기존의 주요 객체 검출(Salient Object Detection, SOD) 연구는 경계 정보와 다중 수준 특징을 추출하여 SOD 성능을 향상시키는 데 초점을 맞추고 있습니다. 만족스러운 성능을 달성하기 위해 이러한 방법들은 정교한 경계 정보와 낮은 다중 수준 불일치를 활용합니다. 그러나 성능 향상과 계산 효율성을 동시에 얻을 수 없어, 이 문제를 해결하기 위해 기존 인코더-디코더 구조의 비효율성을 연구하게 되었습니다. 우리는 명시적인 경계를 가진 주요 객체를 검출하기 위해 주의 지도 추적 모듈을 통합한 TRACER를 제안합니다.첫 번째 인코더의 끝에서 빠른 푸리에 변환(Fast Fourier Transform)을 사용하여 정교한 경계 정보를 후속 특징 추출 과정으로 전파하는 마스크된 경계 주의 모듈(Masked Edge Attention Module)을 사용합니다. 다중 수준 집합 단계에서는 유니온 주의 모듈(Union Attention Module)이 보완적인 채널과 중요한 공간 정보를 식별합니다. 디코더 성능과 계산 효율성을 개선하기 위해 우리는 객체 주의 모듈(Object Attention Module)을 사용하여 디코더 블록 사용을 최소화하였습니다. 이 모듈은 정교한 채널과 공간 표현에서 미검출된 객체와 경계 정보를 추출합니다.또한, 모든 픽셀을 동등하게 취급하는 기존 손실 함수들과 달리 상대적으로 중요한 픽셀들을 처리하기 위한 적응형 픽셀 강도 손실 함수(Adaptive Pixel Intensity Loss Function)를 제안하였습니다. 13개의 기존 방법들과 비교한 결과, TRACER는 5개 벤치마크 데이터셋에서 최신 수준의 성능을 달성하였습니다. TRACER는 https://github.com/Karel911/TRACER에서 공개되었습니다.