Dans cette étude, nous présentons une nouvelle architecture basée sur les CNN (Convolutional Neural Networks) qui peut être formée de manière end-to-end pour fournir des résultats de segmentation de scène fluides et cohérents. Notre objectif est de prédire des résultats de segmentation sémantique et de détection cohérents au moyen d'un format de sortie panoptique, dépassant ainsi la simple combinaison de modèles de segmentation et de détection formés indépendamment. L'architecture proposée tire parti d'une nouvelle tête de segmentation qui intègre harmonieusement des caractéristiques multi-échelles générées par un réseau pyramidal de caractéristiques (Feature Pyramid Network) avec des informations contextuelles transmises par un module léger similaire à DeepLab. Comme contribution supplémentaire, nous examinons la métrique panoptique et proposons une alternative qui surmonte ses limitations lors de l'évaluation des catégories non instanciées. Notre architecture réseau proposée obtient des résultats d'avant-garde sur trois jeux de données difficiles au niveau des rues, à savoir Cityscapes, Indian Driving Dataset et Mapillary Vistas.