التمييز الفيديو غير المشرف يلعب دورًا مهمًا في مجموعة متنوعة من التطبيقات، بدءًا من تحديد الأشياء وصولاً إلى الضغط. ومع ذلك، فإن الحركة السريعة، والضبابية الناتجة عن الحركة، والتغطيات تشكل تحديات كبيرة حتى الآن. لمعالجة هذه التحديات في التمييز الفيديو غير المشرف، نطور تقنية جديدة لتقدير البارزة (saliency) بالإضافة إلى رسم بياني جارٍ جديد (neighborhood graph) يستند إلى الجريان البصري (optical flow) ودلالات الحواف. يقود نهجنا إلى تقديرات أولية للخلفية-المقدمة أكثر فعالية بكثير وأكثر ثباتًا ودقة في انتشارها عبر الزمن. نقيم الخوارزمية المقترحة لدينا على مجموعات البيانات الصعبة DAVIS وSegTrack v2 وFBMS-59. رغم استخدام كاشف حواف قياسي تم تدريبه على 200 صورة فقط، فإن طريقتنا تحقق نتائج رائدة تتفوق على الأساليب القائمة على التعلم العميق في الإعداد غير المشرف. وحتى في الإعداد شبه المشرف على مجموعة بيانات DAVIS، نظهر نتائج تنافسية تعادل الأساليب القائمة على التعلم العميق.