حققت الشبكات العصبية التلافيفية العميقة أداءً تنافسيًا في اكتشاف الأشياء البارزة، حيث يلعب تعلم الخصائص الفعالة والشاملة دورًا حاسمًا. وقد اعتمدت معظم الأعمال السابقة بشكل أساسي على دمج الخصائص المتعددة المستويات ولكنها أغفلت الفجوة بين الخصائص المختلفة. بالإضافة إلى ذلك، يوجد أيضًا عملية تخفيف للخصائص عالية المستوى أثناء نقلها عبر المسار الرأسي-أسفل. لمعالجة هذه القضايا، نقترح شبكة جديدة تُسمى GCPANet لدمج خصائص المظهر من المستوى المنخفض، والخصائص الدلالية من المستوى العالي، وخصائص السياق العالمي بفعالية من خلال بعض وحدات التجميع التدريجي للسياق والتداخل (FIA) وإنتاج خريطة البارزة بطريقة مراقبة. علاوة على ذلك، يتم استخدام وحدة الانتباه الرأسية (HA) لتقليل الأهمية الزائدة للمعلومات وتعزيز خصائص الطبقات العليا باستخدام الانتباه المكاني والانتباه حسب القنوات، بينما يتم استغلال وحدة التكرار الذاتي (SR) لتحسين وتقوية الخصائص الإدخالية بشكل أكبر. كما صممنا وحدة جريان السياق العالمي (GCF) لإنتاج المعلومات العالمية للسياق في المراحل المختلفة، والتي تستهدف تعلم العلاقة بين المناطق البارزة المختلفة وتخفيف تأثير التخفيف للخصائص عالية المستوى. وقد أظهرت النتائج التجريبية على ستة مجموعات بيانات مرجعية أن النهج المقترح يتفوق على أفضل الأساليب الحالية كمياً وكيفياً.