات من جميع الشبكات الفرعية بطريقة متكيفة لإنتاج نتائج الاكتشاف النهائية التي تُظهر صلابتها إزاء التباين الكبير في مقاييس الحالات، وذلك عبر دالة بوابة معرفة على أحجام الاقتراحات الأولية للأشياء. تم إجراء تقييمات واسعة على عدة قواعد بيانات تحدي لاكتشاف المشاة والتي أثبتت فعالية SAF R-CNN المقترح بشكل جيد. وبشكل خاص، حققت طريقتنا أفضل الأداء الحالي على قاعدة بيانات Caltech وINRIA وETH، وحققت نتائج تنافسية على قاعدة بيانات KITTI.