تلعب المعلومات المتعلقة بالحدود دورًا حاسمًا في كشف الكائنات البارزة. ومع ذلك، تظل هناك عدد كبير من التنبؤات الخاطئة (الإيجابية الزائفة) في النماذج القائمة على الحدود بسبب ضعف دمج الحدود مع البارزة. في هذه الدراسة، قمنا بتصميم شبكة لتحسين جودة الحدود في كشف الكائنات البارزة. وقد اقترحنا وحدة خلط تجمع بين الحدود والبارزة لتبادل المعلومات بينهما. كما استخدمنا شبكة عصبية متكررة (CNN متكررة) لتعزيز دمج الحدود مع البارزة مع الحفاظ على نفس عدد المعلمات القابلة للتدريب. بالإضافة إلى ذلك، صممنا وحدة استخراج ميزات متدرجة (stage-wise) لمساعد النموذج على استخلاص الميزات الأكثر فائدة من التنبؤات المتوسطة السابقة للبارزة. علاوة على ذلك، اقترحنا دالتين جديدتين للخسارة، وهما: خسارة التقييد المزدوج (Dual Confinement Loss) وخسارة الثقة (Confidence Loss)، بهدف تمكين النموذج من إنتاج تنبؤات أفضل للحدود. أظهرت نتائج التقييم على خمسة مجموعات بيانات معيارية شائعة أداءً تنافسيًا من الدرجة الأولى (state-of-the-art) متميزًا.