La segmentation des nuages et des ombres de nuages constitue des processus fondamentaux dans l’analyse des images de télédétection optique. Les méthodes actuelles de détection des nuages et ombres dans les images géospatiales ne sont pas aussi précises qu’elles devraient l’être, en particulier en présence de neige et de brouillard. Ce papier présente un cadre basé sur l’apprentissage profond pour la détection des nuages et ombres de nuages dans les images Landsat 8. Notre méthode s’appuie sur un réseau de neurones convolutif, Cloud-Net+ (une amélioration de notre modèle précédemment proposé, Cloud-Net \cite{myigarss}), entraîné avec une nouvelle fonction de perte, la Filtered Jaccard Loss. Cette fonction de perte est particulièrement sensible à l’absence d’objets d’intérêt (foreground) dans une image et pénalise ou récompense plus précisément le masque prédit que les fonctions de perte courantes. En outre, une technique d’augmentation de données sensible à la direction de la lumière du soleil a été développée pour améliorer la détection des ombres de nuages, permettant ainsi d’étendre la capacité de généralisation du modèle en enrichissant les jeux d’entraînement existants. La combinaison de Cloud-Net+, de la fonction de perte Filtered Jaccard Loss et de l’algorithme d’augmentation proposé obtient des résultats supérieurs sur quatre jeux de données publics de détection des nuages et ombres. Nos expériences sur le jeu de données Pascal VOC illustrent la pertinence et la qualité de notre réseau et de notre fonction de perte dans d’autres applications de vision par ordinateur.