الحد يُعدّ أمرًا مهمًا في التجزئة ذات التدريب بدون تسمية: التلاعب بالتنشيط لبناء نموذج مقاوم ودقيق للتجزئة ضد التغيرات في الحد

لقد اكتسب التجزئة الدلالية ذات التدريب الضعيف (WSSS) اهتمامًا كبيرًا مؤخرًا بفضل إمكاناته في تدريب نماذج التجزئة باستخدام علامات المستوى الصورية فقط. تُقدّم الطرق الحالية لـ WSSS تحليلات تشير إلى أن التغطية المحدودة لخريطة التنشيط الموجهة (CAM) تُعدّ العائق الرئيسي في أداء WSSS. ومع ذلك، يقدم هذا البحث أدلة تحليلية وتجريبية تشير إلى أن العائق الحقيقي قد لا يكون التغطية المحدودة، بل خوارزمية التقييد العالمي (global thresholding) التي تُطبَّق بعد CAM. ثم نُظهر أن هذه المشكلة يمكن تخفيفها من خلال استيفاء شرطين: 1) تقليل عدم التوازن في تنشيط الخلفية، و2) زيادة الفجوة بين تنشيط الكائنات الأمامية والخلفية. استنادًا إلى هذه النتائج، نقترح شبكة جديدة لتعديل التنشيط تشمل خسارة تصنيف لكل بكسل، ووحدة توجيه بالعلامة (label conditioning module). تُحفّز خسارة التصنيف لكل بكسل تكوين تنشيط ثنائي المستويات في خرائط التنشيط، مما يُعاقب على الأجزاء الأكثر تمييزًا، ويشجع الأجزاء الأقل تمييزًا، ويُعطّل مناطق الخلفية. كما تُفرض وحدة التوجيه بالعلامة أن تكون العلامة الناتجة عن الخرائط الوهمية (pseudo-masks) واحدة من العلامات الحقيقية على مستوى الصورة؛ ما يُعاقب التنشيط الخاطئ المُخصص للفئات غير المستهدفة. وباستناد إلى تحليلات وتجارب واسعة النطاق، نُظهر أن كل مكوّن يسهم في إنتاج خرائط وهمية دقيقة، ويُعزز المرونة تجاه اختيار قيمة التقييد العالمي. وأخيرًا، يحقق نموذجنا أداءً متقدمًا جدًا على كلا مجموعتي البيانات PASCAL VOC 2012 وMS COCO 2014.