تم تطبيق الشبكات العصبية التلافيفية العميقة (CNNs) بنجاح على مجموعة واسعة من المشكلات في الرؤية الحاسوبية، بما في ذلك كشف الكائنات البارزة. وللكشف بدقة وتقسيم الكائنات البارزة، من الضروري استخراج ودمج الخصائص الشكلية عالية المستوى مع التفاصيل الدقيقة منخفضة المستوى في نفس الوقت. وتشكل هذه المهمة تحديًا للشبكات العصبية التلافيفية، نظرًا لأن العمليات المتكررة للتصغير مثل التجميع (pooling) والتفعيل التلافيفي تؤدي إلى انخفاض كبير في دقة الصورة الأصلية، مما يسبب فقدان التفاصيل المكانية والهياكل الدقيقة. ولعلاج هذه المشكلة، نقترح في هذا العمل تعزيز الشبكات العصبية المُقَدَّمة (feedforward) بوحدة تجميع هرمية جديدة وآلية تحسين متعددة المراحل للكشف عن البارزية. أولاً، تُستخدم الشبكة العصبية العميقة المُقَدَّمة لإنتاج خريطة تنبؤ أولية خشنة، حيث تفقد فيها العديد من التفاصيل الهيكلية. ثم يتم دمج شبكات التحسين مع معلومات السياق المحلية لتحسين خرائط البارزية السابقة التي تم إنشاؤها في الفرع الرئيسي بطريقة متسلسلة على مراحل. علاوة على ذلك، تُطبَّق وحدة التجميع الهرمي لجمع السياق العالمي القائم على المناطق بطرق مختلفة. وتشير التقييمات التجريبية على خمسة مجموعات معيارية إلى أن الطريقة المقترحة تتفوق على الطرق الرائدة في مجالها.