تُستخدم نماذج الكشف التقليدية عن الكائنات البارزة غالبًا ميزات مُصممة يدويًا لصياغة التباين والمعرفة السابقة المختلفة، ثم تُدمج هذه العناصر بشكل اصطناعي. في هذا العمل، نقترح شبكة عميقة هيراركية جديدة تعمل من البداية إلى النهاية (DHSNet) مبنية على الشبكات العصبية التلافيفية للكشف عن الكائنات البارزة. تبدأ DHSNet بإجراء تنبؤ أولي خشن على المستوى الكلي من خلال تعلُّم تلقائي لعدة إشارات هيكلية عامة للبارزية، بما في ذلك التباين الكلي، وخصائص الكائن، والكثافة، وتركيبها الأمثل. ثم تُستخدم شبكة عصبية تلافيفية دورية هيراركية جديدة (HRCNN) لتحسين التفاصيل بشكل تدريجي وهرمي عبر دمج معلومات السياق المحلية خطوة بخطوة. تعمل البنية الشاملة للشبكة بطريقة من الشامل إلى الجزئي ومن الخشن إلى الدقيق. تُدرّس DHSNet مباشرة باستخدام الصور الكاملة وخرائط البارزية الحقيقية المقابلة لها. عند الاختبار، يمكن إنتاج خرائط البارزية من خلال تمرير الصور المُختبرة مباشرة وفعّال عبر الشبكة دون الحاجة إلى أي تقنيات إضافية. وقد أظهرت التقييمات على أربع مجموعات بيانات معيارية، والمقارنة مع 11 خوارزمية رائدة أخرى، أن DHSNet لا تُظهر فائدة كبيرة من حيث الأداء فحسب، بل تحقق أيضًا سرعة حقيقية تبلغ 23 إطارًا في الثانية (FPS) على وحدات معالجة الرسوميات الحديثة.