学习绕行：用于弱监督语义分割的规避增强方法

采用弱形式标签的弱监督语义分割（Weakly Supervised Semantic Segmentation, WSSS）正受到广泛关注，以降低获取像素级标签的标注成本。然而，基于偏倚数据集训练的分类器倾向于利用捷径特征，依据特定背景与物体之间的虚假关联作出预测，从而导致泛化性能差。本文提出一种规避增强方法（Shortcut Mitigating Augmentation, SMA），用于 WSSS，通过生成训练数据中未出现的物体-背景组合的合成表示来减少规避特征的使用。该方法通过解耦物体相关特征与背景特征，再对解耦后的表示进行随机组合，以创建多样化的物体-背景组合的合成特征。经过 SMA 训练的分类器在作出预测时对背景上下文依赖性降低，更多地关注目标物体。此外，我们采用基于归因方法的指标分析了在应用增强后分类器使用规避特征的行为。所提方法在 PASCAL VOC 2012 和 MS COCO 2014 数据集上实现了语义分割结果的提升。