摘要
使用边界框注释的弱监督分割方法主要集中在从每个包含对象的边界框中获取像素级掩码。现有的方法通常依赖于一个类别无关的掩码生成器，该生成器基于图像中的低级信息进行操作。在本研究中，我们利用了训练好的目标检测器的行为所提供的高级信息，通过寻找图像中最小的区域，这些区域的目标检测器产生的结果几乎与整个图像相同。这些区域构成了边界框归因图（Bounding Box Attribution Map, BBAM），它能够在边界框内识别出目标对象，从而为弱监督语义分割和实例分割提供伪真值。该方法在PASCAL VOC和MS COCO基准测试中显著优于近期类似的弱监督语义和实例分割技术。此外，我们对所提出的方法进行了详细分析，提供了对BBAM行为更深入的理解。