L'étiquetage de masques au niveau des pixels pour les tâches de segmentation sémantique fine, par exemple la détection des parties du corps humain, reste une tâche difficile. La frontière ambiguë entre différentes parties sémantiques et les catégories ayant une apparence similaire est souvent source de confusion, entraînant des bruits inattendus dans les masques de vérité terrain. Pour résoudre le problème d'apprentissage en présence de bruits d'étiquetage, cette étude introduit une stratégie de purification appelée Auto-Correction pour la Détection des Parties du Corps Humain (SCHP), visant à améliorer progressivement la fiabilité des étiquettes supervisées ainsi que celle des modèles appris. Plus précisément, en partant d'un modèle initialisé avec des annotations imparfaites, nous concevons un planificateur d'apprentissage cyclique pour inférer des pseudo-masques plus fiables en agrégant itérativement le modèle actuellement appris avec l'ancien modèle optimal de manière en ligne. De plus, ces étiquettes corrigées peuvent à leur tour améliorer davantage les performances du modèle. Ainsi, les modèles et les étiquettes deviennent mutuellement plus robustes et précis au cours des cycles d'apprentissage auto-correctifs. Grâce aux avantages offerts par SCHP, nous obtenons les meilleures performances sur deux benchmarks populaires de détection des parties du corps humain mono-personne, notamment les jeux de données LIP et Pascal-Person-Part. Notre système global occupe la première place au CVPR2019 LIP Challenge. Le code est disponible à l'adresse suivante : https://github.com/PeikeLi/Self-Correction-Human-Parsing.