لقد حققت الشبكات التلافيفية العميقة (ConvNets) أداءً غير مسبوق في العديد من مهام الرؤية الحاسوبية. ومع ذلك، ما زالت تكيفاتها لعدّ الحشود في الصور الفردية في مراحلها الأولى، وتعاني من تجاوز التكيف بشكل حاد. في هذا العمل، نقترح استراتيجية تعلم جديدة لإنتاج ميزات قابلة للتعميم من خلال التعلم السلبي الترابط العميق (NCL). وبشكل أكثر تحديدًا، نتعلم بشكل عميق مجموعة من المُعدّلات غير المرتبطة (decorrelated regressors) ذات قدرات تعميم قوية من خلال إدارة تنوعها الداخلي. يُسمّى الطريقة المقترحة التي نقدمها "الشبكة التلافيفية غير المرتبطة" (D-ConvNet)، وهي قابلة للتدريب من الطرف إلى الطرف (end-to-end) ومستقلة عن هياكل الشبكات الأساسية ذات التحويل التلافيفي الكامل. تُظهر التجارب الواسعة التي أجريت على الشبكة العميقة VGGNet وكذلك على هيكل شبكي مخصص من قبلنا تفوق D-ConvNet مقارنةً بعدة طرق حديثة متميزة. سيتم إصدار التنفيذ العملي للنموذج على الرابط: https://github.com/shizenglin/Deep-NCL