اكتشاف البارزة هو أحد التحديات الأساسية في رؤية الحاسوب. كيفية استخراج الخصائص الفعالة هي نقطة حاسمة لاكتشاف البارزة. تبنت الأساليب الحديثة بشكل أساسي دمج الخصائص الشكلية المتعددة المقاييس دون تمييز. ومع ذلك، ليست جميع الخصائص مفيدة لاكتشاف البارزة، وبعضها قد يسبب التداخلات. لحل هذه المشكلة، نقترح شبكة اهتمام الميزات الهرمية (Pyramid Feature Attention network) للتركيز على الخصائص السياقية المستوى العالي الفعالة والخصائص البنائية الفضائية المستوى المنخفض. أولاً، نصمم وحدة استخراج الميزات الهرمية الواعية بالسياق (Context-aware Pyramid Feature Extraction - CPFE) للمخططات متعددة المقاييس من المستوى العالي لالتقاط خصائص سياقية غنية. ثانياً، نستخدم اهتمام القنوات (Channel-wise Attention - CA) بعد مخططات ميزات CPFE واهتمام الفضاء (Spatial Attention - SA) بعد مخططات الميزات المستوى المنخفض، ثم ندمج مخرجات CA و SA معًا. أخيراً، نقترح خسارة الحفاظ على الحواف (Edge Preservation Loss) لتوجيه الشبكة إلى تعلم المزيد من المعلومات التفصيلية في تحديد الحدود. أظهرت التقييمات الواسعة على خمسة قواعد بيانات مرجعية أن الطريقة المقترحة تتفوق على أفضل الأساليب الموجودة تحت مختلف مقاييس التقييم.