画像レベルの弱教師付きセマンティックセグメンテーションは、アノテーションコストが低いため、近年注目を集めている。既存の手法は主に、分類器の重みを用いてクラス活性マッピング（Class Activation Mapping: CAM）を計算し、その結果を擬似ラベルとして用いてセマンティックセグメンテーションモデルの学習を行う。本研究では、初めてトレーニングデータにおける長尾分布が、ヘッドクラス（頻度の高いクラス）とテールクラス（頻度の低いクラス）の間で共有される特徴量の影響により、分類器の重みから算出されるCAMがヘッドクラスでは過剰活性化し、テールクラスでは不十分に活性化されることを明らかにした。この現象は擬似ラベルの品質を低下させ、最終的なセマンティックセグメンテーション性能に悪影響を及ぼす。この問題に対処するため、本研究ではCAM生成のための「共有特徴補正（Shared Feature Calibration: SFC）」手法を提案する。具体的には、正の共有特徴を含むクラスプロトタイプを活用し、トレーニング中に分類器重みから生成されるCAMとクラスプロトタイプから生成されるCAMの差を縮めるための「マルチスケール分布重み付き（Multi-Scaled Distribution-Weighted: MSDW）一貫性損失」を導入する。MSDW損失は、ヘッドクラスおよびテールクラスの分類器重みにおける共有特徴を補正することで、過剰活性化と不十分活性化を相殺する。実験結果から、SFCがCAMの境界性能を顕著に改善し、最新の最先端性能を達成することが確認された。本プロジェクトのコードは、https://github.com/Barrett-python/SFC にて公開されている。