摘要

弱监督语义分割（WSS）能够在有限的数据下保证高质量的分割效果，并且在作为大规模视觉模型（如Segment Anything）的输入种子掩模时表现出色。然而，WSS在处理小类时面临挑战，因为在包含多个相邻类别的图像中，这些小类容易被忽略，这一限制源自传统扩展方法（如随机游走算法）的过拟合问题。我们首先通过使用无监督和弱监督特征图来解决这一问题，而不是采用传统的技术手段，从而实现层次化的掩模增强。该方法能够明确区分高层次类别，并进一步分离其相关的低层次类别，确保所有类别在掩模中正确恢复而不丢失小类。我们的方法通过广泛的实验验证，在五个基准数据集上显著提升了WSS的效果（VOC：79.8%，COCO：53.9%，Context：49.0%，ADE：32.9%，Stuff：37.4%），在VOC验证集上的表现与全监督方法的差距减少了超过84%。代码可在https://github.com/shjo-april/DHR 获取。