教師なし学習でオブジェクトのマスクを抽出できるように学習してから、マスク部分のピクセルの埋め込み表現に対して対照学習を行い、K-Meansなどのクラスタリングでクラス分けを行うMaskContrastを提案した。

MoCo v2によるImageNet Pre-trainedのResNet-50をバックボーンとして使用し、DeepLab v3のネットワーク構造でPASCAL VOCデータセットの評価を行い、従来手法を上回る結果。加えて、COCO及びDAVIS 2016のデータセットも含めて転移学習や半教師あり学習の評価も行い、いずれもベースラインを上回る結果。

複数の学習条件で性能向上を示したため通ったと考えられる。PyTorch実装( https://github.com/wvangansbeke/Unsupervised-Semantic-Segmentation )が公開されている。