تقدم هذه الورقة شبكة للكشف عن الظلال من خلال استكشاف ودمج السياق العالمي في الطبقات العميقة وسياق المحلية في الطبقات السطحية لشبكة عصبية متعددة الطبقات تُعرف بـ CNN. تتميز تصميم الشبكة بمساهمتين فنيتين رئيسيتين. أولاً، نُعرّف وحدة الانتباه التكراري المتبقية (RAR) لدمج السياقات في طبقتين متتاليتين من شبكة CNN، ونُتعلم خريطة انتباه لاختيار قيمة متبقية ثم تحسين السمات السياقية. ثانيًا، نطوّر شبكة هرمية للسمات ثنائية الاتجاه (BFPN) لدمج السياقات الخاصة بالظلال الممتدة عبر طبقات CNN المختلفة، وذلك من خلال تطبيق سلسلتين من وحدات RAR في الشبكة لدمج وتحسين السمات السياقية بشكل تكراري: إحدى السلسلتين لتحسين السمات السياقية من الطبقات العميقة إلى السطحية، والأخرى من السطحية إلى العميقة. وبذلك، يمكننا تقليل الكشف الخاطئ بشكل أفضل وتعزيز التفاصيل الدقيقة للظلال في آنٍ واحد. وقد قُمنا بتقييم شبكتنا على مجموعتي بيانات شائعتين لاختبار كشف الظلال: SBU وUCF. وأظهرت النتائج التجريبية أن شبكتنا تتفوّق على أفضل طريقة موجودة حاليًا، مع خفض بنسبة 34.88% في معدل الخطأ المتوازن على SBU و34.57% على UCF.