Nous présentons une nouvelle fonction de perte sensible aux frontières pour la segmentation sémantique, basée sur un réseau d’inverse-transformation, qui apprend efficacement le degré de transformations paramétriques entre les frontières estimées et les frontières cibles. Ce terme de perte plug-in complète la fonction de perte d’entropie croisée dans la capture des transformations de frontières, permettant une amélioration significative et cohérente des performances sur les modèles de base de segmentation, sans augmenter leur taille ni leur complexité computationnelle. Nous analysons les effets quantitatifs et qualitatifs de notre fonction de perte sur trois benchmarks de segmentation intérieure et extérieure — Cityscapes, NYU-Depth-v2 et PASCAL — en l’intégrant à la phase d’entraînement de plusieurs réseaux de base, dans des configurations à tâche unique comme à tâches multiples. Nos expériences approfondies montrent que la méthode proposée surpasse de manière cohérente les méthodes de référence, et établit même un nouveau record sur deux jeux de données.