摘要
弱监督语义分割（Weakly Supervised Semantic Segmentation, WSSS）是一项旨在仅利用类别级标签学习分割标签的具有挑战性任务。在现有研究中，广泛采用类别激活图（Class Activation Maps, CAMs）所提取的信息来推动WSSS的发展。然而，由于CAMs源自分类网络，其关注的是物体中最具有判别性的局部区域，因此为分割任务提供的先验信息不完整，难以覆盖整个物体。针对这一问题，本文提出一种基于改进的编码器-解码器结构的分割模型，并采用迭代优化策略，使模型能够同时支持分类与分割任务。由于缺乏真实分割标签，该模型借助密集条件随机场（dense Conditional Random Fields, dCRF）生成伪分割标签，从而构建出一个迭代自优化的框架。实验结果表明，基于DeepLabv3与UNet模型的实现均在Pascal VOC12数据集上取得了显著性能提升，其中DeepLabv3的实现将当前最优指标提升了2.5%。相关实验代码已公开，可访问：https://github.com/cenkbircanoglu/isim。