كشف الكائن المميز هو مهمة أساسية في الرؤية الحاسوبية. يركّز معظم الخوارزميات الحالية على تجميع الميزات متعددة المستويات من الشبكات العصبية التلافيفية المدربة مسبقًا. بالإضافة إلى ذلك، يحاول بعض الباحثين استغلال معلومات الحواف لدعم التدريب. ومع ذلك، تُصمم النماذج الحالية التي تراعي الحواف إطارًا أحادي الاتجاه، والتي تستخدم فقط ميزات الحواف لتحسين ميزات التجزئة. مستلهمين من العلاقات المنطقية بين التجزئة الثنائية وخرائط الحواف، نقترح في هذه الورقة نموذجًا جديدًا يُسمى شبكة التصحيح المتشابكة المتعددة (SCRN) لكشف الكائنات المميزة. يهدف إطار عملنا إلى تحسين ميزات الكائنات المميزة وخرائط الحواف في نفس الوقت، من خلال تجميع وحدات التصحيح المتقاطعة (CRU). ووفقًا للعلاقات المنطقية، تم تصميم وحدة CRU لعمليات تكامل محددة بالاتجاه، وتمكّن من تبادل الرسائل بشكل ثنائي الاتجاه بين المهمتين. وبدمج الميزات المُحسّنة التي تحافظ على الحواف مع النموذج النموذجي U-Net، يُمكن لنموذجنا اكتشاف الكائنات المميزة بدقة عالية. وقد أظهرت التجارب الواسعة على ستة مجموعات بيانات معيارية أن طريقةنا تتفوّق على الخوارزميات الرائدة الحالية من حيث الدقة والكفاءة. علاوة على ذلك، أظهرت النتائج المبنية على الخصائص في مجموعة بيانات SOC أن النموذج المقترح يحتل المرتبة الأولى في معظم السيناريوهات الصعبة. يمكن العثور على الكود على الرابط: https://github.com/wuzhe71/SCAN.