Les cartes d’activation de classe (CAMs) sont couramment utilisées dans le cadre du découpage sémantique faiblement supervisé (WSSS) afin de générer des pseudo-étiquettes. En raison d’activations de classe incomplètes ou excessives, les études existantes recourent souvent à une révision hors ligne des CAMs, ce qui introduit des étapes supplémentaires ou des modules spécifiques hors ligne. Cette approche peut entraîner des difficultés d’optimisation pour les méthodes à une seule étape et limiter leur généralisation. Dans cette étude, nous visons à réduire l’incohérence et les erreurs observées dans les CAMs afin de diminuer la dépendance vis-à-vis des processus de révision. Nous proposons un modèle WSSS end-to-end intégrant des CAMs guidées, dans lequel notre modèle de segmentation est entraîné tout en optimisant les CAMs en ligne. Notre méthode, Co-entraînement avec affectations échangées (CoSA), repose sur un cadre à deux flux, où un sous-réseau apprend à partir des affectations échangées générées par l’autre. Nous introduisons trois techniques : i) une régularisation basée sur la perplexité douce pour pénaliser les régions incertaines ; ii) une approche de recherche de seuil pour ajuster dynamiquement le seuil de confiance ; et iii) une séparation contrastive pour résoudre le problème de coexistence. CoSA obtient des performances exceptionnelles, atteignant un mIoU de 76,2 % et 51,0 % sur les jeux de données de validation VOC et COCO respectivement, dépassant largement les méthodes de référence existantes. Notamment, CoSA est la première approche à une seule étape à surpasser toutes les méthodes multi-étapes existantes, y compris celles bénéficiant d’une supervision additionnelle. Le code est disponible à l’adresse suivante : \url{https://github.com/youshyee/CoSA}.