Les réseaux neuronaux entièrement convolutifs (FCN) ont montré des performances exceptionnelles dans de nombreux problèmes d'étiquetage dense. Un pilier clé de ces succès est l'extraction d'informations pertinentes à partir des caractéristiques des couches convolutives. Cependant, la manière d'agréger de manière optimale les cartes de caractéristiques convolutives multirésolution pour la détection d'objets saillants reste sous-explorée. Dans ce travail, nous présentons Amulet, un cadre générique d'agrégation de caractéristiques convolutives multirésolution pour la détection d'objets saillants. Notre cadre intègre d'abord les cartes de caractéristiques multirésolution en plusieurs résolutions, ce qui permet simultanément d'inclure des sémantiques grossières et des détails fins. Ensuite, il apprend de manière adaptative à combiner ces cartes de caractéristiques à chaque résolution et prédit des cartes de saillance avec les caractéristiques combinées. Enfin, les résultats prédits sont fusionnés efficacement pour générer la carte de saillance finale. De plus, pour atteindre une inférence précise des contours et une amélioration sémantique, les cartes de caractéristiques sensibles aux bords dans les couches basses et les résultats prédits des caractéristiques à faible résolution sont intégrés récursivement dans le cadre d'apprentissage. En agrégant les caractéristiques convolutives multirésolution de cette manière efficace et flexible, le modèle de saillance proposé fournit une étiquetage précis des objets saillants. Des expériences exhaustives montrent que notre méthode se compare favorablement aux approches de pointe en termes presque tous les métriques d'évaluation comparées.