APC：用于弱监督语义分割的自适应补丁对比

仅使用图像级标签的弱监督语义分割（WSSS）因其成本效益而受到广泛关注。典型框架涉及使用图像级标签作为训练数据生成像素级伪标签，并进行细化。最近，基于视觉变换器（ViT）的方法在生成可靠伪标签方面表现出优越的能力，尤其是在识别完整物体区域时，相较于CNN方法。然 而，当前基于ViT的方法在补丁嵌入的使用上存在某些局限性，容易被某些异常补丁主导，同时许多多阶段方法在训练上耗时较长，缺乏效率。因此，本文提出了一种新颖的基于ViT的WSSS方法，称为自适应补丁对比（APC），显著增强了补丁嵌入学习以提高分割效果。APC利用自适应K池化（AKP）层来解决以前最大池化选择方法的局限性。此外，我们提出了一种补丁对比学习（PCL）来增强补丁嵌入，从而进一步改善最终结果。此外，我们通过将现有的无CAM多阶段训练框架转变为端到端的单阶段训练方法，从而提高训练效率。实验结果表明，我们的方法有效且高效，在较短的训练时间内超越了PASCAL VOC 2012和MS COCO 2014数据集上的其他最先进的WSSS方法。