La détection d’objets est une technique mature, dont les performances se rapprochent désormais de celles de la vision humaine. Ce papier présente une méthode visant à réduire davantage l’écart restant en matière de capacité de détection, en étudiant les facteurs visuels qui altèrent la détectabilité des objets. Étant donné que certains de ces facteurs sont difficiles ou impossibles à mesurer dans les données réelles des capteurs, un détecteur est entraîné sur des données synthétiques, permettant d’obtenir à grande échelle des mesures parfaites et des étiquettes de vérité terrain. Ce détecteur ainsi formé est ensuite utilisé pour calibrer une fonction de perte pondérée empirique, qui attribue des poids aux échantillons des données d’entraînement réelles ainsi qu’aux facteurs d’altération de la détection correspondants. La méthode est appliquée à la tâche de détection de piétons dans des scènes de circulation. L’efficacité de la perte pondérée empirique d’altération de détection (DIW loss) est démontrée sur un détecteur entraîné sur le jeu de données CityPersons, atteignant ainsi une nouvelle performance de pointe sur ce benchmark, avec une amélioration de 1,88 % par rapport à l’état de l’art précédent.