La plupart des approches actuelles de détection d'objets saillants utilisent des réseaux plus profonds avec de grands backbones pour produire des prédictions plus précises, ce qui entraîne une augmentation significative de la complexité computationnelle. De nombreux designs de réseaux suivent l'architecture pure UNet et Feature Pyramid Network (FPN), qui présente des capacités limitées d'extraction et d'agrégation de caractéristiques. Cela nous a motivés à concevoir un module de raffinement post-décodeur léger, le Crossed Post-Decoder Refinement (CPDR), afin d'améliorer la représentation des caractéristiques dans un cadre standard FPN ou U-Net. Plus précisément, nous introduisons le mécanisme d'Attention Down Sample Fusion (ADF), qui utilise des mécanismes d'attention sur les canaux avec des cartes d'attention générées par la représentation de haut niveau pour affiner les caractéristiques de bas niveau, ainsi que l'Attention Up Sample Fusion (AUF), qui exploite les informations de bas niveau pour guider les caractéristiques de haut niveau via l'attention spatiale. De plus, nous avons proposé le Dual Attention Cross Fusion (DACF) en s'appuyant sur les ADFs et AUFs, ce qui réduit le nombre de paramètres tout en maintenant les performances. Les expériences menées sur cinq jeux de données de référence montrent que notre méthode surpassent les approches précédentes considérées comme étant à l'état de l'art.