In dieser Arbeit adressieren wir das Problem der gemeinsamen Detektion von Objekten wie Hunden und deren semantischen Teilen wie Gesicht, Bein usw. Unser Modell basiert auf zwei Faster-RCNN-Modellen, die ihre Merkmale teilen, um eine neuartige Aufmerksamkeitsbasierte Merkmalsfusion von zugehörigen Objekt- und Teil-Merkmalen durchzuführen, wodurch verbesserte Darstellungen beider erzeugt werden. Diese Darstellungen werden für die endgültige Klassifizierung und die Bounding-Box-Regressionsanalyse jeweils separat für beide Modelle verwendet. Unsere Experimente mit dem PASCAL-Part 2010-Datensatz zeigen, dass die gemeinsame Detektion sowohl die Objekterkennung als auch die Teilerkennung in Bezug auf den mittleren Durchschnitts-Präzisionswert (mean Average Precision, mAP) bei einem IoU-Wert von 0.5 gleichzeitig verbessern kann.