Recientes avances en la detección de objetos llamativos adoptando redes neuronales convolucionales profundas han logrado un rendimiento de vanguardia. La detección de objetos llamativos es una tarea en visión por computadora para detectar objetos interesantes. La mayoría de los métodos basados en Redes Neuronales Convolucionales (CNN) producen salidas de saliencia plausibles, pero con un tiempo computacional adicional. Sin embargo, en la práctica, se demanda un algoritmo de baja computación. Un enfoque para superar esta limitación es redimensionar la entrada a un tamaño más pequeño para reducir la pesada computación en la red principal. Sin embargo, este proceso degrada el rendimiento y no logra capturar los detalles exactos de los límites de saliencia debido al proceso de submuestreo. Se necesita una estrategia de refinamiento robusta para mejorar el resultado final donde la computación de refinamiento debería ser menor que la de la red de predicción original. En consecuencia, se propone un enfoque novedoso en este estudio utilizando el gradiente de la imagen original como guía para detectar y refinar el resultado de saliencia. Este enfoque reduce el costo computacional al eliminar la enorme computación en la red principal, lo que permite flexibilidad a los usuarios para elegir un tamaño deseado con un límite más preciso. El método propuesto combina los beneficios de una computación más pequeña y un resultado claro en el límite. Experimentos extensos han demostrado que el método propuesto es capaz de mantener la estabilidad del rendimiento de detección de saliencia dado un tamaño de entrada más pequeño con un tamaño de salida deseado y mejorar el resultado general de detección de objetos llamativos.