L’amélioration des résultats de segmentation des contours a récemment attiré une attention croissante dans le domaine de la segmentation sémantique. Étant donné que les méthodes populaires existantes exploitent généralement le contexte à longue portée, les indices de contour deviennent flous dans l’espace de caractéristiques, ce qui entraîne des performances médiocres sur les frontières. Dans cet article, nous proposons une nouvelle fonction de perte conditionnelle aux contours (CBL, Conditional Boundary Loss) pour la segmentation sémantique, afin d’améliorer les performances aux frontières. La CBL établit un objectif d’optimisation unique pour chaque pixel de contour, conditionné à ses voisins immédiats. L’optimisation conditionnelle de la CBL est à la fois simple et efficace. En revanche, la plupart des méthodes précédentes conscientes des contours présentent des objectifs d’optimisation complexes ou risquent de provoquer des conflits potentiels avec la tâche de segmentation sémantique. Plus précisément, la CBL renforce la cohérence intra-classe et la séparation inter-classe en rapprochant chaque pixel de contour de son centre local de classe unique, tout en l’éloignant de ses voisins appartenant à des classes différentes. En outre, la CBL élimine les informations bruitées ou incorrectes afin d’obtenir des contours précis, car seuls les voisins correctement classifiés participent au calcul de la perte. Notre fonction de perte constitue une solution plug-and-play pouvant améliorer les performances de segmentation des contours de tout réseau de segmentation sémantique. Nous avons mené des expériences approfondies sur les jeux de données ADE20K, Cityscapes et Pascal Context. Les résultats montrent qu’appliquer la CBL à divers réseaux de segmentation populaires permet d’améliorer significativement les performances en termes de mIoU et de score F aux contours.