تُظهر العديد من كاشفات الكائنات الحديثة أداءً متميزًا من خلال استخدام آلية "النظر والتفكير مرتين". في هذه الورقة، نستكشف هذه الآلية في تصميم الهيكل الأساسي (backbone) للكشف عن الكائنات. على المستوى الكلي، نقترح بنية "الهرم المُتكرر للسمات" (Recursive Feature Pyramid)، التي تدمج روابط تغذية راجعة إضافية من شبكات الهرم للسمات (Feature Pyramid Networks) إلى طبقات الهيكل الأساسي من الأسفل إلى الأعلى. وعلى المستوى الدقيق، نقترح "ال.Convolution الأتروس القابلة للتبديل" (Switchable Atrous Convolution)، التي تقوم بتطبيق التصفية على السمات باستخدام معدلات أتروس مختلفة، ثم تجمع النتائج باستخدام دوال تبديل. وعند دمج هذين المكونين، نحصل على نموذج "DetectoRS"، الذي يُحسّن بشكل كبير أداء الكشف عن الكائنات. على مجموعة بيانات COCO test-dev، حقق DetectoRS أداءً رائدًا بـ 55.7% AP للصندوق (box AP) في الكشف عن الكائنات، و48.5% AP للقناع (mask AP) في التجزئة الفردية (instance segmentation)، و50.0% PQ في التجزئة الشاملة (panoptic segmentation). وتم إتاحة الشفرة المصدرية للنموذج بشكل عام.