إن التقدم الأخير في كشف الكائنات المميزة يستفيد من الشبكات العصبية التلافيفية الكاملة (FCN). حيث تُعد الإشارات المميزة المحتواة في ميزات التلافيف متعددة المستويات مكملة للكشف عن الكائنات المميزة. أصبحت طريقة دمج الميزات متعددة المستويات مشكلة مفتوحة في مجال الكشف عن الميزة. في هذا البحث، نقترح نموذجًا جديدًا لنقل الرسائل ثنائي الاتجاه لدمج الميزات متعددة المستويات في كشف الكائنات المميزة. أولاً، نستخدم وحدة استخراج الميزات متعددة المقاييس والواعية بالسياق (MCFEM) لاستخراج خرائط الميزات متعددة المستويات بهدف التقاط معلومات سياقية غنية. ثم نصمم بنية ثنائية الاتجاه لنقل الرسائل بين الميزات متعددة المستويات، مع استعمال دالة بوابة (gate function) للتحكم في معدل نقل الرسائل. نستخدم الميزات الناتجة بعد عملية نقل الرسائل، والتي تُشفر في آنٍ واحد المعلومات الدلالية والتفاصيل المكانية، لتوقع خرائط الميزة. وأخيرًا، تُدمج النتائج المتنبأة بشكل فعّال لتكوين الخريطة النهائية للميزة. أظهرت التجارب الكمية والكيفية على خمسة مجموعات بيانات معيارية أن النموذج المقترح يتفوق على أحدث الطرق في مجال الكشف عن الميزة تحت مختلف مقاييس التقييم.