Effektive konvolutionelle Merkmale spielen eine wichtige Rolle bei der Schätzung von Aufmerksamkeitsmerkmalen, doch die Lernung leistungsfähiger Merkmale für die Aufmerksamkeit bleibt weiterhin eine herausfordernde Aufgabe. FCN-basierte Methoden wenden mehrstufige konvolutionelle Merkmale direkt an, ohne Unterschiede zu machen, was aufgrund von Ablenkungen durch überflüssige Details zu suboptimalen Ergebnissen führt. In diesem Paper stellen wir ein neuartiges, auf Aufmerksamkeit gestütztes Netzwerk vor, das mehrstufige kontextuelle Informationen progressiv selektiv integriert. Durch das von unserem Netzwerk generierte aufmerksamkeitsbasierte Merkmal kann die Ablenkung durch den Hintergrund verringert werden, wodurch eine bessere Leistung erzielt wird. Andererseits wird beobachtet, dass die meisten bestehenden Algorithmen zur Erkennung auffälliger Objekte die Seitenausgabemerkmale des Backbone-Feature-Extraktionsnetzwerks ausnutzen. Allerdings verfügen die flacheren Schichten des Backbone-Netzwerks über keine ausreichende Fähigkeit, globale semantische Informationen zu erfassen, was die effektive Merkmalslernung einschränkt. Um dieses Problem zu lösen, führen wir eine mehrpfadige rekurrente Rückkopplung ein, um unseren vorgeschlagenen progressiven, auf Aufmerksamkeit gestützten Rahmen zu verbessern. Durch mehrpfadige rekurrente Verbindungen wird semantische Information aus der obersten konvolutionellen Schicht zu den flacheren Schichten übertragen, wodurch das gesamte Netzwerk inhärent verfeinert wird. Experimentelle Ergebnisse auf sechs Benchmark-Datensätzen zeigen, dass unser Algorithmus gegenüber den aktuellen Stand der Technik überzeugend abschneidet.