La grande disponibilité des capteurs de profondeur fournit des informations complémentaires précieuses pour la détection d'objets saillants (SOD) dans les images RGBD. Toutefois, en raison des différences intrinsèques entre les informations RGB et profondeur, l'extraction de caractéristiques à partir du canal de profondeur à l'aide de modèles pré-entraînés sur ImageNet et leur fusion directe avec les caractéristiques RGB s'avèrent sous-optimales. Dans ce travail, nous intégrons dans une architecture basée sur les CNNs un prior de contraste, qui constituait autrefois un indicateur dominant dans les méthodes de SOD non fondées sur les réseaux profonds, afin d’améliorer les informations de profondeur. Ces indices de profondeur améliorés sont ensuite combinés aux caractéristiques RGB pour la SOD grâce à une nouvelle méthode d’intégration pyramidale fluide, permettant une utilisation plus efficace des caractéristiques multi-échelles à travers les modalités. Des expériences approfondies menées sur cinq jeux de données de référence exigeants démontrent l’avantage de l’architecture CPFP par rapport à neuf méthodes de pointe actuelles.