في مجال التجزئة حسب المثيل (instance segmentation)، تعتمد معظم الشبكات العميقة المتطورة حاليًا على هياكل متسلسلة (cascade architectures)، حيث يتم تدريب عدد من كاشفات الكائنات تباعًا، مع إعادة أخذ عينات من البيانات الحقيقية (ground truth) في كل خطوة. يُعد هذا النهج حلاً لمشكلة اختفاء العينات الإيجابية بشكل أسي، لكنه يُترجم أيضًا إلى زيادة في تعقيد الشبكة من حيث عدد المعلمات. ولحل هذه المشكلة، نقترح نموذج R^3-CNN (R^3-CNN)، الذي يتجنب التكرار من خلال إدخال آلية حلقة (loop mechanism) بدلًا من التسلسل. وفي الوقت نفسه، يحقق تحسينًا في الجودة باستخدام تقنية إعادة أخذ العينات المتكررة (recursive re-sampling)، حيث يتم استخدام قيمة محددة لـ IoU (Intersection over Union) في كل تكرار، بهدف تغطية متساوية لطيف العينات الإيجابية في النهاية. تُظهر التجارب أن آلية الحلقة مُشفّرة بشكل خاص في القيم العشوائية (الوزن) للنموذج، مما يستدعي استخدامها في مرحلة الاستنتاج (inference). ويُظهر نموذج R^3-CNN أداءً أفضل من النموذج الأخير المُقترح HTC، مع تقليل كبير في عدد المعلمات. كما تُظهر التجارب على مجموعة بيانات COCO minival 2017 تحسينًا في الأداء بغض النظر عن النموذج الأساسي المستخدم. يمكن الوصول إلى الكود عبر الرابط الإلكتروني التالي: https://github.com/IMPLabUniPr/mmdetection/tree/r3_cnn.