Les recherches récentes en détection d’objets par télédétection se sont principalement concentrées sur l’amélioration de la représentation des boîtes englobantes orientées, tout en ignorant les connaissances a priori propres aux scénarios de télédétection. Ces connaissances a priori sont en effet pertinentes, car des objets très petits dans les images de télédétection peuvent être mal détectés en l’absence d’un contexte à longue portée suffisamment informatif, et les besoins en contexte à longue portée varient selon les types d’objets. Dans cet article, nous prenons en compte ces connaissances a priori et proposons le réseau à noyaux sélectifs larges (Large Selective Kernel Network, LSKNet). LSKNet peut ajuster dynamiquement son champ réceptif spatial étendu afin de mieux modéliser le contexte à longue portée associé à divers objets dans les scénarios de télédétection. À notre connaissance, il s’agit de la première étude explorant les mécanismes de noyaux larges et sélectifs dans le domaine de la détection d’objets par télédétection. Sans recourir à des artifices supplémentaires, LSKNet établit de nouveaux records sur des benchmarks standards : HRSC2016 (98,46 % mAP), DOTA-v1.0 (81,85 % mAP) et FAIR1M-v1.0 (47,87 % mAP). Sur la base d’une technique similaire, nous avons obtenu la deuxième place au Greater Bay Area International Algorithm Competition 2022. Le code est disponible à l’adresse suivante : https://github.com/zcablii/Large-Selective-Kernel-Network.