摘要
在弱监督语义分割（WSSS）任务中，由于缺乏空间信息，从图像级标签生成可靠的伪掩码是一项具有挑战性的任务。现有的基于类激活图（CAM）的解决方案在区分前景（FG）对象与可疑背景（BG）像素（即共现像素）以及学习完整对象区域方面面临困难。本文提出了一种简单的细粒度背景表示（FBR）方法，用于发现和表示多样化的背景语义，并解决共现问题。我们放弃了使用类别原型或像素级特征来表示背景的方法，而是开发了一种新的基本单元——负兴趣区域（NROI），以捕捉细粒度的背景语义信息，并通过像素到NROI的对比来区分混淆的背景像素。此外，我们还提出了一种主动采样策略，实现实时挖掘前景负样本，从而高效地进行前景内部的像素到像素对比学习，激活整个对象区域。得益于设计的简洁性和使用的便利性，所提出的FBR方法可以无缝集成到各种模型中，在多个基准测试的不同WSSS设置下取得了最新的最佳结果。仅使用图像级（I）标签作为监督信号，我们的方法在Pascal VOC和MS COCO测试集上分别达到了73.2 mIoU和45.6 mIoU的分割结果。进一步地，通过结合显著性图作为额外的监督信号（I+S），我们在Pascal VOC测试集上获得了74.9 mIoU的结果。同时，我们的FBR方法在弱监督实例分割（WSIS）任务中也表现出显著的性能提升，展示了其在不同领域的鲁棒性和强大的泛化能力。