تشخیص شئ برجسته با هدف شناسایی و بخش بندی برجسته ترین و متمایزترین اشیاء یا نواحی در یک تصویر انجام می شود. شبکه های کاملاً کانولوشنی (FCN)، مزایای خود را در مسأله تشخیص شئ برجسته نشان داده اند، با این حال، بسیاری از کارهای قبلی بر دقت ناحیه برجسته تمرکز کرده اند اما به کیفیت مرز توجّهی ندارند. در این پژوهش، ما بر مکمل بودن بین اطلاعات لبه و اطلاعات شئ برجسته تمرکز می کنیم و یک ماژول تشخیص لبه را برای مدل سازی صریح اطلاعات لبه برای حفظ مرزهای شیء برجسته به شبکه پیشنهادی اضافه می کنیم. شبکه پیشنهادی ما سعی دارد این دو وظیفه مکمل را با کمک متقابل هم بهبود دهد. از طرف دیگر حضور اشیاء چند مقیاسی در مجموعه داده های تشخیص شئ برجسته نیاز به مدل سازی دقیق در سطح تابع هزینه برای مقابله با مشکل عدم تعادل بین پیش زمینه و پس زمینه در تصاویر دارد. از این رو، ما از تابع هزینه ترکیبی در مرحله آموزش استفاده می کنیم که به مقیاس اشیاء حساس نیست، و می تواند مسأله انسجام فضایی را بهتر مدیریت کند و به طور یکنواخت مناطق برجسته را بدون پارامترهای اضافی برجسته کند. مقایسه نتایج کمّی، کیفی به دست آمده توسط روش پیشنهادی با سایر روش های پیشرفته در شش مجموعه داده پرکابرد تشخیص برجستگی، نشان می دهد، روش پیشنهادی از عمل کرد خوبی برخوردار است و به سرعت می تواند مناطق برجسته را شناسایی کند. به طور خاص، روش ما بهترین عملکرد را در سه مجموعه داده آزمایشی پرکابرد از نظر معیارهای F-measure و MAE دریافت می کند که کارایی روش پیشنهادی را نشان می دهد.