تحقيق أساليب الكشف عن الكائنات البارزة المستندة إلى التعلم العميق أداءً مرضٍ مبنيًا على الشبكات العصبية التلافيفية الكاملة (FCNs). ومع ذلك، تعاني معظم هذه الأساليب من تحدي الحدود. وتستخدم أحدث الأساليب تقنية تجميع الميزات، مما يسمح لها بالعثور بدقة على مكان الكائن البارز، ولكنها غالبًا ما تفشل في تقسيم الكائن بالكامل مع حدود دقيقة، خاصةً في الحالات التي تظهر فيها شرائط ضيقة. وبالتالي، لا يزال هناك مجال واسع للتحسين في النماذج القائمة على FCNs. في هذا البحث، قمنا بتصميم وحدات التغذية الراجعة الانتباهية (AFMs) لاستكشاف هيكل الكائنات بشكل أفضل. كما تم استخدام خسارة محسّنة للحدود (BEL) لتعلم حدود دقيقة للغاية. يُنتج النموذج العميق المقترح نتائج مرضية على حدود الكائنات، ويحقق أداءً متقدمًا على خمسة معايير شائعة لاختبار الكشف عن الكائنات البارزة. ويتميز الشبكة بأسلوب تلافيفي كامل، تعمل بسرعة تصل إلى 26 إطارًا في الثانية، ولا تتطلب أي معالجة ما بعدية.