الخصائص الشعاعية العميقة المستخرجة من مجموعة بيانات شاملة مصنفة تحتوي على تمثيلات ذات أهمية كبيرة يمكن استخدامها بكفاءة في مجال جديد. رغم أن الخصائص العامة حققت نتائج جيدة في العديد من المهام البصرية، إلا أنه يتعين ضبط النماذج العصبية العميقة المدربة مسبقًا لتحسين فعاليتها وتقديم أداء رائد. عملية الضبط الدقيق باستخدام خوارزمية التراجع الخلفي في بيئة مراقبة تستهلك الكثير من الوقت والموارد. في هذا البحث، نقدم هندسة جديدة ومنهجية للتمييز بين الأشياء دون إشراف تحل مشكلة الضبط الدقيق المرتبطة بالطرق التعليمية العميقة المبنية على شبكات CNN المدربة مسبقًا مع السماح باستخراج الخصائص بشكل آلي. على عكس الأعمال الحالية، فإن منهجيتنا تنطبق على مهام التمييز بين الأشياء بشكل عام. تستخدم هذه المنهجية نموذج CNN مدرب مسبقًا (في مجال ذي صلة) لاستخراج الخصائص بشكل آلي، متصل بذاكرة ارتباطية مستندة إلى شبكة هوبفيلد لتخزين الأنماط لأغراض التصنيف. استخدام بنك الذاكرة الارتباطية في إطارنا يسمح بإلغاء التراجع الخلفي مع تقديم أداء تنافسي على مجموعة بيانات غير معروفة سابقًا.