التطورات الحديثة في اكتشاف النقاط البارزة كبيرة، وتعود الفائدة منها بشكل رئيسي إلى التطور السريع لشبكات العصبونات المتكررة (CNNs). الخوارزميات التي تم تطويرها مؤخرًا في مجال تقسيم المعنى واكتشاف النقاط البارزة تعتمد في الغالب على شبكات العصبونات المتكررة بالكامل (FCNs). لا يزال هناك مجال كبير للتحسين فوق النماذج العامة لـ FCN التي لا تتعامل بشكل صريح مع مشكلة مساحة المقياس. يقدم كاشف الحواف المدمج بشكل متكامل (HED) هيكل طبقات القفز مع الإشراف العميق لاكتشاف الحواف والحدود، ولكن زيادة الأداء التي حققها HED في اكتشاف النقاط البارزة ليست واضحة. في هذا البحث، نقترح طريقة جديدة لاكتشاف النقاط البارزة من خلال إدخال الروابط القصيرة إلى هيكل طبقات القفز داخل بنية HED. يوفر إطارنا الخاص خرائط ميزات متعددة المقاييس غنية في كل طبقة، وهي خاصية حاسمة لمهمة اكتشاف التقسيمات. تنتج طريقتنا نتائجًا رائدة على 5 مقاييس اختبارية شهيرة لاكتشاف الأشياء البارزة، مع مزايا من حيث الكفاءة (0.15 ثانية لكل صورة)، والفعالية، والبساطة مقارنة بالخوارزميات الموجودة.