基于非显著区域增强的弱监督语义分割方法

来源：计算机技术与发展杂志2025年第06期北京时间：

作者：鲍凯辰;刘宁钟;张婧颖

摘要：弱监督语义分割技术能够使用分类标签生成像素级伪标签,再利用像素级伪标签训练语义分割网络,最终获得分割结果。 该技术在很大程度上缓解了因语义分割标签难以大量获取而带来的算法瓶颈。 目前的弱监督语义分割模型一般是基于分类网络的,而分类网络往往只关注图像的显著区域。 这种现象会使目标边界等非显著区域无法被充分激活,进而导致最终的语义分割结果不够准确。 为了解决这一问题,该文提出了一种基于非显著区域增强的端到端弱监督语义分割模型。 该模型引入了两个重要模块:针对非显著区域的对比学习模块和基于比例的全局池化模块。 前者通过选择不确定区域、分配正负标签以及对比学习的策略,对于不确定区域进行筛选和鉴别,充分激活了目标的非显著区域,获得了更为完整的像素级伪标签。 而后者则确保了模型的注意力更加平衡,而不是过度集中在少数显著的离群值上。 在 PASCAL VOC2012 数据集上所做的实验显示,该模型有效改善了非显著区域的欠激活问题,提高了语义分割的准确性。

关键词：弱监督学习;非显著区域;Transformer;语义分割;单阶段;对比学习