La segmentation sémantique des images satellites joue un rôle crucial dans l’agriculture de précision, la protection de l’environnement et l’évaluation économique. Ces dernières années, un volume considérable d’images satellites à haute résolution fine est devenu disponible pour la segmentation sémantique. Toutefois, en raison de la complexité accrue des informations liée à la résolution spatiale élevée, les algorithmes d’apprentissage profond les plus avancés utilisent généralement des architectures de réseaux complexes pour la segmentation, entraînant souvent une complexité computationnelle élevée. En particulier, les performances de haut niveau des réseaux de neurones convolutifs (CNN) dépendent fortement de détails spatiaux fins (résolution fine) et d’informations contextuelles suffisantes (champs réceptifs étendus), deux facteurs qui contribuent significativement à des coûts computationnels élevés. Ce point constitue un obstacle majeur à leur applicabilité et disponibilité dans des scénarios réels exigeant un traitement en temps réel. Dans cet article, nous proposons un réseau convolutif appelé Attentive Bilateral Contextual Network (ABCNet), doté de deux branches, qui présente une consommation computationnelle nettement réduite par rapport aux algorithmes de pointe, tout en maintenant une précision compétitive. Le code est disponible à l’adresse suivante : https://github.com/lironui/ABCNet.