Konturinformationen spielen eine entscheidende Rolle bei der Detektion auffälliger Objekte. Allerdings weisen bestehende konturbasierte Modelle aufgrund einer unzureichenden Fusion von Konturen und Auffälligkeit weiterhin zu viele Falschpositiva in ihren Vorhersagen auf. In dieser Arbeit entwickeln wir ein Netzwerk zur Verbesserung der Randqualität bei der Detektion auffälliger Objekte. Wir stellen einen Kontur-Auffälligkeits-Blending-Modul vor, der den Informationsaustausch zwischen Kontur und Auffälligkeit ermöglicht. Durch die Verwendung eines rekursiven CNN wird die Kontur-Auffälligkeits-Fusion gesteigert, ohne dass die Gesamtanzahl der trainierbaren Parameter erhöht wird. Zudem entwerfen wir einen stufenweisen Merkmalsextraktionsmodul, der dem Modell hilft, die hilfreichsten Merkmale aus vorherigen intermediären Auffälligkeitsvorhersagen zu extrahieren. Außerdem schlagen wir zwei neue Verlustfunktionen vor: die Dual Confinement Loss und die Confidence Loss, um die Genauigkeit der Randvorhersagen zu verbessern. Evaluierungsergebnisse auf fünf gängigen Benchmark-Datensätzen zeigen, dass unser Modell eine konkurrenzfähige, state-of-the-art-Leistung erreicht.