يُعدّ الدمج الفعّال للمعلومات السياقية أمرًا حاسمًا في كشف الكائنات البارزة. ولتحقيق ذلك، تركز معظم الطرق الحالية القائمة على البنية "الإسقاطية" (skip) بشكل رئيسي على كيفية دمج السمات الهرمية لشبكات التعلم العميق التلافيفية (CNN). وتُطبّق هذه الطرق ببساطة عمليات التوصيل (concatenation) أو العمليات البُنية (element-wise) لدمج الإشارات الدلالية عالية المستوى والمعلومات التفصيلية منخفضة المستوى. ومع ذلك، قد يؤدي هذا إلى تدهور جودة التنبؤات، نظرًا لانتقال المعلومات المشوشة والضوضائية أيضًا عبر النظام. ولحل هذه المشكلة، نقترح شبكة تَرْبِيطٍ مُتكررة عالمية (RLN) تُستخدَم فيها خريطة الاستجابة الموزونة لاستغلال المعلومات السياقية بهدف تحديد مواقع الكائنات البارزة بدقة أكبر. وبشكل خاص، يتم استخدام وحدة متكررة (recurrent module) لتحسين البنية الداخلية للشبكة التلافيفية بشكل تدريجي عبر عدة خطوات زمنية. علاوةً على ذلك، ولإعادة بناء حدود الكائنات بشكل فعّال، نقترح شبكة تحسين حدود محلية (BRN) تتعلم تلقائيًا المعلومات السياقية المحلية لكل موضع فراغي. ويمكن استخدام المعاملات المُتعلّمة للانتشار لالتقاط العلاقات المثلى بين كل بكسل وبيئته المجاورة. وأظهرت التجارب على خمسة مجموعات بيانات صعبة أن أسلوبنا يتفوّق على جميع الطرق السابقة من حيث مقاييس التقييم الشائعة.