Cet article propose NOCTIS (Novel Object Cyclic Threshold-based Instance Segmentation), un nouveau framework qui ne nécessite aucun apprentissage pour résoudre le problème de segmentation d'instances de nouveaux objets. NOCTIS intègre des modèles Grounded-SAM 2 et DINOv2 pré-entraînés pour générer des cadres englobants et des masques de segmentation précis, et extrait les intégrations de classes et de patchs. La correspondance des objets est obtenue grâce à un nouveau mécanisme de seuil cyclique (CT) et à un score de correspondance d'objets calculé en fonction de la similarité des intégrations de classes et de la similarité maximale moyenne des intégrations de patchs. Outre le CT, NOCTIS utilise également les scores d'apparence et la confiance moyenne des cadres englobants et des masques proposés comme éléments de notation, obtenant de meilleures performances que les méthodes RVB-D grâce à un pipeline exclusivement RVB. Expérimentalement, nous démontrons que NOCTIS obtient un score AP moyen supérieur aux meilleures méthodes RVB et RVB-D existantes sur sept jeux de données majeurs du défi BoP 2023.
