La compréhension visuelle complète de la scène a toujours été l’un des objectifs principaux de la perception de la machine. La capacité à décrire les composants d’une scène en utilisant uniquement les informations prises par un appareil photo numérique a été le principal objectif des tâches de vision par ordinateur telles que la segmentation sémantique et la segmentation d’instances. En utilisant des techniques d’apprentissage en profondeur, un réseau de neurones est capable d’attribuer une étiquette à chaque pixel d’une image (segmentation sémantique) ou de définir les limites d’une instance ou d’un objet avec plus de précision que le cadre de sélection (segmentation d’instance). La tâche de segmentation panoptique proposée par Kirillov et. al tente d’obtenir une description complète de la scène en fusionnant les informations de segmentation sémantique et par instance et en exploitant les points forts de ces deux tâches. Ce rapport indique une alternative possible pour résoudre ce problème de fusion en utilisant des réseaux de neurones à convolution (CNN) pour affiner les limites entre chaque classe.