من الصعب على الشبكة المُدرَّبة بشكل ضعيف الكشف عن الكائنات التنبؤ بدقة بمواقع الكائنات، نظرًا لعدم توفر تسميات فئة على مستوى المثيلات. تميل معظم الطرق الحالية إلى حل هذه المشكلة باستخدام عملية تدريب مزدوجة المراحل، أي كاشف تعليم متعدد المثيلات يتبعه كاشف مُدرَّب بشكل كامل مع انحدار على مربعات الحدود. بناءً على ملاحظاتنا، قد تؤدي هذه العملية إلى تقليل محلي لفئات كائنات معينة. في هذه الورقة، نقترح تدريب المراحل المزدوجة بشكل مشترك بطريقة نهاية إلى نهاية للتعامل مع هذه المشكلة. وبشكل محدد، نصمم شبكة واحدة تحتوي على فرعين: فرع تعليم متعدد المثيلات وفرع انحدار على مربعات الحدود، حيث يشتركان في نفس الهيكل الأساسي. وفي الوقت نفسه، نضيف وحدة انتباه موجهة تعتمد على خسارة التصنيف إلى الهيكل الأساسي لاستخراج معلومات الموقع الضمنية في الميزات بشكل فعّال. أظهرت النتائج التجريبية على مجموعات بيانات عامة أن طريقة التدريب لدينا تحقق أداءً من الدرجة الأولى في المجال.