قرار گرفتن شیء در پس زمینه باعث پیچیده شدن مساله بازشناسی اشیا و درنتیجه افت عملکرد مدل های محاسباتی بینایی می شود. درحالی که انسان ها علی رغم این پیچیدگی، شیء هدف را با دقت و سرعت زیادی که متاثر از ارتباطات جانبی و بازخورد از نواحی بالاتر بینایی است بازشناسی می کنند.یکی از مدل های بینایی که اخیرا به عملکرد چشمگیری در بازشناسی اشیا دست یافته است، شبکه عصبی کانولوشنی است که مسیر پیش خور بینایی را شبیه سازی می کند. در این مقاله مدلی بازگشتی بر پایه این مدل و با الهام از یافته های بیولوژیک ارائه شده است که شامل اتصال های بازخوردی از نواحی بالاتر و همچنین اتصال های جانبی در همان لایه است. برای ارزیابی مدل از مجموعه داده پنج دسته ای، شامل تصاویر دارای پس زمینه و بدون پس زمینه، استفاده شد. با بصری سازی بازنمایی هایی ایجادشده در لایه های مدل مشاهده شد که با پیش روی در لایه های مدل، پس زمینه بیشتری از تصویر ورودی حذف می شود. سپس با انجام آزمایش هایی نشان داده شد که مدل بازگشتی با سازوکارهایپیشنهادی بازخورد از نواحی بالاتر و سرکوب پیرامون باعث بهبود معنی دار عملکرد مدل، در حذف پس زمینه شیء هدف و درنتیجه بازشناسی اشیا می شود. با توجه به نتایج، در حالتی که هر دو سازوکار پیشنهادی همزمان به مدل افزوده شدند، این افزایش عملکرد بیشتر بود که این یافته با شواهد بیولوژیک نیز تطابق دارد.