Bien que les réseaux de neurones convolutifs (CNN) aient permis des progrès remarquables dans la détection des ombres, ils sont sujets à des erreurs dans les régions non-ombragées sombres et dans les zones ombragées relativement lumineuses. Ils sont également sensibles aux variations d’éclat. Ces deux phénomènes révèlent que les détecteurs profonds d’ombres dépendent fortement du signal d’intensité, que nous appelons biais d’intensité. Dans cet article, nous proposons un nouveau schéma de décomposition et de rééquilibrage des caractéristiques afin de réduire ce biais d’intensité. Ce schéma décompose, par apprentissage auto-supervisé, les caractéristiques intégrées à plusieurs niveaux en composantes variantes et invariantes par rapport à l’intensité. En rééquilibrant ces deux types de caractéristiques, notre méthode permet de réaffecter l’attention aux sémantiques latentes correspondantes et d’assurer une exploitation équilibrée de celles-ci. Des expériences étendues sur trois jeux de données populaires montrent que la méthode proposée surpasser les détecteurs d’ombres les plus avancés de l’état de l’art.