La détection d'objets saillants est une tâche fondamentale en vision par ordinateur. La majorité des algorithmes existants se concentrent sur l’agrégation des caractéristiques multi-niveaux provenant de réseaux neuronaux convolutifs pré-entraînés. Par ailleurs, certains chercheurs tentent d’utiliser les informations de contour pour un apprentissage auxiliaire. Toutefois, les modèles existants prenant en compte les contours reposent sur des architectures unidirectionnelles, qui n’utilisent les caractéristiques de contour que pour améliorer les caractéristiques de segmentation. Inspirés par les relations logiques entre la segmentation binaire et les cartes de contours, nous proposons dans cet article un nouveau réseau de révision croisée empilée (Stacked Cross Refinement Network, SCRN) pour la détection d’objets saillants. Notre architecture vise à améliorer simultanément les caractéristiques multi-niveaux de la détection d’objets saillants et de la détection de contours en empilant des unités de révision croisée (Cross Refinement Unit, CRU). En s’appuyant sur ces relations logiques, l’unité CRU met en œuvre deux opérations d’intégration spécifiques aux directions, permettant un échange bidirectionnel d’informations entre les deux tâches. En intégrant les caractéristiques réaffinées préservant les contours à une architecture U-Net classique, notre modèle parvient à détecter avec précision les objets saillants. Des expérimentations étendues sur six jeux de données standard montrent que notre méthode surpasse les algorithmes de pointe existants en termes de précision et d’efficacité. En outre, les résultats par attributs sur le jeu de données SOC indiquent que le modèle proposé obtient la première place dans la majorité des scénarios difficiles. Le code est disponible à l’adresse suivante : https://github.com/wuzhe71/SCAN.