Les caractéristiques convolutives efficaces jouent un rôle crucial dans l’estimation de la salience, mais l’apprentissage de caractéristiques puissantes pour la détection de la salience reste un défi. Les méthodes basées sur les FCN appliquent directement les caractéristiques convolutives à plusieurs niveaux sans distinction, ce qui entraîne des résultats sous-optimaux en raison des distractions causées par les détails redondants. Dans cet article, nous proposons un nouveau réseau guidé par l’attention, qui intègre de manière sélective et progressive les informations contextuelles à plusieurs niveaux. Les caractéristiques attentives générées par notre réseau permettent de réduire les distractions provenant du fond, aboutissant ainsi à de meilleures performances. D’un autre côté, il a été observé que la plupart des algorithmes existants détectent les objets saillants en exploitant les caractéristiques de sortie latérale du réseau d’extraction de caractéristiques principal. Toutefois, les couches plus profondes du réseau principal manquent de capacité à capturer des informations sémantiques globales, ce qui limite l’apprentissage efficace des caractéristiques. Pour remédier à ce problème, nous introduisons une rétroaction récurrente multi-chemin afin d’améliorer notre cadre progressif piloté par l’attention. Grâce aux connexions récurrentes multi-chemin, les informations sémantiques globales issues de la couche convolutive supérieure sont transférées vers les couches plus superficielles, ce qui affine intrinsèquement l’ensemble du réseau. Les résultats expérimentaux sur six jeux de données de référence démontrent que notre algorithme se distingue favorablement par rapport aux approches de pointe.