Voici la traduction du texte en français, respectant le style académique et la terminologie de la vision par ordinateur :La détection d'objets camouflés constitue une tâche émergente et complexe en vision par ordinateur, nécessitant l'identification et la segmentation d'objets qui se fondent parfaitement dans leur environnement en raison d'une forte similitude de couleur, de texture et de taille. Cette tâche est davantage complexifiée par des conditions de faible luminosité, des occlusions partielles, la petite taille des objets, des motifs d'arrière-plan complexes et la présence d'objets multiples. Bien que de nombreuses méthodes sophistiquées aient été proposées à cet effet, les approches actuelles peinent encore à détecter avec précision les objets camouflés dans des scénarios complexes, en particulier lorsqu'il s'agit d'objets de petite taille et multiples, ce qui indique un potentiel d'amélioration.Nous proposons un Réseau Récursif Multi-Échelle (Multi-Scale Recursive Network) qui extrait des caractéristiques multi-échelles via une dorsale de type Pyramid Vision Transformer et les combine au moyen d'Unités d'Intégration d'Échelle basées sur l'Attention (Attention-Based Scale Integration Units) spécialisées, permettant ainsi une fusion sélective des caractéristiques. Pour une détection plus précise des objets, notre décodeur affine récursivement les caractéristiques en incorporant des Unités de Fusion à Multi-Granularité (Multi-Granularity Fusion Units). Une nouvelle stratégie de décodage à rétroaction récursive est développée afin d'améliorer la compréhension du contexte global, aidant le modèle à surmonter les défis inhérents à cette tâche. En exploitant conjointement l'apprentissage multi-échelle et l'optimisation récursive des caractéristiques, la méthode que nous proposons réalise des gains de performance, détectant avec succès les objets camouflés de petite taille et multiples. Notre modèle atteint des résultats de l'état de l'art sur deux jeux de données de référence pour la détection d'objets camouflés et se classe deuxième sur les deux autres. Nos codes, les poids du modèle et les résultats sont disponibles à l'adresse href{https://github.com/linaagh98/MSRNet}{https://github.com/linaagh98/MSRNet}.