Kürzliche Fortschritte bei der Salienz-Detektion sind erheblich, wobei sie hauptsächlich von der explosionsartigen Entwicklung von Faltungsneuronalen Netzen (Convolutional Neural Networks, CNNs) profitieren. Semantische Segmentierungsalgorithmen und Salienz-Detektionsverfahren, die kürzlich entwickelt wurden, basieren größtenteils auf vollständig faltungsneuralen Netzwerken (Fully Convolutional Neural Networks, FCNs). Es besteht jedoch noch ein großes Verbesserungspotential für generische FCN-Modelle, die das Skalenraumproblem nicht explizit behandeln. Der holistisch-geschachtelte Kantendetektor (Holistically-Nested Edge Detector, HED) bietet eine Skip-Layer-Struktur mit tiefem Überwachungsschritt für die Detektion von Kanten und Rändern, aber der Leistungsgewinn des HED bei der Salienz-Detektion ist nicht offensichtlich. In dieser Arbeit schlagen wir eine neue Methode zur Salienz-Detektion vor, indem wir kurze Verbindungen in die Skip-Layer-Strukturen innerhalb der HED-Architektur einführen. Unser Framework liefert an jedem Layer reichhaltige Multiskalen-Featuremaps, eine Eigenschaft, die für die Durchführung der Segmentdetektion entscheidend ist. Unsere Methode erzielt Spitzenwerte auf fünf weit verbreiteten Benchmarks für die Detektion salienter Objekte und zeichnet sich durch Effizienz (0,15 Sekunden pro Bild), Effektivität und Einfachheit gegenüber den bestehenden Algorithmen aus.