الكشف عن الكائنات في الصور المستشعرة الضوئية يُعد مهمة مهمة وصعبة. في السنوات الأخيرة، حققت الطرق القائمة على الشبكات العصبية التلافيفية تقدماً ملحوظاً. ومع ذلك، نظراً لتنوع حجم الكائنات، ونسبة العرض إلى الطول، والتوجه العشوائي، يظل من الصعب تحسين أداء الكشف بشكل أكبر. في هذا البحث، نناقش دور الميزات التمييزية في الكشف عن الكائنات، ثم نقترح شبكة تُسمى "الشبكة المُركّزة على ميزات حاسمة" (CFC-Net) لتحسين دقة الكشف من ثلاث جوانب: بناء تمثيل قوي للميزات، وتحسين المراجع المُحددة مسبقاً، وتحسين تعيين التسميات. بشكل مفصل، نقوم أولاً بفصل ميزات التصنيف عن ميزات الانحدار، ثم نبني ميزات حاسمة قوية مُعدّة لكل مهمة على حدة من خلال وحدة الانتباه القطبي (PAM). وباستخدام ميزات الانحدار التمييزية المستخرجة، تقوم وحدة تحسين المراجع الدورانية (R-ARM) بتحسين التموضع للمراجع الأفقية المُحددة مسبقاً، مما يُنتج مراجع دوّارة متفوّقة. ثم، نُقدّم استراتيجية التعلّم الديناميكي للمراجع (DAL) لاختيار مراجع عالية الجودة تلقائياً بناءً على قدرتها على اكتشاف الميزات الحاسمة. يُنشئ الإطار المقترح تمثيلاً شاملاً وقوياً للسياق للكائنات في الصور المستشعرة، ويحقق كشفاً فعّالاً في الزمن الحقيقي. أظهرت النتائج التجريبية على ثلاث مجموعات بيانات مستشعرة من الطائرات مثل HRSC2016 وDOTA وUCAS-AOD أن طريقة العمل لدينا تتفوّق على العديد من الطرق المتطورة حديثاً من حيث الأداء. يمكن الوصول إلى الكود والنموذج عبر الرابط: https://github.com/ming71/CFC-Net.