Los algoritmos de segmentación semántica supervisada han sido un área de exploración candente recientemente, pero ahora la atención se está centrando en la segmentación semántica completamente no supervisada. En un marco no supervisado, ni los objetivos ni las etiquetas de verdad del terreno se proporcionan a la red. Dicho esto, la red no está al tanto de ninguna instancia de clase u objeto presente en la muestra de datos dada. Por lo tanto, proponemos una arquitectura basada en una red neuronal convolucional (CNN) para la segmentación no supervisada. Utilizamos la red de compresión y excitación, debido a su peculiar capacidad para capturar las interdependencias de las características, lo que aumenta la sensibilidad de la red a las características más relevantes. Habilitamos de manera iterativa nuestra arquitectura de CNN para aprender el objetivo generado por un método de segmentación basado en gráficos, al mismo tiempo que evitamos que nuestra red caiga en el abismo de la sobresegmentación. Junto con esta arquitectura de CNN, se explotan técnicas de mejora y refinamiento de imágenes para mejorar los resultados de segmentación. Nuestro algoritmo propuesto produce regiones segmentadas mejoradas que cumplen con los resultados de segmentación a nivel humano. Además, evaluamos nuestro enfoque utilizando diferentes métricas para mostrar el rendimiento cuantitativo superior.