이미지 수준의 약한 감독(semantic) 세분화는 annotation 비용이 낮다는 장점으로 인해 점점 더 많은 주목을 받고 있다. 기존의 방법들은 주로 분류기의 가중치를 통해 계산된 클래스 활성 맵(Class Activation Mapping, CAM)을 활용하여 훈련을 위한 의사 레이블(pseudo-label)을 생성하는 데 의존해왔다. 본 연구에서는 처음으로, 훈련 데이터의 긴 꼬리 분포(long-tailed distribution)가 헤드 클래스(head classes)에 대해 분류기 가중치를 통해 계산된 CAM이 과도하게 활성화되고, 테일 클래스(tail classes)에 대해서는 과소 활성화되는 현상을 보인다는 것을 실험적으로 입증하였다. 이는 헤드-테일 클래스 간 공유되는 특징(shared features)에 기인하며, 결과적으로 의사 레이블의 품질 저하를 초래하고 최종 세분화 성능에 부정적인 영향을 미친다. 이러한 문제를 해결하기 위해, 우리는 CAM 생성을 위한 공유 특징 보정(Shared Feature Calibration, SFC) 방법을 제안한다. 구체적으로, 긍정적인 공유 특징을 포함하는 클래스 프로토타입(class prototypes)을 활용하고, 훈련 중 분류기 가중치를 통해 생성된 CAM과 클래스 프로토타입을 기반으로 생성된 CAM 간의 차이를 줄이기 위해 다중 스케일 분포 가중(Multi-Scaled Distribution-Weighted, MSDW) 일관성 손실을 제안한다. MSDW 손실은 헤드/테일 클래스의 분류기 가중치 내 공유 특징을 보정함으로써 과도 활성화와 과소 활성화를 균형 있게 조절한다. 실험 결과, 제안한 SFC 방법은 CAM의 경계 정확도를 크게 향상시키며, 새로운 최고 성능(state-of-the-art)을 달성하였다. 본 연구의 프로젝트는 다음 링크에서 확인할 수 있다: https://github.com/Barrett-python/SFC.