قرار گرفتن شیء در پس‌زمینه باعث پیچیده‌شدنِ مسئله‌ی بازشناسی اشیاء و درنتیجه افتِ عملکردِ مدل‌های محاسباتی بینایی می‌شود. درحالی‌که انسان‌ها علی‌‌رغم این پیچیدگی، شیء هدف را با دقت و سرعت زیادی که متأثر از ارتباطات جانبی و بازخورد از نواحی بالاتر بینایی است بازشناسی می‌کنند.
یکی از مدل‌های بینایی که اخیراً به عملکرد چشمگیری در بازشناسی اشیاء دست یافته است، شبکه عصبی کانولوشنی است که مسیر پیش‌خورِ بینایی را شبیه‌سازی می‌کند. در این مقاله مدلی بازگشتی بر پایه‌ی این مدل و با الهام از یافته‌های بیولوژیک ارائه‌شده است که شامل اتصال‌های بازخوردی از نواحی بالاتر و همچنین اتصال‌های جانبی در همان لایه است. برای ارزیابی مدل از مجموعه داده‌ی پنج دسته‌ای، شامل تصاویر دارای پس‌زمینه و بدون پس‌زمینه، استفاده شد. با بصری‌سازی بازنمایی‌هایی ایجادشده در لایه‌های مدل مشاهده شد که با پیش‌روی در لایه‌های مدل، پس‌زمینه‌ی بیشتری از تصویر ورودی حذف می‌شود. سپس با انجام آزمایش‌هایی نشان داده شد که مدلِ بازگشتی با سازوکارهایپیشنهادی  بازخورد از نواحی بالاتر و سرکوب پیرامون باعث بهبود معنی‌دارِ عملکرد مدل، در حذف پس‌زمینه‌ی شیء هدف و درنتیجه بازشناسی اشیاء می‌شود. با توجه به نتایج، در حالتی که هر دو سازوکارِ پیشنهادی همزمان به مدل افزوده شدند، این افزایشِ عملکرد بیشتر بود که این یافته با شواهدِ بیولوژیک نیز تطابق دارد.