完全畳み込みニューラルネットワーク（FCN）は、多くの密集ラベリング問題で優れた性能を示しています。これらの成功の鍵となる柱の一つは、畳み込み層の特徴から関連情報を抽出することです。しかし、注目物体検出において多段階の畳み込み特徴マップをより効果的に集約する方法については十分に研究されていません。本研究では、Amuletと呼ばれる一般的な多段階畳み込み特徴集約フレームワークを提案します。このフレームワークはまず、多段階の特徴マップを複数の解像度に統合し、粗い意味論的情報と細かい詳細を同時に取り入れます。次に、各解像度でのこれらの特徴マップを適応的に組み合わせ、組み合わされた特徴を使用して注目度マップを予測します。最後に、予測結果が効率的に融合され、最終的な注目度マップが生成されます。さらに、正確な境界推定と意味論的強化を達成するために、低レベル層におけるエッジ認識特徴マップと低解像度特徴の予測結果が再帰的に学習フレームワークに埋め込まれます。このように効率的かつ柔軟な方法で多段階の畳み込み特徴を集約することで、提案される注目度モデルは正確な注目物体ラベリングを提供します。包括的な実験により、当手法は既存の最先端アプローチに対してほぼすべての評価指標で有利な性能を示していることが確認されました。