심층 컨볼루셔널 신경망은 주목할 만한 객체 탐지에 널리 채택되어 최첨단 성능을 달성해왔다. 그러나 기존의 대부분의 연구들은 영역 정확도에 초점을 맞추고 있으며, 경계 품질에 대한 고려는 부족한 실정이다. 본 논문에서는 경계 인식형 주목할 만한 객체 탐지를 위한 새로운 예측-개선 아키텍처인 BASNet과 새로운 하이브리드 손실 함수를 제안한다. 구체적으로, 본 아키텍처는 밀집된 감독을 제공하는 인코더-디코더 네트워크와 잔차 보정 모듈로 구성되며, 각각 주목성 예측과 주목성 맵 보정을 담당한다. 제안하는 하이브리드 손실 함수는 이진 교차 엔트로피(BCE), 구조적 유사도(SSIM), 그리고 교차 면적 비율(IoU) 손실을 융합함으로써 입력 이미지와 정답 마스크 간의 변환을 픽셀, 패치, 맵의 세 단계 계층 구조에서 학습하도록 유도한다. 이러한 하이브리드 손실 함수를 갖춘 예측-개선 아키텍처는 주목할 만한 객체 영역을 효과적으로 분할하고, 선명한 경계를 가진 정밀한 구조를 정확히 예측할 수 있다. 공개된 6개 데이터셋에서 수행한 실험 결과에 따르면, 본 방법은 영역 및 경계 평가 지표 모두에서 기존 최첨단 기법들을 능가함을 확인하였다. 또한 단일 GPU에서 25 fps 이상의 실시간 처리 속도를 제공하며, 소스 코드는 다음과 같은 주소에서 공개되어 있다: https://github.com/NathanUA/BASNet.