摘要

类激活图（Class Activation Maps, CAMs）在弱监督语义分割（Weakly Supervised Semantic Segmentation, WSSS）中被广泛用于生成伪标签。然而，由于存在激活不完整或过度激活的问题，现有方法通常依赖离线的CAM优化阶段，引入额外的处理步骤或设计专门的离线模块。这不仅增加了单阶段方法的优化难度，也限制了模型的泛化能力。为此，本文旨在降低观测到的CAM不一致性和误差，从而减少对后续精修过程的依赖。我们提出一种端到端的WSSS框架——协同交换赋值训练（Co-training with Swapping Assignments, CoSA），其核心思想是在训练分割模型的同时，同步在线优化CAM。CoSA采用双流架构，其中一条子网络利用另一条子网络生成的交换式标签进行学习。为提升性能，我们引入三项关键技术：i）基于软困惑度的正则化方法，用于惩罚置信度不确定的区域；ii）动态阈值搜索机制，以自适应调整置信度阈值；iii）对比分离策略，有效解决类别激活共存问题。实验结果表明，CoSA在VOC和COCO验证集上分别取得了76.2%和51.0%的平均交并比（mIoU），显著超越现有各类基线方法。尤为突出的是，CoSA是首个在性能上超越所有现有多阶段方法（包括引入额外监督的方案）的单阶段方法。代码已开源，访问地址为：\url{https://github.com/youshyee/CoSA}。