في الآونة الأخيرة، قدم باربو وآخرون مجموعة بيانات تُسمى ObjectNet، والتي تتضمن كائنات من الحياة اليومية في سياقات واقعية. وقد أظهروا انخفاضًا كبيرًا في أداء نماذج التعرف على الكائنات الأحدث في هذا المجال على هذه المجموعة. نظرًا لأهمية نتائجهم وتداعياتها على قدرة النماذج العميقة على التعميم، قمنا بمراجعة ثانية لنتائجهم. ونسلط الضوء على مشكلة رئيسية في عملهم، وهي تطبيق نماذج التعرف على الكائنات على مشاهد تحتوي على أكثر من كائن واحد، بدلاً من الكائنات المعزولة. ويؤدي هذا التمييز إلى تحسن في الأداء بنسبة تصل إلى 20-30٪ باستخدام الشيفرة التي نستخدمها. ومقارنةً بالنتائج المبلغ عنها في ورقة ObjectNet، نلاحظ أن ما يقارب 10-15٪ من خسارة الأداء يمكن استعادتها، دون الحاجة إلى أي تكبير للبيانات أثناء الاختبار. ومع ذلك، ووفقًا لاستنتاجات باربو وآخرين، نستنتج أيضًا أن النماذج العميقة تعاني بشدة على هذه المجموعة. وبالتالي، نعتقد أن ObjectNet تظل مجموعة بيانات صعبة التحدي لاختبار قدرة النماذج على التعميم خارج البيانات التي تم تدريبها عليها.