يُقدّم هذا البحث نموذجًا بسيطًا وفعّالًا للكشف الفوري عن السيارات وعدّها في الصور الجوية. يُسمّى النموذج المقترح بشبكة عصبية تلافيفية تُسمّى "مُتعلّم الخريطة الحرارية" (HLCNN)، والتي تُستخدم لتوقع خريطة الحرارة الخاصة بInstances السيارات المستهدفة. ولتمكين النموذج من تعلّم خريطة الحرارة للسيارات المستهدفة، قمنا بتحسين بنية الشبكة العصبية التلافيفية من خلال إضافة ثلاث طبقات تلافيفية كطبقات تكيّف، بدلًا من الطبقات المتصلة بالكامل. وقد استُخدمت الشبكة VGG-16 كهيكل أساسي (backbone) في النموذج المقترح. وقد أظهرت النتائج أن الطريقة المقترحة نجحت في تحديد عدد السيارات بدقة، كما تمكّنت من كشف مركز السيارات المستهدفة بدقة عالية. وتم إجراء تجارب على مجموعتين مختلفتين من بيانات السيارات (PUCPR+ وCARPK)، حيث أظهرت النتائج أداءً متفوّقًا على أحدث الطرق الموجودة في مجال العد والتحديد المكاني. كما تم إجراء تجارب لفحص تأثير تكبير البيانات (data augmentation) وطريقة التطبيع بالدفعة (batch normalization) على نجاح الطريقة المقترحة. سيتم توفير الشفرة والبيانات هنا [https://www.github.com/ekilic/Heatmap-Learner-CNN-for-Object-Counting].