نقدم طريقة جديدة تُسمى CenterPoly لتقسيم الحالات في الوقت الفعلي باستخدام مضلعات الحدود. نطبق هذه الطريقة لاكتشاف مستخدمي الطريق في البيئات الحضرية الكثيفة، مما يجعلها مناسبة للتطبيقات في أنظمة النقل الذكية مثل المركبات الآلية. يقوم CenterPoly باكتشاف الأشياء من خلال نقطة مفتاح المركز الخاصة بها بينما يتوقع عددًا ثابتًا من رؤوس المضلع لكل كائن، وبالتالي يقوم بالاكتشاف والتقسيم بشكل متوازي. يتم مشاركة معظم معلمات الشبكة بين رؤوس الشبكة، مما يجعلها سريعة وخفيفة الوزن بما يكفي للتشغيل بسرعات الوقت الفعلي. لتحويل البيانات الأولية للقناع إلى بيانات أولية للمضلع بشكل صحيح، صممنا استراتيجية اختيار الرؤوس لتسهيل تعلم المضلعات. بالإضافة إلى ذلك، لتحسين تقسيم الأشياء المتداخلة في المشاهد الحضرية الكثيفة، نقوم أيضًا بتدريب فرع العمق النسبي لتحديد أي الحالات أقرب وأي الحالات أبعد باستخدام التوقيعات الضعيفة المتاحة. نقترح عدة نماذج مع عموديات مختلفة لتوضيح التنازلات المحتملة بين السرعة والدقة. تم تدريب وتقييم النماذج على Cityscapes و KITTI و IDD، وقد تم الإبلاغ عن النتائج على مقاييسهم العامة، وهي تعتبر من أفضل التقنيات في سرعات الوقت الفعلي. يمكن الحصول على الكود من https://github.com/hu64/CenterPoly