Les progrès récents en détection de saillance sont considérables, grâce principalement au développement explosif des Réseaux Neuronaux Convolutifs (RNC ou CNNs). Les algorithmes de segmentation sémantique et de détection de saillance développés récemment reposent majoritairement sur des Réseaux Neuronaux Convolutifs Entièrement Convolutifs (RNCE ou FCNs). Cependant, il existe encore un grand potentiel d'amélioration pour les modèles RNCE génériques qui ne traitent pas explicitement le problème de l'espace d'échelle. Le Détecteur Holistique Emboîté (DHE ou HED) fournit une structure de couche sauteuse avec une supervision profonde pour la détection des contours et des limites, mais l'amélioration des performances du DHE en détection de saillance n'est pas évidente. Dans cet article, nous proposons une nouvelle méthode pour la détection de saillance en introduisant des connexions courtes dans les structures de couche sauteuse au sein de l'architecture DHE. Notre cadre fournit des cartes de caractéristiques multi-échelles riches à chaque couche, une propriété essentielle pour effectuer la détection de segments. Notre méthode produit des résultats d'avant-garde sur 5 benchmarks largement utilisés pour la détection d'objets saillants, offrant des avantages en termes d'efficacité (0,15 seconde par image), d'efficacité et de simplicité par rapport aux algorithmes existants.