Cet article présente une technique d'apprentissage qui permet de segmenter une scène hyperspectrale en classes connues, sur la seule base d'une image compressée et d'une image panchromatique de la scène. Ces images sont obtenues par un capteur hyperspectral particulier, qui comprend deux lignes de dispersion spectrales séparées par une matrice de micro-miroirs qui opère une sélection spatiale. L'algorithme d'apprentissage exploite l'architecture existante de réseau de neurones DSSNet dédiée à la segmentation de cubes hyperspectraux complets, en la complétant par un bloc de convolution appliqué à la structure de données modélisant l'acquisition d'une image compressée. L'approche traite un volume d'information 50 fois inférieur à celui d'un cube hyperspectral complet, et fournit des résultats légèrement moins précis que ceux obtenus par DSSNet pour la segmentation du cube hyperspectral complet. L'article détaille la modélisation du capteur exploité, la nouvelle couche de convolution introduite, la manière dont le réseau est entraîné, et analyse les résultats obtenus.