نقترح طريقة بسيطة لتدريب نماذج الكشف عن الأشياء والتقسيم بدون إشراف تسمى "قطع وتعلم" (Cut-and-LEaRn) أو اختصاراً "CutLER". نستفيد من خاصية النماذج ذاتية الإشراف في "اكتشاف" الأشياء دون الحاجة إلى إشراف بشري، ونعزز هذه الخاصية لتدريب نموذج تحديد متطور بدون أي علامات بشرية. يبدأ CutLER باستخدام طريقة MaskCut المقترحة لدينا لإنشاء أقنعة خشنة لأكثر من كائن في الصورة، ثم يتعلم كاشفًا على هذه الأقنعة باستخدام دالة خسارة قوية. نحسن الأداء أكثر من خلال تدريب النموذج ذاتيًا على توقعاته. بالمقارنة مع الأعمال السابقة، فإن CutLER أبسط، متوافقة مع هياكل الكشف المختلفة، وتكتشف عدة أشياء. كما أن CutLER هو كاشف غير مشرف بدون أي صور معلمة ويحسن أداء الكشف AP50 بأكثر من 2.7 مرة على 11 مقاييس عبر مجالات مثل إطارات الفيديو واللوحات والرسوم التخطيطية وما إلى ذلك. عند التحسين الدقيق، يعمل CutLER ككاشف قليل الصور ويتفوق على MoCo-v2 بنسبة 7.3% APbox و6.6% APmask على مجموعة بيانات COCO عند التدريب باستخدام 5% فقط من العلامات.