用于弱监督语义分割的细粒度背景表征

基于摘要分析。该研究面向仅用图像级标签生成像素级伪掩码的弱监督语义分割（WSSS），提出细粒度背景表征（FBR），旨在减少与前景共现的背景像素误激活，并改善目标区域覆盖不完整的问题。主要研究对象是自然图像分割，而非 EEG 或 BCI。 方法上，FBR 不采用类别原型或单个像素特征作为背景表征单元，而是引入 negative region of interest（NROI），捕获细粒度背景语义，并通过 pixel-to-NROI 对比区分易混淆背景。另以主动采样策略在训练过程中动态挖掘前景负样本，开展前景内部的像素间对比学习，以激活更完整的目标区域。其机制依赖图像的空间区域结构与图像级类别监督；NROI 的构造、对比损失及负样本定义尚未验证。 作者报告，仅采用图像级标签监督（I）时，方法在 Pascal Voc 和 MS COCO 测试集上分别取得 73.2 mIoU、45.6 mIoU；加入显著性图监督（I+S）后，在 Pascal Voc 测试集上取得 74.9 mIoU。这两类监督条件应分别解读。作者还报告弱监督实例分割（WSIS）的性能收益，但摘要未给出对应数值。作者称该模块可接入多种模型并取得领先结果；具体模型、基线、数据划分、消融及统计信息尚未验证，跨任务收益也不等同于已验证的跨领域泛化。 平台推测（待验证）：若 EEG 任务具有试次级标签及可定位的时频区域，可假设区域级负样本表征有助于区分任务活动与共现伪迹。可复用的是区域对比与主动采样思路，需重新设计 EEG 区域划分及负样本判定；低信噪比、跨被试差异和小数据可能使背景区域混入有效神经活动。一个可证伪的小实验是在固定被试内划分及同一骨干下，比较像素级与区域级负样本对比，并检查伪迹敏感性及任务指标变化。已有 EEG 相关工作尚未检索确认。