Les architectures d'identification d'objets de pointe actuelles atteignent des performances remarquables, mais sont généralement spécialisées dans un seul style de représentation visuelle (par exemple, uniquement des photographies, uniquement des croquis). Dans cet article, nous présentons SwiDeN : notre architecture de réseau de neurones convolutifs (CNN) capable de reconnaître des objets indépendamment du style visuel utilisé (dessin au trait, dessin réaliste avec ombrages, photographie, etc.). Dans SwiDeN, nous exploitons un mécanisme innovant de commutation basé sur le style de représentation, de nature « profonde », qui traite de manière appropriée à la fois les aspects spécifiques au style de représentation et les aspects invariants par rapport à celui-ci. Nous comparons SwiDeN à d'autres architectures ainsi qu'à des travaux antérieurs sur un jeu de données Photo-Art comprenant 50 catégories d'objets représentés selon plusieurs styles. Les résultats expérimentaux montrent que SwiDeN surpasse les autres approches dans le cadre du problème de reconnaissance d'objets invariante au style de représentation.