Les données géographiques présentes dans OpenStreetMap (OSM), décrites à la fois par leur géométrie et de la sémantique, constituent une source d'informa-tion essentielle à la fabrication de cartes en relief pour déficients visuels. Cependant, à l'échelle du carrefour, les détails géométriques nécessaires à la modélisation de certains éléments ne sont pas disponibles. L'utilisation de l'imagerie aérienne constitue une source d'information complémentaire, mais impose un traitement d'image sophistiqué. Dans cet article, nous proposons une approche basée sur l'apprentissage profond (ré-seau adverse génératif conditionnel), en enrichissant les informations présentes dans les orthophotographies par des données sémantiques et géométriques issues d'OSM. Afin de mesurer l'influence de cet enrichissement, nous présentons les résultats de deux séries d'apprentissage, avec et sans enrichissement. ABSTRACT. The geographic data in OpenStreetMap (OSM), described through geometry and semantics, is an essential source of information for relief maps production for the visually impaired. However, at the crossroads scale, the geometric details required for modeling some components are not available. The use of aerial imagery is a complementary source of information, but involves advanced image processing. In this article, we propose an approach based on deep learning (conditional Generative Ad-versarial Networks), by enhancing the information of orthophotographs with semantic and geometric data from OSM. In order to measure the influence of this enrichment, we present the results of two series of learning, with and without enrichment. MOTS-CLÉS : apprentissage machine ; enrichissement de données ; information géo-graphique volontaire ; segmentation sémantique