Vollständig konvolutionelle neuronale Netze (FCNs) haben ihre Vorteile bei der Aufgabe der auffälligen Objekterkennung gezeigt. Dennoch leiden die meisten bestehenden FCN-basierten Methoden weiterhin an groben Objekträndern. Um dieses Problem zu lösen, konzentrieren wir uns in diesem Artikel auf die Ergänzungsbeziehung zwischen auffälliger Randinformation und auffälliger Objektinformation. Dementsprechend stellen wir ein Randführungsnetzwerk (EGNet) für die auffällige Objekterkennung vor, das drei Schritte umfasst, um diese beiden Arten komplementärer Informationen gleichzeitig in einem einzigen Netzwerk zu modellieren. Im ersten Schritt extrahieren wir die auffälligen Objektmerkmale mittels einer schrittweisen Fusion. Im zweiten Schritt integrieren wir lokale Randinformationen und globale Lokalisationsinformationen, um auffällige Randmerkmale zu gewinnen. Schließlich nutzen wir diese komplementären Merkmale ausreichend, indem wir die gleichen auffälligen Randmerkmale auf verschiedenen Auflösungsebenen mit den auffälligen Objektmerkmalen koppeln. Dank der reichhaltigen Rand- und Lokalisationsinformationen in den auffälligen Randmerkmalen können die gefussten Merkmale die Lokalisierung auffälliger Objekte, insbesondere ihrer Ränder, genauer unterstützen. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode auf sechs weit verbreiteten Datensätzen gegenüber den aktuellen State-of-the-Art-Methoden ohne jegliche Vor- oder Nachverarbeitung überzeugt. Der Quellcode ist unter http://mmcheng.net/egnet/ verfügbar.