Die Erkennung auffälliger Objekte ist eine grundlegende Aufgabe im Bereich des Computersehens. Die meisten bestehenden Algorithmen konzentrieren sich darauf, mehrstufige Merkmale vortrainierter konvolutioneller neuronalen Netze zu aggregieren. Darüber hinaus versuchen einige Forscher, Kanteninformationen zur unterstützenden Ausbildung zu nutzen. Allerdings entwerfen bestehende kantenbewusste Modelle einseitige Architekturen, die lediglich Kantenmerkmale nutzen, um die Segmentierungsmerkmale zu verbessern. Ausgehend von den logischen Wechselwirkungen zwischen binärer Segmentierung und Kantenkarten schlagen wir in diesem Artikel ein neuartiges gestapeltes Kreuzverfeinerungsnetzwerk (Stacked Cross Refinement Network, SCRN) für die Erkennung auffälliger Objekte vor. Unser Framework zielt darauf ab, gleichzeitig die mehrstufigen Merkmale der Erkennung auffälliger Objekte und der Kantenerkennung durch Stapelung von Kreuzverfeinerungseinheiten (Cross Refinement Units, CRU) zu verfeinern. Aufgrund der logischen Wechselwirkungen entwirft die CRU zwei richtungsabhängige Integrationsoperationen und ermöglicht den bidirektionalen Austausch von Informationen zwischen den beiden Aufgaben. Durch die Kombination der verfeinerten kantenbewahrenden Merkmale mit dem typischen U-Net erkennt unser Modell auffällige Objekte präzise. Umfangreiche Experimente an sechs Benchmark-Datensätzen zeigen, dass unsere Methode bestehende state-of-the-art-Algorithmen sowohl hinsichtlich Genauigkeit als auch Effizienz übertrifft. Zudem erzielt das vorgeschlagene Modell auf der SOC-Datensatz basierend auf Merkmalskategorien in der Mehrheit der anspruchsvollen Szenen die führende Platzierung. Der Quellcode ist unter https://github.com/wuzhe71/SCAN verfügbar.