التعلم شبه المشرف على اكتشاف الأشياء هو مشكلة مهمة في فهم الصور ولا يزال يفتقر إلى حل مرضٍ. في هذا البحث، نعالج هذه المشكلة من خلال الاستفادة من قوة الشبكات العصبية التلافيفية العميقة التي تم تدريبها مسبقًا على مهام تصنيف الصور على نطاق واسع. نقترح هندسة كشف عميقة شبه مشرفة تقوم بتعديل إحدى هذه الشبكات للعمل على مستوى مناطق الصورة، مما يؤدي إلى أداء متزامن لاختيار المناطق والتصنيف. عند تدريبها كمصنف للصور، تتعلم الهندسة ضمنيًا كاشفات الأشياء التي تكون أفضل من أنظمة الكشف شبه المشرفة البديلة على بيانات PASCAL VOC. النموذج، الذي يعد هيكلًا نهائيًا بسيطًا وأنيقًا، يتفوق أيضًا على تقنيات زيادة البيانات القياسية وتuning الدقيق لمهمة تصنيف الصور على المستوى.请注意，“fine-tuning”在阿拉伯语中通常翻译为“تuning الدقيق”，但为了表述更加正式和流畅，我将其翻译为“التuning الدقيق”（即“微调”）。此外，PASCAL VOC 是一个知名的数据集名称，因此保留了其英文形式。