Die meisten Ansätze zur Erkennung von auffälligen Objekten verwenden U-Net oder Feature-Pyramid-Netzwerke (FPN) als ihre grundlegenden Strukturen. Diese Methoden ignorieren jedoch zwei wesentliche Probleme, wenn der Encoder Informationen mit dem Decoder austauscht: Zum einen fehlt es an einer Interferenzsteuerung zwischen ihnen, zum anderen werden die unterschiedlichen Beiträge der verschiedenen Encoder-Blöcke nicht berücksichtigt. In dieser Arbeit schlagen wir ein einfaches gattergesteuertes Netzwerk (GateNet) vor, das beide Probleme gleichzeitig löst. Mit Hilfe von mehrstufigen Gattereinheiten kann die wertvolle Kontextinformation vom Encoder optimal an den Decoder weitergegeben werden. Wir entwerfen eine neuartige gattergesteuerte Doppelverzweigungsstruktur, um die Zusammenarbeit zwischen verschiedenen Ebenen von Merkmalsinformationen zu fördern und die Unterscheidbarkeit des gesamten Netzwerks zu verbessern. Durch die Doppelverzweigungsstruktur können weitere Details der Salienzkarte wiederhergestellt werden. Darüber hinaus setzen wir den auf der vorgeschlagenen "Fold"-Operation basierenden dilatierten räumlichen Pyramidenausgleich (Fold-ASPP) ein, um auffällige Objekte verschiedener Größen genauer zu lokalisieren. Ausführliche Experimente auf fünf anspruchsvollen Datensätzen zeigen, dass das vorgeschlagene Modell bei verschiedenen Evaluationsmetriken überwiegend besser abschneidet als die meisten Stand-of-the-Art-Methoden.