Les réseaux de neurones convolutifs profonds ont été adoptés pour la détection d’objets saillants et ont atteint des performances de pointe. Toutefois, la plupart des travaux antérieurs se concentrent principalement sur la précision régionale, au détriment de la qualité des contours. Dans cet article, nous proposons une architecture de prédiction-amélioration, appelée BASNet, ainsi qu’une nouvelle perte hybride pour la détection saillante sensible aux contours. Plus précisément, l’architecture est composée d’un réseau Encoder-Decoder fortement supervisé et d’un module de raffinement résiduel, chargés respectivement de la prédiction de la saillance et du raffinement de la carte de saillance. La perte hybride guide le réseau à apprendre la transformation entre l’image d’entrée et la vérité terrain selon une hiérarchie à trois niveaux — niveau pixel, niveau patch et niveau carte — en combinant les pertes d’entropie binaire (BCE), de similarité structurelle (SSIM) et d’intersection sur union (IoU). Grâce à cette perte hybride, l’architecture proposée de prédiction-amélioration est capable de segmenter efficacement les régions d’objets saillants et de prédire avec précision les structures fines, caractérisées par des contours nets. Les résultats expérimentaux sur six jeux de données publics montrent que notre méthode surpasser les méthodes de pointe tant sur les mesures d’évaluation régionales que sur celles relatives aux contours. Notre méthode fonctionne à plus de 25 fps sur une seule GPU. Le code source est disponible à l’adresse suivante : https://github.com/NathanUA/BASNet.