使用分布外数据的弱监督语义分割

弱监督语义分割（Weakly Supervised Semantic Segmentation, WSSS）方法通常依赖于分类器生成的像素级定位图。然而，仅使用类别标签进行训练时，分类器容易受到前景与背景线索之间的虚假相关性（例如“火车”与“铁轨”）影响，这从根本上限制了WSSS的性能上限。此前已有研究尝试通过引入额外监督信号来缓解该问题。本文提出一种新型信息源，用于区分前景与背景：即分布外（Out-of-Distribution, OoD）数据——即不包含目标前景类别的图像。具体而言，我们利用分类器容易产生误报（false-positive）的“硬”OoD样本。这些样本通常包含背景中的关键视觉特征（如铁轨），而分类器常将这些特征误判为前景（如火车）。正是这些误导性线索，促使分类器学会正确抑制虚假的背景线索。获取此类“硬”OoD数据无需大量标注成本，仅需在原有类别标签收集的基础上，额外增加少量图像级别的标签标注。为此，我们提出一种新方法——W-OoD，用于有效利用硬OoD样本。实验结果表明，W-OoD在Pascal VOC 2012数据集上取得了当前最优的性能表现。