Le domaine de la détection d'objets saillants (SOD) à l'aide de données RGB-D a récemment émergé avec des résultats suffisamment précis de certains modèles actuels. Cependant, ces modèles présentent des capacités de généralisation limitées et une complexité computationnelle importante. Dans cet article, inspirés par les meilleures capacités de séparation arrière-plan/avant-plan des convolutions déformables, nous les utilisons dans notre réseau densément déformable (DDNet) pour atteindre une détection d'objets saillants efficace. Les régions saillantes issues des convolutions densément déformables sont ensuite affinées à l'aide de convolutions transposées afin de générer idéalement les cartes de saillance. Des évaluations quantitatives et qualitatives utilisant le jeu de données SOD récent contre 22 techniques concurrentes montrent l'efficacité et l'efficience de notre méthode. Nous proposons également une évaluation à l'aide de notre propre jeu de données croisé, surveillance-SOD (S-SOD), pour vérifier la validité des modèles entraînés en termes d'applicabilité dans divers scénarios. Les résultats indiquent que les modèles actuels ont un potentiel de généralisation limité, nécessitant des recherches supplémentaires dans cette direction. Notre code et notre nouveau jeu de données seront disponibles au public sur https://github.com/tanveer-hussain/EfficientSOD.