L'étiquetage sémantique et la segmentation d'instances sont deux tâches qui nécessitent des annotations particulièrement coûteuses. Partant d'une supervision faible sous forme d'annotations de détection de boîtes englobantes, nous proposons une nouvelle approche qui ne requiert aucune modification de la procédure d'entraînement pour la segmentation. Nous montrons que, lorsque les étiquettes d'entrée sont soigneusement conçues à partir des boîtes englobantes fournies, même un seul cycle d'entraînement suffit pour améliorer les résultats précédemment rapportés en supervision faible. Dans l'ensemble, notre approche de supervision faible atteint environ 95 % de la qualité du modèle supervisé entièrement, tant pour l'étiquetage sémantique que pour la segmentation d'instances.