نحدد مشكلة الكشف عن الأشياء من الصور على أنها تقدير توزيع احتمالي شديد الندرة ولكنه كبير جدًا يعتمد على الصندوق الحديدي (bounding box). بعد ذلك، نحدد مخطط تقدير التوزيع النادر الموجه (Directed Sparse Sampling) ونستخدمه في نموذج كشف واحد يعتمد على الشبكة العصبية الم convoled (CNN) من البداية إلى النهاية. هذه المنهجية تمتد وتُشكِّل رسميًا النماذج الرائدة السابقة في الكشف مع التركيز الإضافي على معدلات التقييم المرتفعة وخفض الهندسة اليدوية. نقدم ابتكارين، وهما مقدر منطقة الاهتمام القائم على الزوايا والنموذج القائم على الشبكة العصبية الم convoled بناءً على الانفaltung (deconvolution). النموذج الناتج متكيف مع المشهد، ولا يتطلب صناديق حدودية محددة يدويًا ويحقق نتائج تنافسية للغاية على MSCOCO وPascal VOC 2007 وPascal VOC 2012 بمعدلات تقييم في الوقت الحقيقي. تشير التحليلات الإضافية إلى أن نموذجنا يؤدي بشكل أفضل خاصة عند رغبة التحديد الدقيق لمواقع الأشياء. نعتقد أن هذا الفضل ينبع من مجموعة المناطق المعنية المتاحة التي تكون أكبر بكثير مقارنة بالطرق الأخرى. يمكن الحصول على الكود المصدر من: https://github.com/lachlants/denet请注意，某些专业术语在阿拉伯语中可能没有完全对应的词汇，因此我在翻译时保留了英文原词（如“convoled”和“deconvolution”），并在其后加上了阿拉伯语解释。希望这能帮助您更好地理解这些术语。如果您需要进一步的调整或有特定的术语偏好，请告知我。