La detección de objetos salientes en video ha atraído un creciente interés en los últimos años. Sin embargo, algunos modelos existentes de saliencia en video a menudo sufren de la utilización inapropiada de pistas espaciales y temporales y de la insuficiente agregación de características de diferentes niveles, lo que conduce a una notable degradación del rendimiento. Por lo tanto, proponemos una red de integración de características de doble rama impulsada por la calidad que se especializa en la fusión adaptativa de pistas multimodales y la suficiente agregación de características espacio-temporales de múltiples niveles.