Les distributions dispersées (discrétion) et les caractéristiques de diffusion variables (variabilité) propres aux cibles d’avions radar à ouverture synthétique (SAR) posent des défis particuliers en détection et reconnaissance d’objets. Les détecteurs actuels basés sur l’apprentissage profond rencontrent des difficultés à distinguer les avions SAR à très fine granularité au sein de fonds complexes. Pour répondre à ce défi, nous proposons un nouveau paradigme d’apprentissage appelé détecteur guidé par la physique (Physics-guided Detector, PGD), spécifiquement conçu pour les avions SAR, qui exploite de manière exhaustive leur discrétion et leur variabilité afin d’améliorer les performances de détection. Ce paradigme est généralisable et peut être appliqué à divers détecteurs existants basés sur des architectures « backbone-neck-head ». Les principales contributions du PGD sont respectivement la self-supervised learning guidée par la physique (PGSSL), l’amélioration des caractéristiques (PGFE) et la perception des instances (PGIP). La PGSSL vise à construire une tâche d’apprentissage auto-supervisé à partir d’un large éventail de cibles d’avions SAR, permettant d’encoder dans l’espace d’encodage des connaissances a priori relatives aux différentes distributions discrètes des structures. La PGFE améliore ensuite la représentation des caractéristiques multi-échelles du détecteur, en s’appuyant sur des informations physiques apprises via la PGSSL. La PGIP est intégrée au niveau de la tête de détection afin d’apprendre les points de diffusion fins et dominants pour chaque instance d’avion SAR, réduisant ainsi les interférences provenant du fond complexe. Nous proposons deux implémentations, désignées PGD et PGD-Lite, et les appliquons à divers détecteurs existants utilisant différents backbones et têtes de détection. Les expériences montrent la flexibilité et l’efficacité du PGD proposé, capable d’améliorer significativement les détecteurs existants sur la tâche de détection fine des avions SAR (amélioration maximale de 3,1 % en mAP), tout en atteignant des performances de pointe (90,7 % en mAP) sur le jeu de données SAR-AIRcraft-1.0. Le projet est open-source et disponible à l’adresse suivante : \url{https://github.com/XAI4SAR/PGD}.