Cet article décrit les méthodes soumises à l’évaluation dans le cadre de la piste SHREC 2022 dédiée à la détection des nids-de-poule et des fissures dans les chaussées. Un total de sept exécutions différentes pour la segmentation sémantique de la surface routière sont comparées : six provenant des participants et une méthode de référence (baseline). Toutes les approches exploitent des techniques d’apprentissage profond (Deep Learning), et leur performance est évaluée dans le même environnement (à savoir un unique notebook Jupyter). Les participants ont eu accès à un ensemble d’apprentissage comprenant 3 836 paires image/masque annotées sémantiquement, ainsi que 797 séquences vidéo RGB-D acquises à l’aide des dernières caméras à profondeur. Les méthodes sont ensuite évaluées sur 496 paires image/masque dans l’ensemble de validation, sur 504 paires dans l’ensemble de test, ainsi que sur 8 clips vidéo. L’analyse des résultats repose sur des métriques quantitatives pour la segmentation d’images, complétées par une analyse qualitative des séquences vidéo. La participation et les résultats obtenus démontrent que ce scénario suscite un vif intérêt, et que l’utilisation des données RGB-D reste un défi significatif dans ce contexte.