Dans cet article, nous abordons la tâche ardue de la détection d'objets saillants non supervisée (SOD) en exploitant le clustering spectral sur des caractéristiques auto-supervisées. Nous apportons les contributions suivantes : (i) Nous reprenons l'étude du clustering spectral et démontrons son potentiel pour regrouper les pixels des objets saillants ; (ii) Étant donné des propositions de masques issues de multiples applications du clustering spectral sur des caractéristiques d'image calculées à partir de divers modèles auto-supervisés, par exemple MoCov2, SwAV, DINO, nous proposons un mécanisme de vote simple mais efficace basé sur le principe « le gagnant prend tout » pour sélectionner les masques saillants, en utilisant des a priori d'objets fondés sur le cadrage et la distinctivité ; (iii) En utilisant les segments d'objets sélectionnés comme masques pseudo-étiquetés, nous entraînons un détecteur d'objets saillants, nommé SelfMask, qui surpassent les approches précédentes sur trois benchmarks de SOD non supervisée. Le code est disponible publiquement sur https://github.com/NoelShin/selfmask.