La segmentation sémantique par télédétection à haute résolution (HRS) vise à extraire des objets clés à partir de zones couvertes à haute résolution. Toutefois, les objets de même catégorie présents dans les images HRS présentent généralement des différences significatives en échelle et en forme selon les environnements géographiques variés, ce qui rend difficile l’ajustement à la distribution des données. Par ailleurs, un environnement de fond complexe entraîne des apparences similaires entre des objets de catégories différentes, conduisant à un grand nombre de classifications erronées comme fond. Ces problèmes rendent les algorithmes d’apprentissage existants sous-optimisés. Dans ce travail, nous résolvons ces défis en proposant un réseau de télédétection à haute résolution (Hi-ResNet) reposant sur des conceptions efficaces de structure réseau, composé séquentiellement d’un module entonnoir, d’un module à multiples branches doté de blocs empilés d’agrégation d’information (IA), d’un module de raffinement de caractéristiques, ainsi que d’une fonction de perte Class-agnostic Edge Aware (CEA). Plus précisément, nous introduisons un module entonnoir permettant un sous-échantillonnage qui réduit le coût computationnel tout en extrayant des informations sémantiques à haute résolution à partir de l’image d’entrée initiale. Ensuite, nous sous-échantillonnons progressivement les images de caractéristiques traitées en branches multi-résolution afin de capturer des caractéristiques d’image à différentes échelles, tout en appliquant des blocs IA qui explorent les informations latentes clés grâce à des mécanismes d’attention, assurant ainsi une agrégation efficace des caractéristiques et permettant de distinguer les objets de même classe présentant des échelles et formes variables. Enfin, notre module de raffinement de caractéristiques intègre la fonction de perte CEA, qui permet de dissocier les objets interclasses aux formes similaires et d’augmenter la distance entre les distributions de données pour des prédictions correctes. Grâce à des stratégies pré-entraînement efficaces, nous démontrons l’avantage de Hi-ResNet par rapport aux méthodes de pointe sur trois benchmarks de segmentation HRS.