Les progrès récents dans la détection des objets saillants bénéficient grandement des Réseaux de Neurones Convolutionnels Entièrement Connectés (FCN). Les indices de saillance contenus dans les caractéristiques convolutionnelles à plusieurs niveaux sont complémentaires pour la détection des objets saillants. La manière d'intégrer ces caractéristiques à plusieurs niveaux demeure un problème ouvert dans le domaine de la détection de saillance. Dans cet article, nous proposons un nouveau modèle de transmission bidirectionnelle d'informations pour intégrer les caractéristiques à plusieurs niveaux dans la détection des objets saillants. Tout d'abord, nous utilisons un module d'extraction de caractéristiques contextuelles à plusieurs échelles (MCFEM) afin de capturer des informations contextuelles riches à partir des cartes de caractéristiques à plusieurs niveaux. Ensuite, une structure bidirectionnelle est conçue pour transmettre des messages entre les caractéristiques à différents niveaux, tandis qu'une fonction de porte est exploitée pour contrôler le taux de transmission d'informations. Nous utilisons les caractéristiques après transmission d'informations, qui codent simultanément des informations sémantiques et des détails spatiaux, afin de prédire les cartes de saillance. Enfin, les résultats prédits sont efficacement combinés pour générer la carte de saillance finale. Des expériences quantitatives et qualitatives menées sur cinq jeux de données standard montrent que notre modèle se distingue favorablement des méthodes les plus avancées selon diverses métriques d'évaluation.