La sélection d'objets interactive est un problème de recherche très important et possède de nombreuses applications. Les algorithmes précédents nécessitaient des interactions utilisateur substantielles pour estimer les distributions du premier plan et de l'arrière-plan. Dans cet article, nous présentons un nouvel algorithme basé sur l'apprentissage profond qui dispose d'une compréhension beaucoup plus approfondie de la notion d'objet (objectness) et peut ainsi réduire les interactions utilisateur à quelques clics seulement. Notre algorithme transforme les clics positifs et négatifs fournis par l'utilisateur en deux cartes de distance euclidienne, qui sont ensuite concaténées avec les canaux RVB des images pour former des paires (image, interactions utilisateur). Nous générons de nombreuses paires de ce type en combinant plusieurs stratégies d'échantillonnage aléatoire pour modéliser les schémas de clics de l'utilisateur et les utilisons pour affiner les réseaux neuronaux convolutifs profonds (Fully Convolutional Networks, FCNs). Enfin, les cartes de probabilité de sortie de notre modèle FCN 8s sont intégrées à une optimisation par coupe graphique afin d'affiner les segments frontières. Notre modèle a été formé sur le jeu de données PASCAL pour la segmentation et évalué sur d'autres jeux de données comportant différentes classes d'objets. Les résultats expérimentaux sur des objets vus et non vus montrent clairement que notre algorithme possède une bonne capacité généralisatrice et est supérieur à toutes les approches existantes de sélection d'objets interactive.