التعلم متعدد المهام هو نهج شائع لتدريب شبكات عصبية عالية الأداء مع تعميم محسن. في هذا البحث، نقترح فئة خلفية لتحقيق تعميم أفضل بكمية أقل من الحسابات مقارنة بالتعلم متعدد المهام، مما يساعد الباحثين والمنظمات ذات القدرات الحاسوبية المحدودة. كما نقدم منهجية لاختيار صور الخلفية ونناقش التحسينات المحتملة في المستقبل. نطبق نهجنا على عدة مجموعات بيانات ونحقق تعميماً أفضل بكثير من الحسابات. من خلال خرائط التنشيط الفئوي (CAMs) للنماذج المدربة، رصدنا ميل النموذج إلى النظر في الصورة الأكبر باستخدام منهجية تدريب النموذج المقترحة. عند تطبيق محول الرؤية مع فئة الخلفية المقترحة، نحصل على أداء رائد (SOTA) على مجموعات البيانات CIFAR-10C، Caltech-101، و CINIC-10. يمكن الحصول على أمثلة للscrips في مجلد CAM في المستودع التالي على GitHub: github.com/dipuk0506/UQ