La medida de objetividad es un método significativo y efectivo utilizado para la detección genérica de objetos. Sin embargo, varios métodos de detección de objetos pueden lograr resultados precisos al utilizar más de 1000 propuestas de objetos candidatos. Además, el peso de cada propuesta es débil y tampoco puede distinguir propuestas de objetos. Estas propuestas débiles han traído dificultades al análisis posterior. Para reducir significativamente el número de propuestas, este documento presenta un enfoque mejorado de detección genérica de objetos, que predice propuestas de objetos candidatos de más de 10,000 propuestas. Todas las propuestas candidatas pueden dividirse, en lugar de preclasificarse, en tres categorías: objeto completo, objeto parcial y no objeto. Estas propuestas de objeto parcial también muestran información fragmentaria de la característica de objetividad del objeto, que se puede utilizar para reconstruir el límite del objeto. Al utilizar la objetividad parcial para mejorar el peso de las propuestas de objeto completo, eliminamos una gran cantidad de propuestas inútiles y redujimos el espacio ocupado por las propuestas de objetos verdaderos positivos. Diseñamos una red neuronal con cálculos ligeros para agrupar las propuestas de objeto más posibles con reordenamiento y regresión de cajas. A través del entrenamiento conjunto, la red ligera puede compartir las características con otras tareas posteriores. El método propuesto se validó mediante experimentos con el conjunto de datos PASCAL VOC2007. Los resultados mostraron que el enfoque propuesto mejoró significativamente en comparación con los métodos existentes y puede detectar con precisión el 92.3% de los objetos utilizando menos de 200 propuestas.