La segmentation d’instances sémantique demeure une tâche difficile. Dans ce travail, nous proposons de relever ce défi à l’aide d’une fonction de perte discriminante agissant au niveau des pixels, qui encourage un réseau convolutif à produire une représentation de l’image pouvant être facilement regroupée en instances par une étape de post-traitement simple. Cette fonction de perte pousse le réseau à mapper chaque pixel à un point dans l’espace des caractéristiques, de sorte que les pixels appartenant à la même instance soient proches les uns des autres, tandis que les différentes instances sont séparées par une marge importante. Notre approche, qui combine un réseau pré-entraîné avec une fonction de perte fondée sur un objectif d’apprentissage métrique, est conceptuellement simple et distincte des récentes tentatives en segmentation d’instances. Contrairement aux travaux antérieurs, notre méthode ne repose ni sur des propositions d’objets ni sur des mécanismes récurrents. Une contribution majeure de notre travail réside dans la démonstration qu’un tel cadre simple, sans composants supplémentaires complexes, est efficace et capable de rivaliser avec des méthodes plus sophistiquées. En outre, nous montrons qu’elle n’est pas sujette à certaines limitations des approches populaires basées sur la détection-suivie. Nous obtenons des performances compétitives sur les benchmarks Cityscapes et CVPPP pour la segmentation de feuilles.