摘要

图像级弱监督语义分割因其标注成本低而受到越来越多关注。现有方法主要依赖类别激活映射（Class Activation Mapping, CAM）生成伪标签，用于训练语义分割模型。本文首次揭示，在训练数据存在长尾分布的情况下，由于头部类别与尾部类别之间共享特征，通过分类器权重计算得到的CAM会出现头部类别过度激活、尾部类别激活不足的问题，进而降低伪标签质量，最终影响语义分割的最终性能。为解决该问题，我们提出一种用于CAM生成的共享特征校准（Shared Feature Calibration, SFC）方法。具体而言，我们利用携带正向共享特征的类别原型，并设计一种多尺度分布加权（Multi-Scaled Distribution-Weighted, MSDW）一致性损失，以在训练过程中缩小通过分类器权重与类别原型生成的CAM之间的差异。MSDW损失通过校准头部与尾部类别分类器权重中的共享特征，有效缓解了过度激活与激活不足的问题。实验结果表明，所提出的SFC方法显著提升了CAM的边界精度，并在多个基准数据集上取得了新的最先进性能。项目代码已开源，地址为：https://github.com/Barrett-python/SFC。