Localiser des éléments ou objets de page tels que des tableaux, des figures, des équations, etc., constitue la première étape essentielle pour extraire des informations à partir d’images de documents. Nous proposons un nouveau réseau profond entraînable end-to-end, nommé CDeC-Net, destiné à la détection de tableaux présents dans les documents. Le réseau proposé repose sur une extension multistade de Mask R-CNN, intégrant un double squelette (backbone) doté de convolutions déformables, permettant une détection précise des tableaux à différentes échelles, même avec des seuils élevés d’indice d’intersection sur union (IoU). Nous évaluons empiriquement CDeC-Net sur l’ensemble des jeux de données de référence publiques disponibles : ICDAR-2013, ICDAR-2017, ICDAR-2019, UNLV, Marmot, PubLayNet et TableBank, à l’aide d’expérimentations approfondies.Notre approche présente trois caractéristiques essentielles : (i) un unique modèle entraîné, CDeC-Net‡, se distingue par des performances solides sur l’ensemble des jeux de données de référence les plus utilisés ; (ii) nous rapportons des performances exceptionnelles sur plusieurs seuils d’IoU, y compris des seuils élevés ; (iii) en suivant strictement le protocole des travaux récents pour chaque jeu de données, nous démontrons de manière cohérente une performance quantitative supérieure. Le code source ainsi que les modèles entraînés seront publiés afin de garantir la reproductibilité des résultats.