حساب هيكل الأجسام في الصور الطبيعية يعتبر تحديًا، نظرًا للتغيرات الكبيرة في مظهر وحجم الأجسام، ومعقدة التعامل مع الفوضى الخلفية. العديد من الطرق الحديثة تضع اكتشاف هيكل الجسم كمشكلة تصنيف ثنائية للبكسل، وهي مشابهة في روحها للكشف عن الحواف القائم على التعلم، وكذلك لأساليب التقسيم الدلالي. في هذا المقال، نبتعد عن هذه الاستراتيجية من خلال تدريب شبكة عصبية اصطناعية (CNN) لتوقع حقل متجه ثنائي الأبعاد، يربط كل نقطة في المشهد بكسل هيكل مرشح، وفي روح خوارزميات التشكيل المستند إلى التدفق. يمتلك تمثيل "تدفق سياق الصورة" (image context flux) هذا ميزتين رئيسيتين على النهج السابق. أولاً، يرمّز بشكل صريح لموضع البكسل الهيكلي بالنسبة للأجسام ذات المعنى الدلالي، مثل نقاط الصورة في سياقها المكاني، وبالتالي أيضًا الحدود الضمنية للأجسام. ثانيًا، بما أن سياق اكتشاف الهيكل هو حقل متجه قائم على المنطقة，则更能应对宽大的物体部分。然而，这句话在阿拉伯语中需要进行适当的调整以确保其流畅性和准确性。因此，我将其调整为：ثانيًا، بما أن سياق اكتشاف الهيكل هو حقل متجه قائم على المنطقة، فإنه قادر بشكل أفضل على التعامل مع أجزاء الأجسام ذات العرض الكبير. نقيم الطريقة المقترحة على ثلاثة مجموعات بيانات مقاييس لأجل اكتشاف الهيكل وعلى مجموعتين لأجل اكتشاف التناظر، حيث حققت أداءً ثابتًا وأفضل من الطرق الرائدة في المجال.