Cet article présente une méthode de segmentation bayésienne basée sur l'apprentissage profond pour la détection des risques lors d'atterrissages planétaires autonomes. Les méthodes conventionnelles de vision par ordinateur voient leurs performances se dégrader à mesure que le bruit des capteurs augmente. Dans cet article, nous utilisons l'apprentissage profond bayésien pour générer simultanément une carte de prédiction de sécurité et sa carte d'incertitude. Nous proposons ensuite une méthode fiable pour identifier les sites d'atterrissage sûrs en filtrant les pixels incertains à l'aide de la carte d'incertitude. À l'aide de données simulées issues du modèle numérique de terrain Mars HiRISE, nous validons expérimentalement les performances de la méthode proposée sous différents seuils d'incertitude et niveaux de bruit.
