L'interprétation de scènes RGB-T (rouge-vert-bleu et thermique) a récemment suscité un intérêt considérable dans la recherche. Bien que les méthodes existantes permettent une interprétation efficace des scènes RGB-T, leurs performances restent limitées par un champ réceptif restreint. Contrairement aux approches qui captent le contexte global par fusion de caractéristiques multiscales ou par l’utilisation d’un mécanisme d’attention, nous proposons un réseau à branche d’amélioration par graphe (GEBNet), qui exploite les dépendances à longue portée issues de la branche pour affiner une carte sémantique grossière générée par le décodeur. Les modules sémantiques et de détails intégrés dans la branche d’amélioration par graphe permettent de fusionner les caractéristiques de haut et de bas niveau. En outre, inspirés de la capacité des réseaux de neurones graphiques à capturer le contexte global, nous avons intégré un nouveau module d’amélioration par graphe dans la branche du réseau afin d’extraire des informations globales à partir à la fois des informations sémantiques de haut niveau et des détails de bas niveau. Les résultats d’expériences étendues sur les jeux de données MFNet et PST900 démontrent la haute performance du GEBNet proposé ainsi que les contributions essentielles de ses composants principaux à la qualité de l’interprétation.