Les méthodes récentes de détection d’objets saillants basées sur le deep learning atteignent des performances remarquables grâce aux réseaux de neurones entièrement convolutifs (FCNs). Toutefois, la plupart d’entre elles peinent face au défi des frontières. Les méthodes de pointe exploitent une technique d’agrégation de caractéristiques permettant de localiser précisément les objets saillants, mais elles échouent fréquemment à segmenter l’intégralité de l’objet avec des frontières fines, en particulier pour les objets présentant des bandes étroites. Il reste donc un important potentiel d’amélioration pour les modèles fondés sur les FCNs. Dans cet article, nous proposons les Modules de Rétroaction Attentionnels (AFMs) afin d’explorer plus efficacement la structure des objets. Un Loss amélioré pour les frontières (BEL) est également introduit pour apprendre des frontières plus précises. Notre modèle profond obtient des résultats satisfaisants sur les frontières des objets et atteint des performances de pointe sur cinq benchmarks largement utilisés pour la détection d’objets saillants. Le réseau, entièrement convolutif, fonctionne à une vitesse de 26 FPS et ne nécessite aucune post-processing.