深層畳み込みニューラルネットワーク（Deep Convolutional Neural Networks）は、注目対象物体検出に採用されており、最先端の性能を達成している。しかし、これまでの多くの研究は領域の正確性に注目している一方で、境界の品質には十分な配慮がなされていない。本論文では、境界に配慮した注目対象物体検出を目的として、予測・精緻化アーキテクチャ「BASNet」と、新たなハイブリッド損失関数を提案する。具体的には、本アーキテクチャは、注目度予測を担当する密に監視されたエンコーダ-デコーダネットワークと、注目度マップの精緻化を担当するリサルト精緻化モジュールから構成されている。また、ハイブリッド損失関数は、バイナリ交差エントロピー（BCE）、構造的類似性（SSIM）、およびオーバーラップ率（IoU）の損失を統合することで、入力画像と正解ラベルとの変換をピクセルレベル、パッチレベル、マップレベルの三段階階層にわたって学習を促進する。このハイブリッド損失を搭載した予測・精緻化アーキテクチャにより、注目対象領域の効果的なセグメンテーションと、明確な境界を持つ微細構造の高精度な予測が可能となる。6つの公開データセットにおける実験結果から、本手法は領域評価および境界評価の両面で、既存の最先端手法を上回ることが示された。また、単一のGPU上で25 fps以上の実行速度を達成している。実装コードは以下のURLで公開されている：https://github.com/NathanUA/BASNet。