分類ネットワークは、クラス活性化マップ（CAM）を用いることで、画像内のオブジェクトの局所化およびセグメンテーションに利用できる。しかし、画素レベルのアノテーションが存在しない場合、分類ネットワークは（1）特徴的な領域にのみ注目する傾向があり、（2）明確な予測輪郭を持たないぼんやりとしたCAMを生成するという問題が知られている。本研究では、CAM学習の向上を目的として、この2つの課題に対処するための2つの貢献を行う。第一に、CAMによって誘導されるクラスごとの確率質量関数に基づいた重要度サンプリングを導入し、確率的な画像レベルのクラス予測を実現する。これにより、オブジェクトの広範な領域にわたってCAMが活性化されるようになる。第二に、予測輪郭と画像内のエッジを一致させるように設計された特徴類似性損失項を定式化する。さらに第三の貢献として、PASCAL VOC 2012ベンチマークデータセット上で実験を実施し、これらの改良が輪郭精度において顕著な向上をもたらすことを示した。また、領域類似性に関しては、現在の最先端手法と同等の性能を達成している。