La anotación para la segmentación de imágenes es costosa y consume mucho tiempo. A diferencia de la segmentación de imágenes, la tarea de detección de objetos es generalmente más fácil en cuanto a la adquisición de datos de entrenamiento etiquetados y el diseño de modelos de entrenamiento. En este documento, combinamos la idea de aprendizaje no supervisado y una red de detección de objetos preentrenada para realizar la segmentación de imágenes, sin utilizar etiquetas de segmentación costosas. Especialmente, diseñamos una tarea de pretexto basada en la descomposición dispersa de instancias de objetos en videos para obtener la máscara de segmentación de los objetos, lo cual se beneficia de la dispersión de instancias de imágenes y de la estructura entre fotogramas de videos.