عادةً ما تُعد كاشفات الأشياء الحديثة جدًا تُقلّص تدريجيًا صورة المدخل حتى تُمثّل بخرائط ميزات صغيرة، مما يؤدي إلى فقدان المعلومات المكانية ويُضعف تمثيل الأشياء الصغيرة. في هذه المقالة، نقترح شبكة كتلة مُدركة للسياق (CAB Net) لتحسين كشف الأشياء الصغيرة من خلال بناء خرائط ميزات ذات دقة مكانية عالية وقوية في المعنى. لتعزيز قدرة تمثيل خرائط الميزات ذات الدقة المكانية العالية داخليًا، صممنا بعناية كتلة مُدركة للسياق (CAB). تعتمد CAB على الت convolutionات المُوسعة هرمية لدمج معلومات سياقية متعددة المستويات دون فقدان الدقة الأصلية لخرائط الميزات. ثم نُركّب CAB في نهاية شبكة أساسية مقطوعة (مثل VGG16) التي تمتلك معامل تقليل نسبيًا صغيرًا (مثل 8)، ونُزيل جميع الطبقات اللاحقة. تُمكن CAB Net من التقاط الأنماط البصرية الأساسية بالإضافة إلى المعلومات المعنوية للأجسام الصغيرة، مما يُحسّن أداء كشف الأشياء الصغيرة. أظهرت التجارب التي أُجريت على معايير مجموعة بيانات تسينغهوا-تينسنت 100K ومجموعة بيانات مطار أن CAB Net تتفوّق بفارق كبير على كاشفات الأشياء الرائدة الأخرى مع الحفاظ على سرعة زمنية حقيقية، مما يُثبت فعالية CAB Net في كشف الأشياء الصغيرة.