効果的な畳み込み特徴量は注目度推定において重要な役割を果たすが、注目度に適した強力な特徴量をどのように学習するかは依然として課題である。従来のFCNベースの手法は、階層的な畳み込み特徴量を区別せずに直接利用するため、冗長な詳細情報による干渉が生じ、最適な結果に至らない場合がある。本論文では、段階的に多層の文脈情報を選択的に統合する新しい注目度誘導型ネットワークを提案する。本ネットワークが生成する注目度特徴量は、背景の干渉を軽減し、より優れた性能を達成する。一方、既存の多くのアルゴリズムは、バックボーン特徴抽出ネットワークの側出力特徴量を利用して顕著なオブジェクト検出を行っている。しかし、バックボーンネットワークの浅い層はグローバルな意味情報の獲得能力に欠けているため、有効な特徴量学習が制限される。この問題に対処するため、提案する段階的注目度駆動型フレームワークを強化するために、多パス再帰フィードバック機構を導入する。多パス再帰接続により、最上位の畳み込み層からのグローバル意味情報が浅い層に伝達され、ネットワーク全体の本質的な改善が実現される。6つのベンチマークデータセットにおける実験結果から、本手法が最先端のアプローチと比較しても優れた性能を発揮することが示された。