La Red de Pirámide de Características (FPN) ha sido ampliamente aplicada en la tarea de detección de objetos salientes (SOD), lo que ha logrado un gran rendimiento. Sin embargo, la mayoría de los métodos de SOD basados en FPN existentes aún tienen algunas limitaciones, como una orientación insuficiente debido a la dilución gradual de la información semántica, un cálculo excesivo que conduce a una velocidad de inferencia lenta y una eficiencia baja en la formación de modelos. En este documento, diseñamos una Red de Contracción Gradual e Interacción Cíclica (GSCINet) novedosa para una SOD eficiente y precisa, que consta de un Módulo de Atención Contextual Multiescala (MSCAM) y un Módulo de Contracción e Interacción de Características Adyacentes (AFSIM). Específicamente, el MSCAM tiene como objetivo capturar eficientemente información de atención contextual multiescala y multireceptiva a través de una serie de convoluciones bien diseñadas y matrices de pesos de atención de diferentes escalas para mejorar el rendimiento de las características de entrada iniciales. Posteriormente, en AFSIM, proponemos una estructura de contracción gradual e introducimos un mecanismo de interacción circular para optimizar las características comprimidas con menos costo de cálculo, lo que permite una inferencia rápida y precisa de objetos salientes. Los extensos resultados experimentales demuestran la alta eficiencia y superioridad de GSCINet frente a 17 métodos de detección de saliencia de última generación (SOTA) bajo múltiples métricas de evaluación.