arXiv:2509.12496v2 Announce Type: replace 
Abstract: Weakly Supervised Semantic Segmentation (WSSS) addresses the challenge of training segmentation models using only image-level annotations. Existing WSSS methods struggle with precise object boundary localization and focus only on the most discriminative regions. To address these challenges, we propose IG-CAM (Instance-Guided Class Activation Mapping), a novel approach that leverages instance-level cues and influence functions to generate high-quality, boundary-aware localization maps. Our method introduces three key innovations: (1) Instance-Guided Refinement using object proposals to guide CAM generation, ensuring complete object coverage; (2) Influence Function Integration that captures the relationship between training samples and model predictions; and (3) Multi-Scale Boundary Enhancement with progressive refinement strategies. IG-CAM achieves state-of-the-art performance on PASCAL VOC 2012 with 82.3% mIoU before post-processing, improving to 86.6% after CRF refinement, significantly outperforming previous WSSS methods. Extensive ablation studies validate each component's contribution, establishing IG-CAM as a new benchmark for weakly supervised semantic segmentation.

تقدم الورقة IG-CAM (تخطيط تنشيط الفئة الموجهة بواسطة الحالة)، وهو نهج جديد للتجزئة الدلالية الضعيفة الإشراف (WSSS) الذي يحسن من تحديد حدود الكائنات بدقة. من خلال الاستفادة من الإشارات على مستوى الحالة ووظائف التأثير، يقوم IG-CAM بإنشاء خرائط تحديد عالية الجودة. تشمل الابتكارات الرئيسية تحسين موجه بواسطة الحالة، ودمج وظيفة التأثير، وتعزيز الحدود متعددة المقاييس. تحقق الطريقة أداءً رائدًا في مجموعة بيانات PASCAL VOC 2012 بمعدل mIoU يبلغ 82.3% قبل المعالجة اللاحقة.

El artículo presenta IG-CAM (Instance-Guided Class Activation Mapping), un nuevo enfoque para la Segmentación Semántica Débilmente Supervisada (WSSS) que mejora la localización de los bordes de los objetos. Al utilizar señales a nivel de instancia y funciones de influencia, IG-CAM genera mapas de localización de alta calidad. Las innovaciones clave incluyen el Refinamiento Guiado por Instancia, la Integración de Funciones de Influencia y la Mejora de Bordes a Múltiples Escalas. El método alcanza un rendimiento de vanguardia en el conjunto de datos PASCAL VOC 2012 con un mIoU del 82.3% antes de…

Cet article présente IG-CAM (Instance-Guided Class Activation Mapping), une nouvelle approche pour la segmentation sémantique faiblement supervisée (WSSS) qui améliore la localisation des contours des objets. En utilisant des indices au niveau des instances et des fonctions d'influence, IG-CAM génère des cartes de localisation de haute qualité. Les innovations clés incluent le raffinement guidé par instance, l'intégration de la fonction d'influence et l'amélioration des contours à plusieurs échelles. La méthode atteint des performances de pointe sur le jeu de données PASCAL VOC 2012 avec un mI…

The paper presents IG-CAM (Instance-Guided Class Activation Mapping), a new approach for Weakly Supervised Semantic Segmentation (WSSS) that improves object boundary localization. By utilizing instance-level cues and influence functions, IG-CAM generates high-quality localization maps. Key innovations include Instance-Guided Refinement, Influence Function Integration, and Multi-Scale Boundary Enhancement. The method achieves state-of-the-art performance on the PASCAL VOC 2012 dataset with an mIoU of 82.3% before post-processing.

Localized Region Guidance for Class Activation Mapping in WSSS

Was this article worth reading? Share it

LucidQuery AI

WasItAI

Attentive AI