分类网络可通过类别激活图（Class Activation Maps, CAMs）实现图像中目标的定位与分割。然而，在缺乏像素级标注的情况下，分类网络存在两个已知问题：（1）主要关注具有判别性的局部区域；（2）生成的CAMs呈现模糊扩散状态，预测边界不清晰。针对上述问题，本文提出两项改进策略以提升CAM的学习效果。首先，我们基于CAM所诱导的类别相关概率质量函数，引入重要性采样机制，生成随机性的图像级类别预测，从而促使CAM在目标更广泛的区域内激活，增强对完整对象结构的响应。其次，我们提出一种特征相似性损失项，旨在使预测边界与图像中的真实边缘保持一致，提升轮廓的精确性。作为第三项贡献，我们在PASCAL VOC 2012基准数据集上进行了实验，结果表明，上述改进显著提升了预测轮廓的准确性，同时在区域相似性指标上与当前最先进的方法相当。