La détection d'objets camouflés (DOD) vise à détecter des objets dont les motifs (par exemple, la texture, l'intensité, la couleur, etc.) sont similaires à ceux de leur environnement, et elle a récemment suscité un intérêt croissant dans la recherche. Comme les objets camouflés présentent souvent des contours très ambigus, déterminer leurs emplacements ainsi que leurs faibles contours est un défi majeur et constitue la clé de cette tâche. Inspirée par le processus de perception visuelle biologique lorsqu'un observateur humain découvre des objets camouflés, cette étude propose un nouveau réseau de recalibrage réversible basé sur les contours appelé ERRNet. Notre modèle se distingue par deux innovations majeures : l'agrégation sélective des contours (SEA) et l'unité de recalibrage réversible (RRU), qui visent à modéliser le comportement de perception visuelle et à réaliser une priorisation efficace des contours ainsi qu'une comparaison croisée entre les régions potentiellement camouflées et l'arrière-plan. Plus important encore, l'unité RRU intègre diverses informations préalables avec des données plus complètes en comparaison avec les modèles DOD existants. Les résultats expérimentaux montrent que ERRNet surpassent les lignes de base actuelles sur trois ensembles de données DOD et cinq ensembles de données d'imagerie médicale pour la segmentation. En particulier, par rapport au modèle top-1 existant SINet, ERRNet améliore considérablement les performances avec une augmentation d'environ 6 % (mesure moyenne E) tout en offrant une vitesse remarquablement élevée (79,3 images par seconde), ce qui indique que ERRNet pourrait être une solution générale et robuste pour la tâche DOD.