摘要
弱监督语义分割（WSSS）利用图像级标签等弱监督信息来训练分割模型。尽管近年来WSSS方法取得了令人印象深刻的成绩，但我们发现引入高平均交并比（mIoU）的弱标签并不一定能保证高的分割性能。现有研究强调了提高精度和减少噪声对于提升整体性能的重要性。基于这一思路，我们提出了一种针对WSSS的高级集成方法——ORANDNet。ORANDNet结合了来自两个不同分类器的类激活图（CAMs），以提高伪掩码（PMs）的精度。为了进一步减轻PMs中的小噪声，我们引入了课程学习策略。该策略首先使用较小尺寸的图像及其对应的PMs对分割模型进行训练，然后逐渐过渡到原始尺寸的图像对。通过结合ResNet-50和ViT的原始CAMs，我们在单个最佳模型和简单的集成模型上显著提升了分割性能。我们进一步将集成方法扩展到AMN（类似ResNet）和MCTformer（类似ViT）模型的CAMs，从而在先进的WSSS模型中实现了性能提升。这突显了我们的ORANDNet作为WSSS模型最终附加模块的潜力。