أظهرت الطرق المستندة إلى UNet أداءً متميزًا في اكتشاف الأشياء المميزة (SOD)، ولكنها تعاني من مشكلتين. 1) دمج الميزات الترميزية، التي تحتوي على المعلومات المكانية لأكثر من كائن واحد، مع الميزات الفكودية، التي تحتوي على المعلومات العالمية للكائن المميز، بشكل غير متمايز قد يؤدي إلى نقل تفاصيل غير ضرورية للكائنات غير المميزة إلى الوحدة الفكودية، مما يعوق اكتشاف التميز. 2) للتعامل مع حدود الكائنات الغامضة وإنتاج خرائط تميز دقيقة، يحتاج النموذج إلى فروع إضافية مثل إعادة بناء الحواف، مما يؤدي إلى زيادة التكلفة الحسابية. لحل هذه المشكلات، نقترح شبكة فكودية دمج السياق (CFDN) ودالة خسارة ذات وزن قريب من الحافة (NEWLoss). تقوم CFDN بإنشاء خريطة تميز دقيقة من خلال دمج المعلومات السياقية العالمية وبالتالي قمع تأثير المعلومات المكانية غير الضرورية. يعمل NEWLoss على تسريع تعلم الحدود الغامضة دون الحاجة إلى وحدات إضافية عن طريق إنشاء خرائط وزنية حول حدود الكائنات. تم تقييم طريقتنا على أربع معايير مرجعية وأثبتت تحقيق أفضل الأداء الحالي. نثبت فعالية الطريقة المقترحة من خلال التجارب الت�ارية.