La détection des ombres constitue une tâche fondamentale mais difficile, car elle exige une compréhension sémantique globale de l’image et fait face à une grande variété de fonds. Ce papier présente un nouveau réseau pour la détection des ombres, en analysant le contexte d’image de manière orientée. Pour cela, nous formulons initialement un mécanisme d’attention orientée dans un réseau de neurones récurrents (RNN) spatial, en introduisant des poids d’attention lors de l’agrégation des caractéristiques de contexte spatial dans le RNN. En apprenant ces poids par apprentissage supervisé, nous parvenons à restaurer un contexte spatial orienté (DSC, Direction-aware Spatial Context), adapté à la détection des ombres. Ce concept est ensuite intégré dans un module DSC, qui est incorporé à un réseau neuronal convolutif (CNN) afin d’apprendre des caractéristiques DSC à différentes échelles. En outre, une fonction de perte par entropie croisée pondérée est conçue pour améliorer l’efficacité de l’entraînement. Nous utilisons deux jeux de données standards pour la détection des ombres et menons diverses expériences pour évaluer notre réseau. Les résultats expérimentaux montrent que notre méthode dépasse les approches les plus avancées de l’état de l’art, atteignant une précision de 97 % et une réduction de 38 % du taux d’erreur équilibré.