La segmentation humaine suscite un intérêt croissant dans la recherche. Dans ce travail, nous visons à repousser les limites de la segmentation humaine en introduisant le problème de la segmentation multi-individus dans des scènes réelles (« in the wild »). Les travaux existants sur la segmentation humaine se concentrent principalement sur des scénarios à une seule personne, ce qui s’écarte des applications réelles où plusieurs individus sont présents simultanément, souvent en interaction ou partiellement masqués. Pour traiter ce problème de segmentation multi-individus, nous proposons un nouveau jeu de données, appelé MHP (Multi-Human Parsing), ainsi qu’un modèle original de segmentation multi-individus, nommé MH-Parser. Le jeu de données MHP comprend plusieurs personnes capturées dans des environnements réels, annotées au niveau pixel avec des étiquettes sémantiques fines et précises dans un cadre instance-aware (conscient des instances). Le modèle MH-Parser génère simultanément des cartes de segmentation globales et des masques d’instances individuelles selon une approche bottom-up, grâce à un nouveau modèle basé sur les Graph-GAN (Graph Generative Adversarial Networks). Nous envisageons que le jeu de données MHP deviendra une ressource précieuse pour le développement de nouveaux modèles de segmentation multi-individus, tandis que MH-Parser fournit une base solide pour stimuler les recherches futures dans le domaine de la segmentation multi-individus dans des scènes réelles.