تحسين مقياس تصنيف مثل الدقة المتوسطة (Average Precision - AP) معروف بصعوبته الشديدة بسبب عدم قابليته للتفاضل، وبالتالي لا يمكن تحسينه مباشرة باستخدام طرق التدرج الهبوطي. لهذا الغرض، نقدم هدفًا يحسن تقريبًا مُستَوِيًّا لـ AP، والذي أطلقنا عليه اسم Smooth-AP. يعتبر Smooth-AP دالة هدف "Plug-and-Play" تسمح بتدريب شبكات العمق بشكل كامل من البداية إلى النهاية بتنفيذ بسيط ورقيق. كما نقدم تحليلًا يوضح الأسباب التي تجعل تحسين مقياس التصنيف AP مباشرة يقدم فوائد على خسائر التعلم العميق الأخرى المستندة إلى المقاييس. نطبق Smooth-AP على مقاييس الاسترجاع القياسية: منتجات ستانفورد عبر الإنترنت (Stanford Online Products) و VehicleID، ونقيم أدائه أيضًا على مجموعات بيانات أكبر حجمًا: INaturalist للاسترجاع الفئوي الدقيق، و VGGFace2 و IJB-C للاسترجاع الوجهي. في جميع الحالات، نحسن الأداء عن أفضل ما تم تحقيقه حتى الآن، خاصة بالنسبة لمجموعات البيانات الأكبر حجمًا، مما يثبت فعالية وقابلية توسع Smooth-AP في السيناريوهات الحقيقية.