التصنيف الدلالي الضعيف التوجيه (WSSS) يُقسّم الكائنات دون حمل ثقيل من التسمية الكثيفة. ومع ذلك، كثمن لهذا، توجد في الخرائط الافتراضية (pseudo-masks) التي يتم إنشاؤها بكثرة نقاط ضوضاء ملحوظة، مما يؤدي إلى نماذج تصنيف غير مثالية يتم تدريبها على هذه الخرائط الافتراضية. ومع أن هذه النقاط الضوضائية لا يمكن تجنبها حتى بعد تحسينات على الخرائط الافتراضية، إلا أن دراسات قليلة لاحظت هذا المشكل أو عملت عليه. لذلك، نسعى إلى تحسين WSSS من منظور تقليل الضوضاء. ولاحظنا أن العديد من النقاط الضوضائية تتمتع بثقة عالية، خاصة عندما يكون مدى الاستجابة واسعًا جدًا أو ضيقًا جدًا، مما يعكس حالة عدم يقين. وبالتالي، في هذه الورقة، نُقلّد التغيرات الضوضائية في الاستجابة من خلال تكبير خريطة التنبؤ بشكل متكرر لتقدير مستوى عدم اليقين. ثم يتم استخدام هذا القياس في ترجيح خسارة التصنيف لتخفيف إشارات التوجيه الضوضائية. نُسمي هذه الطريقة URN، وهي اختصار لـ "تقدير عدم اليقين عبر تكبير الاستجابة لتقليل الضوضاء". وتم التحقق من فوائد URN من خلال التجارب، حيث حققت طريقة الدراسة نتائج متميزة على مستوى الحالة الحالية (SOTA) بنسبة 71.2% و41.5% على مجموعتي بيانات PASCAL VOC 2012 وMS COCO 2014 على التوالي، دون الحاجة إلى نماذج إضافية مثل كشف التمييز (saliency detection). يمكن الوصول إلى الكود عبر الرابط: https://github.com/XMed-Lab/URN.