Détection de petites cibles par apprentissage profond et critère a contrario

Small target detection is an essential yet challenging task in defense applications, since differentiating low-contrast targets from natural textured and noisy environment remains difficult. To better take into account the contextual information, we propose to explore deep learning approaches based on attention mechanisms. Specifically, we propose a customized version of TransUnet including channel attention, which has shown a significant improvement in performance. Moreover, the lack of annotated data induces weak detection precision, leading to many false alarms. We thus explore a contrario methods in order to select meaningful potential targets detected by a weak deep learning training. -- La d\étection de petites cibles est une probl\ématique d\élicate mais essentielle dans le domaine de la d\éfense, notamment lorsquíl ságit de diff\érencier ces cibles dún fond bruit\é ou textur\é, ou lorsquélles sont de faible contraste. Pour mieux prendre en compte les informations contextuelles, nous proposons déxplorer diff\érentes approches de segmentation par apprentissage profond, dont certaines bas\ées sur les m\écanismes dáttention. Nous proposons \également dínclure un module dáttention par canal au TransUnet, r\éseau \`a l'\état de lárt, ce qui permet dám\éliorer significativement les performances. Par ailleurs, le manque de donn\ées annot\ées induit une perte en pr\écision lors des d\étections, conduisant \`a de nombreuses fausses alarmes non pertinentes. Nous explorons donc des m\éthodes a contrario afin de s\électionner les cibles les plus significatives d\étect\ées par un r\éseau entra\^in\é avec peu de donn\ées.