Dans le cadre de la recherche d’images, les métriques d’évaluation classiques reposent sur le classement des scores, par exemple la précision moyenne (AP). Dans cet article, nous proposons une méthode appelée ROADMAP (Robust and Decomposable Average Precision), qui aborde deux défis majeurs liés à l’entraînement end-to-end des réseaux neuronaux profonds avec l’AP : la non-différentiabilité et la non-décomposabilité. Premièrement, nous introduisons une nouvelle approximation différentiable de la fonction de rang, qui fournit une borne supérieure de la perte AP et garantit un entraînement robuste. Deuxièmement, nous concevons une fonction de perte simple mais efficace afin de réduire l’écart de décomposabilité entre l’AP sur l’ensemble d’entraînement complet et son approximation moyennée par lots, pour laquelle nous fournissons des garanties théoriques. Des expériences étendues menées sur trois jeux de données de recherche d’images montrent que ROADMAP surpasse plusieurs méthodes récentes d’approximation de l’AP et mettent en évidence l’importance de nos deux contributions. Enfin, l’utilisation de ROADMAP pour l’entraînement de modèles profonds permet d’obtenir de très bons résultats, dépassant les performances les plus avancées sur les trois jeux de données.