弱教師付きセマンティックセグメンテーション（WSSS）手法は、通常、分類器から得られるピクセルレベルの局所化マップに基づいて構築される。しかし、クラスラベルのみで学習を行う分類器は、前景と背景の間にある誤った相関（例えば「列車」と「レール」）に起因する問題に直面しており、これがWSSSの性能を根本的に制限している。この問題に対処するため、これまでに追加の教師信号を用いるアプローチが試みられてきた。本研究では、前景と背景を区別するための新たな情報源として、分布外（Out-of-Distribution, OoD）データ、すなわち前景オブジェクトクラスを含まない画像を提案する。特に、分類器が誤って陽性予測（false-positive）を出しがちな「ハード」なOoDサンプルを活用する。これらのサンプルは、通常、背景に特徴的な視覚的パターン（例：レール）を含んでおり、分類器がそれらを誤って前景（例：列車）と認識しがちである。このような背景特徴を用いることで、分類器は誤った背景の相関を正しく抑制することができる。このようなハードOoDデータの取得には、クラスラベル収集にかかった元の労力に加えて、わずかな追加の画像レベルラベル付けコストしか必要としない。本研究では、このようなハードOoDを活用する手法W-OoDを提案する。W-OoDはPascal VOC 2012データセットにおいて、現在の最先端性能を達成した。