نقدّم إطارًا استنتاجيًا سببيًا لتحسين التجزئة الدلالية ذات التدريب الضعيف (WSSS). وبشكل خاص، نهدف إلى إنتاج أقنعة افتراضية على مستوى البكسل بشكل أفضل باستخدام علامات فقط على مستوى الصورة — وهي الخطوة الأهم في WSSS. ونُرجع سبب الحدود الغامضة للأقنعة الافتراضية إلى وجود سياق مُربك، مثل أن التصنيف الصحيح على مستوى الصورة لـ"حصان" و"شخص" قد لا يكون ناتجًا فقط عن تمييز كل كائن على حدة، بل أيضًا عن سياق تواجدهما معًا، مما يجعل من الصعب على نموذج التحليل (مثل CAM) التمييز بين الحدود. مستوحين من هذا التحليل، نقترح نموذجًا سببيًا هيكليًا لتحليل العلاقات السببية بين الصور، والسياقات، والعلامات الفئوية. وباستنادًا إلى هذا النموذج، نطوّر طريقة جديدة تُسمى "تعديل السياق" (CONTA)، والتي تهدف إلى إزالة التحيز المُربِك في التصنيف على مستوى الصورة، وبالتالي توفير أقنعة افتراضية أفضل كمعطيات تدريب للنموذج التالي للتجزئة. وقد أظهرت تجاربنا على مجموعتي بيانات PASCAL VOC 2012 وMS-COCO أن CONTA تُحسّن أداء عدة طرق شائعة في WSSS، مما يحقق أداءً جديدًا على مستوى الحالات الحالية (state-of-the-art).