Teile bieten eine gute Zwischenrepräsentation von Objekten, die robust gegenüber Variationen der Kamera, Pose und Erscheinung ist. Die bisherigen Arbeiten im Bereich der Teilsegmentierung werden hauptsächlich von überwachten Ansätzen dominiert, die auf großen Mengen manueller Annotationen basieren und sich nicht auf unbekannte Objektkategorien verallgemeinern können. Wir schlagen einen selbstüberwachten Tiefenlernansatz für die Teilsegmentierung vor, bei dem wir mehrere Verlustfunktionen entwickeln, die bei der Vorhersage von Teilsegmenten helfen, die geometrisch konzentriert sind, robust gegenüber Objektvariationen und auch semantisch konsistent über verschiedene Objektinstanzen hinweg. Ausführliche Experimente mit verschiedenen Bildsammlungen zeigen, dass unser Ansatz Teilsegmentierungen erzeugen kann, die an Objekträndern haften und im Vergleich zu existierenden selbstüberwachten Techniken auch semantisch konsistenter über Objektinstanzen sind.