近年、深層学習の手法を用いた注目物体検出問題の解決策は大きな成果を上げています。これらのモデルの多くはエンコーダとデコーダに基づいており、異なる多様な特徴量の組み合わせが行われています。本論文では、特徴量連結（feature concatenation）が乗算や加算などの他の組み合わせ方法よりも優れていることを示しています。また、共通特徴量学習（joint feature learning）が情報共有によってより良い結果をもたらすことも確認しました。私たちはエッジ保存型の必要な特徴量を抽出するための補完抽出モジュール（Complementary Extraction Module: CEM）を設計しました。提案した過剰損失関数（Excessiveness Loss: EL）は、他の重み付け損失関数とともに偽陽性予測を削減し、エッジを純化します。設計したピラミッド意味論モジュール（Pyramid-Semantic Module: PSM）とグローバルガイドフロー（Global guiding flow: G）は、浅い層に高次の補完情報を提供することで予測精度を向上させます。実験結果は、提案されたモデルが3つの評価指標においてすべてのベンチマークデータセットで最先端の手法を超えることを示しています。