RGBDサリエンシーディテクションのための異なる低レベルのサリエンシーキューの設計に多くの努力が払われてきました。これらのキューには、色や深度のコントラスト特徴、背景と色の一貫性を表す事前情報などが含まれます。しかし、これらのサリエンシーキューがどのように相互作用し、効果的にこれらを統合してマスターサリエンシーマップを生成する方法は依然として難問となっています。本論文では、RGBD画像におけるサリエントオブジェクトの自動検出のために、異なる低レベルのサリエンシーキューを階層的な特徴量に融合する新しい畳み込みニューラルネットワーク（CNN）を設計しました。既存の研究が直接生データの画素値をCNNに入力するのに対し、提案手法では伝統的なサリエンシー検出における知識を利用し、様々な意味のある且つ適切に設計されたサリエンシー特徴ベクトルを入力として用います。これにより学習の曖昧性が減少し、CNNの訓練がより効果的にサリエントオブジェクト検出に向かうことが可能となります。さらに、学習したCNNとラプラシアン伝播フレームワークを組み合わせることで、入力画像の内在構造を利用して空間的に一貫性のあるサリエンシーマップを抽出します。3つのデータセットに対する広範な定量的および定性的評価実験により、提案手法が最先端の手法よりも一貫して優れていることが示されました。