能找得到就找吧：面向弱监督语义分割的端到端对抗擦除方法

语义分割传统上需要大量像素级的真值标签数据，而这类数据的获取既耗时又成本高昂。近年来，弱监督学习领域的发展表明，仅使用图像级标签即可实现较为理想的性能。通常，分类任务被用作代理任务来训练深度神经网络，进而提取注意力图。然而，分类任务仅需最少量的证据即可做出预测，因此其关注点往往集中在最具判别性的物体区域上。为解决这一问题，本文提出了一种新型的注意力图对抗擦除（adversarial erasing）方法。与以往的对抗擦除方法不同，本方法通过优化两个具有相反损失函数的网络，消除了对某些次优策略的依赖；例如，避免了多阶段训练带来的复杂性，也避免了在处理不同数据分布的网络之间采用权重共享策略所带来的性能下降风险。所提方法无需依赖显著性掩码（saliency masks），而是通过引入正则化损失项，有效抑制注意力图向判别性较弱的物体区域扩散。在Pascal VOC数据集上的实验结果表明，与基线方法相比，本文提出的对抗方法将分割性能提升了2.1 mIoU；相较于先前的对抗擦除方法，亦提升了1.0 mIoU。