Imaginez un coloriage inversé : au lieu de remplir des zones déjà tracées, la machine doit dessiner les contours elle-même en décidant, pixel par pixel, à quel objet chacun appartient. C'est exactement le rôle de la segmentation d'image : attribuer une étiquette à chaque pixel d'une image pour découper la scène en régions cohérentes (route, piéton, tumeur, ciel…).
Les trois grandes familles
On distingue trois niveaux de finesse :
| Type | Question posée | Exemple |
|---|---|---|
| Sémantique | À quelle classe appartient ce pixel ? | « voiture », « route » |
| Instance | Quel objet précis ? | voiture n°1 ≠ voiture n°2 |
| Panoptique | Classe + instance combinées | tout l'image étiquetée |
La segmentation sémantique regroupe tous les pixels d'une même classe ; la segmentation par instance distingue chaque objet individuellement.
Comment ça fonctionne
Les architectures modernes reposent sur des réseaux encodeur-décodeur comme U-Net ou des modèles à convolutions entièrement convolutifs (FCN). L'encodeur compresse l'image en caractéristiques abstraites, le décodeur reconstruit une carte de segmentation à pleine résolution. Plus récemment, SAM (Segment Anything Model) de Meta a popularisé la segmentation « promptable » et généraliste.
Pour mesurer la qualité, on utilise l'indice de Jaccard (Intersection sur Union) :
$$\text{IoU} = \frac{|A \cap B|}{|A \cup B|}$$
où $A$ est la prédiction et $B$ la vérité terrain. Un IoU proche de 1 signifie un recouvrement quasi parfait.
À quoi ça sert
- Voiture autonome : isoler piétons, voies et obstacles
- Imagerie médicale : délimiter organes et lésions
- Télédétection : cartographier cultures et forêts
- Retouche photo : détourer un sujet automatiquement
Là où la classification dit ce qu'il y a dans une image, la segmentation dit où cela se trouve — au pixel près.