في مجال الرؤية الحاسوبية (CV)، يظل التوازن بين السرعة والدقة تحديًا كبيرًا. وقد ركزت الجهود الأخيرة على تطوير شبكات خفيفة الوزن تُحسّن الكفاءة الحسابية واستخلاص الميزات. ومع ذلك، في صور الاستشعار عن بعد (RS)، حيث يُعدّ كشف الكائنات الصغيرة والمتعددة المقاييس أمرًا بالغ الأهمية، تُظهر هذه الشبكات غالبًا أداءً غير كافٍ. لمعالجة هذه التحديات، تم اقتراح "ديكوبلنيت" (DecoupleNet)، وهي شبكة أساسية خفيفة الوزن مبتكرة مصممة خصيصًا للمهام البصرية في الاستشعار عن بعد في البيئات ذات الموارد المحدودة. تضم ديكوبلنيت وحدتين رئيسيتين: وحدة التجميع التنازلي للميزات (FID) ووحدة فصل الميزات متعددة الفروع (MBFD). تُحافظ وحدة FID على ميزات الكائنات الصغيرة أثناء عملية التنازل، بينما تُعزّز وحدة MBFD تمثيل ميزات الكائنات الصغيرة والمتعددة المقاييس من خلال نهج جديد في الفصل. وقد أظهرت التقييمات الشاملة على ثلاث مهام بصرية في الاستشعار عن بعد تفوق ديكوبلنيت في التوازن بين الدقة والكفاءة الحسابية مقارنة بالشبكات الخفيفة الأخرى. على مجموعة بيانات التصنيف NWPU-RESISC45، حققت ديكوبلنيت دقة تصنيف أعلى بنسبة 1% تبلغ 95.30%، متفوقة على FasterNet بنسبة 2%، مع عدد أقل من المعاملات وعبء حسابي أقل. وفي مهام الكشف عن الكائنات باستخدام مجموعة بيانات DOTA 1.0، سجّلت ديكوبلنيت دقة قدرها 78.04%، متفوقة على ARC-R50 بنسبة 0.69%. أما في مهام التصنيف الدلالي على مجموعة بيانات LoveDA، فقد حققت ديكوبلنيت دقة قدرها 53.1%، متفوقة على UnetFormer بنسبة 0.70%. هذه النتائج تفتح آفاقًا جديدة لتعزيز تحليل صور الاستشعار عن بعد على الأجهزة ذات الموارد المحدودة، وتسد فجوة جوهرية في هذا المجال. تم إتاحة الكود النموذجي والنموذج المُدرّب مسبقًا للجمهور عبر الرابط: https://github.com/lwCVer/DecoupleNet.