البشر ماهرون جدًا في توجيه انتباههم البصري نحو المناطق ذات الصلة عند البحث عن أنواع مختلفة من الأشياء. على سبيل المثال، عندما نبحث عن سيارات، فإننا ننظر إلى الشوارع، وليس إلى قمم المباني. تكمن دافعية هذه الورقة في تدريب شبكة لإنجاز الشيء نفسه من خلال نهج التعلم متعدد المهام. ولتدريب الانتباه البصري، نُنتج تسميات التمييز بين الخلفية والخلفية الأمامية بطريقة شبه مُراقبة، باستخدام تقنيات استخلاص الخلفية أو التدفق البصري. وباستخدام هذه التسميات، نُدرّب نموذجًا للكشف عن الكائنات لإنتاج خرائط تمييز بين الخلفية والخلفية الأمامية إلى جانب مربعات حدودية، مع مشاركة معظم معاملات النموذج. نستخدم هذه الخرائط في داخل الشبكة كآلية انتباه ذاتي لتأرجح الخريطة المميزة المستخدمة في إنتاج المربعات الحدودية، مما يقلل من إشارة المناطق غير ذات الصلة. ونُظهر أن استخدام هذه الطريقة يؤدي إلى تحسين ملحوظ في مؤشر mAP على مجموعتي بيانات مراقبة المرور، مع تحقيق نتائج من الطراز الرائد في كلا المجموعتين: UA-DETRAC وUAVDT.