Grâce aux indices spatiaux intégrés dans les images de profondeur, les avancées récentes dans la détection de la salience à partir de données RGB-D ont démontré une capacité remarquable sur certaines scénarios complexes. Toutefois, deux limitations persistent. D’une part, les opérations de pooling et de upsampling présentes dans les FCNs peuvent entraîner un flou aux frontières des objets. D’autre part, l’utilisation d’un réseau supplémentaire pour extraire les caractéristiques de profondeur peut entraîner un coût élevé en calcul et en stockage. De plus, la dépendance vis-à-vis des entrées de profondeur lors de l’évaluation limite les applications pratiques des modèles RGB-D actuels. Dans cet article, nous proposons un nouveau cadre d’apprentissage collaboratif, dans lequel les contours, la profondeur et la salience sont exploités de manière plus efficace, résolvant ainsi ces problèmes de manière élégante. L’information sur les contours extraite explicitement est combinée à la salience afin de renforcer davantage les régions saillantes et les contours des objets. L’apprentissage de la profondeur et celui de la salience sont innovantement intégrés au processus d’apprentissage des caractéristiques de haut niveau de manière symbiotique. Cette stratégie permet au réseau de fonctionner sans recourir à un réseau supplémentaire de profondeur ni à des entrées de profondeur lors de l’inférence. En conséquence, notre modèle est plus léger, plus rapide et plus polyvalent. Les résultats expérimentaux sur sept jeux de données de référence montrent ses performances supérieures.