深層畳み込みニューラルネットワークは、注目物体検出において競合する性能を達成しており、効果的かつ包括的な特徴の学習が重要な役割を果たしています。これまでの多くの研究では、複数レベルの特徴統合に主に重点を置きましたが、異なる特徴間のギャップには注意を払っていませんでした。また、上位から下位へのパスを通じて高レベルの特徴が希釈されるプロセスも存在します。これらの問題を解決するために、我々は新しいネットワークであるGCPANet（Global Context Progressive Aggregation Network）を提案します。このネットワークは進行形コンテキスト認識型特徴相互集約（Feature Interweaved Aggregation: FIA）モジュールを使用して低レベルの外観特徴、高レベルの意味論的特徴、および全体的なコンテキスト特徴を効果的に統合し、教師あり方式で注目マップを生成します。さらに、空間的およびチャネル方向の注意を利用することで情報冗長性を削減し、上位層の特徴を強化するヘッドアテンション（Head Attention: HA）モジュールと、入力特徴をさらに洗練し強化する自己精製（Self Refinement: SR）モジュールを使用しています。また、異なる段階で全体的なコンテキスト情報を生成し、異なる注目領域間の関係性を学習するとともに高レベル特徴の希釈効果を軽減することを目指したグローバルコンテキストフロー（Global Context Flow: GCF）モジュールも設計しました。6つのベンチマークデータセットでの実験結果は、提案手法が定量的にも定性的にも最先端の方法よりも優れていることを示しています。