用于弱监督语义分割的细粒度背景表征

基于摘要分析。本文研究仅有图像级标签时，弱监督语义分割（WSSS）如何生成可靠伪掩码，提出细粒度背景表征方法 FBR，以缓解类激活图（CAM）混淆共现背景与前景、且难以覆盖完整目标区域的问题。 核心机制是用 negative region of interest（NROI，负感兴趣区域）捕获多样的背景语义，而非采用类别原型或像素级特征直接表征背景；通过 pixel-to-NROI 对比区分易混淆背景像素。方法还使用主动采样策略，在训练过程中挖掘前景负样本，开展前景内部的像素间对比学习，以促进完整目标区域的激活。具体 NROI 构造、正负样本定义及损失形式尚未验证。 作者报告，仅使用图像级标签监督（I）时，在 Pascal Voc 与 MS COCO 测试集上的分割结果分别为 73.2 mIoU 和 45.6 mIoU；增加显著性图监督（I+S）后，Pascal Voc 测试集结果为 74.9 mIoU。两种监督条件需分别解读。作者还报告方法可接入多种模型，并在弱监督实例分割（WSIS）任务中获得性能提升，但摘要未给出对应数值。实验协议、对照基线、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是以多个背景语义单元处理异质负样本，而非将背景压缩为单一原型。若 EEG 任务具有试次级标签及可定义的时频区域，可假设将此机制用于弱监督时频定位；但需重新定义背景区域、局部特征与对比样本，不能直接沿用图像空间语义。低信噪比、通道与被试差异及小样本条件可能导致背景单元聚类不稳定，或误将有效神经活动视为负样本。一个小规模可证伪实验是在固定跨被试划分下，对照单一背景原型与多背景区域表征，并在具备独立区域标注的子集上评估定位质量。已有 EEG 相关工作尚未检索确认，原文结果不构成 BCI 有效性证据。