الشبكات الحالية الرائدة في اكتشاف الأشياء البارزة تعتمد على تجميع الميزات متعددة المستويات للشبكات العصبية التلافيفية المدربة مسبقًا (CNNs). بالمقارنة مع الميزات عالية المستوى، فإن الميزات منخفضة المستوى تساهم بشكل أقل في الأداء ولكنها تستهلك حسابات أكثر بسبب دقة موقعها الكبيرة. في هذا البحث، نقترح إطار عمل جديد يُعرف بـ "المفكك الجزئي المتدرج" (Cascaded Partial Decoder - CPD) للاكتشاف السريع والدقيق للأجسام البارزة. من ناحية، يقوم الإطار ببناء مفكك جزئي يتجاهل ميزات الدقة الكبيرة للطبقات السطحية لتحقيق التسارع. ومن ناحية أخرى، لاحظنا أن دمج ميزات الطبقات العميقة يحصل على خريطة بارزة نسبيًا بدقة أكبر. لذلك، نستفيد مباشرة من الخريطة البارزة المولدة لتحسين ميزات شبكة الأساس (backbone network). هذه الاستراتيجية تكبح بشكل فعال العناصر المشتتة في الميزات وتحسن بشكل كبير قدرتها على التمثيل. أظهرت التجارب التي أجريت على خمسة مجموعات بيانات مرجعية أن النموذج المقترح ليس فقط يحقق أداءً رائدًا بل يعمل أيضًا بكثير من السرعة مقارنة بالنموذج الموجود حاليًا. بالإضافة إلى ذلك، تم تطبيق الإطار المقترح لتحسين النماذج الموجودة لتجميع الميزات متعددة المستويات وتعزيز كفاءتها ودقتها بشكل كبير.