بينما حققت الشبكات العصبية التلافيفية (CNNs) تقدماً ملحوظاً في كشف الظلال، فإنها تميل إلى ارتكاب أخطاء في المناطق غير الظليلة المظلمة والمناطق الظليلة النسبياً مضيئة. كما أنها عرضة للتغيرات في السطوع. تُظهر هذه الظاهرتان أن كاشفات الظلال العميقة تعتمد بشكل كبير على معطى الشدة، وهو ما نسميه "تحيّز الشدة". في هذا البحث، نقترح خطة جديدة لتفكيك الميزات وإعادة توزيعها لتحسين هذا التحيّز، حيث يتم تفكيك الميزات المتكاملة متعددة المستويات إلى مكونات تختلف في الشدة ومكونات لا تختلف في الشدة من خلال التعلم ذاتي التوجيه. وباستخدام إعادة توزيع هذه الميزات من النوعين، يمكن لطرقنا إعادة توزيع الانتباه على المعاني الكامنة المقابلة، مما يحقق استغلالاً متوازناً لها. أظهرت التجارب الواسعة على ثلاث مجموعات بيانات شهيرة أن الطريقة المقترحة تتفوق على أفضل الطرق الحالية لكشف الظلال.