معظم نهج الكشف عن الأشياء البارزة الحالية تستخدم شبكات أعمق مع هيكلات كبيرة لإنتاج توقعات أكثر دقة، مما يؤدي إلى زيادة كبيرة في التعقيد الحاسوبي. العديد من تصاميم الشبكات تتبع معماريات UNet الخالصة وشبكة الهرم المميز (FPN)، والتي لديها قدرة محدودة على استخراج وتجميع المميزات، مما حفزنا على تصميم وحدة تحسين ما بعد الترميز الخفيفة، وهي وحدة التحسين المتقاطع لما بعد الترميز (CPDR) لتعزيز تمثيل المميزات في إطار عمل FPN أو U-Net القياسي. بشكل خاص، نقدم تقنية الدمج الانخفاضي بالانتباه (ADF)، التي تستفيد من آليات انتباه القنوات باستخدام خرائط الانتباه التي تُولَّد بواسطة التمثيل العالي المستوى لتحسين المميزات المنخفضة المستوى، والدمج الارتفاعي بالانتباه (AUF)، التي تستغل المعلومات المنخفضة المستوى لتوجيه المميزات العالية المستوى من خلال انتباه الفضاء. بالإضافة إلى ذلك، اقترحنا تقنية الدمج المتقاطع بانتباه مزدوج (DACF) بناءً على ADFs و AUFs، والتي تقلل من عدد المعاملات بينما تحتفظ بالأداء. أظهرت التجارب على خمسة مجموعات بيانات مرجعية أن طريقتنا تتفوق على النهج السابقة الأكثر تقدماً.