حققت حلول التعلم العميق لمشكلة الكشف عن الأشياء البارزة نتائج ممتازة في السنوات الأخيرة. يعتمد معظم هذه النماذج على المُشفرات والمُفكِّكات، مع تركيب متعدد للخصائص. في هذا البحث، نوضح أن عملية تجميع الخصائص تعمل بشكل أفضل من طرق التركيب الأخرى مثل الضرب أو الجمع. بالإضافة إلى ذلك، فإن التعلم المشترك للخصائص يعطي نتائج أفضل بسبب مشاركة المعلومات أثناء معالجتها. صممنا وحدة استخراج مكملة (Complementary Extraction Module - CEM) لاستخراج الخصائص اللازمة مع الحفاظ على الحواف. تساعد الدالة الخسارة المقترحة لدينا (Excessiveness Loss - EL) في تقليل التوقعات الخاطئة وتنقية الحواف باستخدام دوال خسارة أخرى ذات أوزان مختلفة. الوحدة الهرمية الدلالية (Pyramid-Semantic Module - PSM) التي صممناها مع جريان الإرشاد العالمي (G) تجعل التوقع أكثر دقة من خلال توفير معلومات مكملة عالية المستوى للطبقات الأقل عمقاً. تظهر النتائج التجريبية أن النموذج المقترح يتفوق على أفضل الأساليب الموجودة في جميع قواعد البيانات المرجعية تحت ثلاثة مقاييس تقييم.