Le réseau fully convolutionnel (FCN) a connu un succès considérable dans les tâches de reconnaissance visuelle dense, telles que la segmentation d’images. La dernière couche du FCN est généralement un classificateur global (convolution 1×1) destiné à attribuer à chaque pixel une étiquette sémantique. Nous montrons empiriquement que ce classificateur global, en ignorant les différences intra-classes, peut conduire à des résultats sous-optimaux.Dans ce travail, nous proposons un classificateur conditionnel pour remplacer le classificateur global traditionnel, dont les noyaux sont générés dynamiquement en fonction de l’entrée. Les principaux avantages de ce nouveau classificateur sont les suivants : (i) il prend en compte les distinctions intra-classes, ce qui renforce significativement la capacité de reconnaissance dense ; (ii) le classificateur conditionnel est simple et flexible, permettant une intégration aisée dans presque toutes les architectures FCN afin d’améliorer les prédictions. Des expériences étendues montrent que le classificateur proposé obtient des performances supérieures à celles du classificateur traditionnel sur l’architecture FCN. Le cadre intégrant le classificateur conditionnel (appelé CondNet) atteint de nouveaux états de l’art sur deux jeux de données. Le code source et les modèles sont disponibles à l’adresse suivante : https://git.io/CondNet.