Les solutions d'apprentissage profond pour la détection d'objets saillants ont obtenu des résultats remarquables ces dernières années. La majorité de ces modèles reposent sur des encodeurs et des décodeurs, avec une combinaison multi-caractéristique différente. Dans cet article, nous montrons que la concaténation de caractéristiques fonctionne mieux que d'autres méthodes de combinaison telles que la multiplication ou l'addition. De plus, l'apprentissage conjoint de caractéristiques donne de meilleurs résultats en raison du partage d'informations lors de leur traitement. Nous avons conçu un Module d'Extraction Complémentaire (CEM) pour extraire les caractéristiques nécessaires tout en préservant les contours. Notre fonction de perte proposée, appelée Fonction de Perte d'Excès (EL), aide à réduire les prédictions faussement positives et à purifier les contours grâce à d'autres fonctions de perte pondérées. Notre Module Pyramidal-Sémantique (PSM) avec Flux Directeur Global (G) améliore la précision des prédictions en fournissant des informations complémentaires de haut niveau aux couches plus superficielles. Les résultats expérimentaux montrent que le modèle proposé surpasses les méthodes de pointe sur tous les jeux de données de référence selon trois métriques d'évaluation.