Un seul objet inattendu sur la route peut provoquer un accident ou entraîner des blessures. Pour prévenir cela, il est nécessaire de disposer d'un mécanisme fiable pour détecter les objets anormaux sur la route. Cette tâche, appelée segmentation d'anomalies, peut constituer une étape importante vers une conduite autonome sûre et fiable. Les approches actuelles abordent la segmentation d'anomalies en attribuant un score d'anomalie à chaque pixel et en regroupant les régions anormales à l'aide de heuristiques simples. Cependant, le regroupement des pixels est un facteur limitant lorsqu'il s'agit d'évaluer la performance de segmentation des objets anormaux individuels. Pour résoudre le problème du regroupement de plusieurs instances d'anomalies en une seule, nous proposons une approche qui génère des masques précis pour chaque instance d'anomalie. Notre méthode se concentre sur un modèle de segmentation hors distribution pour identifier les régions incertaines et un modèle de segmentation généraliste robuste pour segmenter les instances d'anomalies. Nous explorons des moyens d'utiliser les régions incertaines pour guider ce modèle de segmentation afin qu'il puisse effectuer la segmentation des instances anormales. En intégrant des a priori d'objets forts provenant du modèle généraliste, nous améliorons également les performances de segmentation d'anomalies au niveau des pixels. Notre approche surpassent les méthodes actuelles de segmentation d'anomalies au niveau des pixels, atteignant respectivement un AP (Average Precision) de 80,08 % sur l'ensemble de validation Fishyscapes Lost and Found et de 88,98 % sur l'ensemble de validation RoadAnomaly. Page du projet : https://vision.rwth-aachen.de/ugains