Die unüberwachte Videoobjektsegmentierung (VOS) zielt darauf ab, das auffälligste Objekt in einer Videosequenz auf Pixelbasis zu erkennen. Bei der unüberwachten VOS nutzen die meisten Stand-der-Technik-Methoden neben Erscheinungsmerkmalen Bewegungshinweise, die aus optischen Flusskarten gewonnen werden, um die Eigenschaft auszunutzen, dass auffällige Objekte in der Regel eine deutlich unterschiedliche Bewegung im Vergleich zum Hintergrund haben. Allerdings führt ihre starke Abhängigkeit von Bewegungshinweisen, die in einigen Fällen nicht verlässlich sein können, dazu, dass sie stabile Vorhersagen nicht erzielen können. Um diese Bewegungsabhängigkeit bestehender zweistrombasierter VOS-Methoden zu verringern, schlagen wir ein neues Netzwerk vor, das Bewegungshinweise optional nutzt. Zudem führen wir eine kooperative Lernstrategie für Netze ein, um die Eigenschaft des vorgeschlagenen Netzwerks vollständig auszunutzen, dass Bewegung nicht immer erforderlich ist. Auf allen öffentlich zugänglichen Benchmark-Datensätzen erreicht unser vorgeschlagenes Netzwerk den aktuellen Stand der Technik bei Echtzeit-Inferenzgeschwindigkeit.