Con el auge de la tecnología de aprendizaje profundo, los algoritmos de detección de objetos destacados basados en redes neuronales convolucionales (CNN) están reemplazando gradualmente los métodos tradicionales. La mayoría de los estudios existentes, sin embargo, se centraron en la integración de características multi-escala, ignorando así las características de otras características significativas. Para abordar este problema, utilizamos completamente las características para aliviar la redundancia. En este documento, se ha propuesto una nueva CNN llamada red de agregación de características locales y globales consciente (LGFAN). Es una combinación del grupo de geometría visual para la extracción de características, un módulo de atención para el filtrado de características de alta calidad y un módulo de agregación con un mecanismo para características destacadas ricas para facilitar el proceso de dilución en la vía de arriba hacia abajo. Los resultados experimentales en cinco conjuntos de datos públicos demostraron que el método propuesto mejora la eficiencia computacional manteniendo un rendimiento favorable.