Die meisten Ansätze zur schwach überwachten semantischen Segmentierung (WSSS) folgen einem Pipeline-Ansatz, bei dem zunächst sogenannte Pseudomaske generiert und anschließend das Segmentierungsmodell auf vollständig überwachter Basis mit diesen Pseudomaske trainiert wird. Wir stellen jedoch einige kritische Aspekte im Zusammenhang mit den Pseudomaske fest, insbesondere die Erzeugung hochwertiger Pseudomaske aus Class Activation Maps (CAMs) sowie das Training unter Verwendung von fehlerbehafteten Pseudomaske als Supervision. Um diese Herausforderungen zu bewältigen und die Leistung auf ein neues SOTA (state-of-the-art)-Niveau zu heben, schlagen wir folgende Designentscheidungen vor: (i) Coefficient of Variation Smoothing zur adaptiven Glättung der CAMs; (ii) Proportionale Pseudomaske-Generierung, bei der die erweiterten CAMs auf Basis eines neuen Metrics – das die Bedeutung jeder Klasse an jeder Position quantifiziert – in Pseudomaske projiziert werden, anstelle der von binären Klassifikatoren gelernten Scores; (iii) Pseudo-Under-Fitting-Strategie zur Unterdrückung des Einflusses von Rauschen in den Pseudomaske; (iv) Zyklische Pseudomaske zur Verbesserung der Pseudomaske während des Trainings eines vollständig überwachten semantischen Segmentierungsmodells (FSSS). Experimente mit unseren Methoden erreichen neue SOTA-Ergebnisse auf zwei anspruchsvollen Datensätzen zur schwach überwachten semantischen Segmentierung: Die mIoU-Werte betragen 70,0 % auf PAS-CAL VOC 2012 und 40,2 % auf MS COCO 2014. Der Quellcode, einschließlich des Segmentierungsframeworks, ist unter https://github.com/Eli-YiLi/PMM veröffentlicht.