بازشناسی شییء در صحنه‌های پیچیده‌ی ازجمله توانایی‌های شگرف سامانه بینایی انسان است که تاکنون مدل‌های محاسباتی بینایی در پیاده‌سازی آن چندان موفق نبوده‌اند. در این راستا محققان سعی دارند با شناسایی سازوکار مغز و الهام از آن این مدل را بهبود بخشند. یکی از موفق‌ترین مدل‌های ارائه‌شده در بازشناسی شییء شبکه‌های عصبی کانولوشنی (CNN’s) هستند. این مدل‌ها تنها قادر به شبیه‌سازی مسیر پیش‌روی بینایی انسان می‌باشند. با این حال شواهد مطالعات علوم اعصاب نشان می‌دهند سامانه بینایی انسان سیگنال‌های بالا‌به‌پایین انتظار را در راستای افزایش دقت و سرعت بازشناسی شییء در زمینه‌های پیچیده به کار می‌بندد. در این مقاله با بهره‌مندی از سیگنال‌های بالا‌به‌پایین انتظار، سعی بر شبیه‌سازی مسیر بازخوردی سیستم بینایی انسان شده است. به این منظور مدل کانولوشنی AlexNet به‌عنوان مسیر پیش‌رو سیستم بینایی استفاده شد. برای بازشناسی شییء از مدل آموزش یافته با مجموعه داده‌ی ImageNet و برای بازشناسی صحنه از مدل آموزش یافته با مجموعه تصاویر صحنه Places استفاده شد. شبکه آموزش دیده بر روی تصاویر صحنه (Place_CNN) برای تولید بردار بازخورد مبتنی بر اطلاعات حاصل از صحنه در نظر گرفته شد. سیگنال‌های بازخوردی شامل اطلاعاتی از فراوانی تکرار شییء موردنظر در صحنه‌ی جاری هستند. این سیگنال‌ها با قاعده‌ی ‌پس‌انتشار در قالب سیگنال‌های بالابه‌پایین با اطلاعات مسیر پیش‌رو تلفیق و در شبکه‌ی تشخیص شییء بازخورد می‌شوند. به‌منظور سنجش مدل پیشنهادی آزمایش‌هایی با استفاده از چند مجموعه داده صورت گرفت. نتایج نشان داد که ترکیب اطلاعات بازخوردی با مسیر پیش‌رو باعث بهبود معنی دار عملکرد مدل پیشنهادی نسبت به مدل پایه‌ی AlexNet می شود. استفاده از اطلاعات محتوایی تصاویر باعث بهبود عملکرد بازشناسی شییء می‌شود به‌خصوص هنگامی که شییء هدف در شرایط چالشی قرار گرفته است.