Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation论文解读

（ CVPR 2020｜中科院VIPL实验室 ）

1.要解决的问题：

基于类别标签的弱监督语义分割是一个具有挑战性的问题，类别响应图（class activation map，简称CAM）始终是这一领域的基础方法。但是由于强监督与弱监督信号之间存在差异，由类别标签生成的CAM无法很好地贴合物体边界。因为在强监督语义分割的数据增广阶段，像素层级标注和输入图像需经过相同的仿射变换，自此这种同变性约束被隐式地包含，而这种约束在只有类别标签的CAM的训练过程中是缺失的，类别标签没有变化，原数据data做了scale处理，因而会影响CAM的训练过程。

（CAM: 类别响应图，根据图像中的不同类别，来为图像中的不同物体打分，一般是前景图高分，后景图低分，以此来生成的热力图）

 

2.贡献：

1 .提出self-supervised equivariant attention mechanism （SEAM）模型，结合pixel correlation module(PCM) ,减少了全监督与弱监督的gap.

2.利用（ECR）loss 优化了孪生网络（两个相同网络共享权重）

3.在主流数据