Cet article propose SemiOVS, un cadre de segmentation sémantique basé sur l'apprentissage semi-supervisé, qui exploite des données étiquetées limitées et d'abondantes données non étiquetées hors distribution (OOD). Si des études antérieures ont montré des résultats prometteurs avec une segmentation limitée d'ensembles de données standard, le potentiel d'exploitation d'images non étiquetées à grande échelle n'a pas été exploré. SemiOVS utilise le modèle de segmentation à vocabulaire ouvert (OVS) pour générer des pseudo-étiquettes très précises pour les images OOD. Les résultats expérimentaux sur les ensembles de données Pascal VOC et Context démontrent que l'exploitation d'images non étiquetées supplémentaires dans un environnement contraint par les étiquettes améliore les performances, en particulier lors de l'exploitation d'images OOD via le modèle OVS. SemiOVS atteint des performances de pointe, surpassant les méthodes existantes PrevMatch et SemiVL de respectivement +3,5 mIoU et +3,0 mIoU.
