La segmentation des anomalies constitue une tâche cruciale pour les applications de conduite automatisée, et elle est traditionnellement abordée comme un problème de classification par pixel. Toutefois, raisonner individuellement sur chaque pixel sans tenir compte de son contexte sémantique entraîne une forte incertitude aux frontières des objets ainsi qu’un grand nombre de faux positifs. Nous proposons un changement de paradigme en passant de la classification par pixel à une classification par masque. Notre méthode fondée sur les masques, nommée Mask2Anomaly, démontre la faisabilité d’intégrer une méthode de détection d’anomalies dans une architecture de classification de masques. Mask2Anomaly intègre plusieurs innovations techniques conçues pour améliorer la détection des anomalies au sein des masques : i) un module d’attention masquée globale permettant de se concentrer de manière indépendante sur les régions avant-plan et arrière-plan ; ii) un apprentissage contrastif sur les masques, visant à maximiser l’écart entre une anomalie et les classes connues ; iii) une méthode de raffinement des masques destinée à réduire les faux positifs. Mask2Anomaly atteint de nouveaux records d’état de l’art sur plusieurs benchmarks, tant en évaluation par pixel qu’en évaluation au niveau des composants. En particulier, Mask2Anomaly réduit de 60 % le taux moyen de faux positifs par rapport à l’état de l’art précédent. Page GitHub : https://github.com/shyam671/Mask2Anomaly-Unmasking-Anomalies-in-Road-Scene-Segmentation.