Dans cet article, nous présentons un nouveau réseau de apprentissage collaboratif de groupe, dénommé GCoNet+, capable d'identifier efficacement et rapidement (250 images par seconde) les objets co-saliants dans des scènes naturelles. Le GCoNet+ proposé atteint les nouvelles performances de pointe en détection d'objets co-saliants (CoSOD) grâce à l'extraction de représentations consensuelles basées sur les deux critères essentiels suivants : 1) la compacité intra-groupe pour mieux formuler la cohérence entre les objets co-saliants en capturant leurs attributs partagés inhérents à l'aide de notre nouveau module d'affinité de groupe (GAM) ; 2) la séparabilité inter-groupe pour atténuer efficacement l'influence des objets bruyants sur la sortie en introduisant notre nouveau module de collaboration de groupe (GCM), conditionné par le consensus incohérent. Pour améliorer encore davantage la précision, nous avons conçu une série de composants simples mais efficaces, à savoir : i) un module de classification auxiliaire récurrent (RACM) favorisant l'apprentissage du modèle au niveau sémantique ; ii) un module d'amélioration de la confiance (CEM) aidant le modèle à améliorer la qualité des prédictions finales ; et iii) une perte symétrique triplet basée sur le groupe (GST) guidant le modèle à apprendre des caractéristiques plus discriminantes. De nombreuses expériences menées sur trois benchmarks difficiles, à savoir CoCA, CoSOD3k et CoSal2015, montrent que notre GCoNet+ surpasses les 12 modèles de pointe existants. Le code est disponible sur https://github.com/ZhengPeng7/GCoNet_plus.