バウンディングボックス注釈を使用した弱教師ありセグメンテーション手法は、各ボックスからピクセルレベルのマスクを取得することに焦点を当てています。既存の手法は通常、画像に内在する低レベル情報に基づいて動作するクラス非依存のマスクジェネレーターに依存しています。本研究では、訓練された物体検出器の挙動から得られる高レベル情報を活用し、物体検出器が全体画像とほぼ同じ結果を生成する画像内の最小領域を探求します。これらの領域はバウンディングボックス属性マップ（BBAM: Bounding Box Attribution Map）を構成し、対象物体をそのバウンディングボックス内で特定し、弱教師ありセマンティックセグメンテーションおよびインスタンスセグメンテーションにおける擬似正解データとして機能します。このアプローチは、PASCAL VOCおよびMS COCOベンチマークにおいて、弱教師ありセマンティックセグメンテーションおよびインスタンスセグメンテーションで最近の類似技術を大幅に上回っています。さらに、当手法の詳細な分析を行い、BBAMの挙動に関するより深い洞察を提供しています。