语义分割是图像理解的关键部分,是一项基础的计算机视觉任务,其广泛应用于自动驾驶、医疗图像分析、智能监控等领域。现有的语义分割方法大多数都是全监督语义分割方法,全监督语义分割方法需要大量的像素级标注来训练语义分割网络,然而获得大量具有像素级标注的图像集需要很大的时间和人力成本。为了降低人力和时间昂贵的成本,研究者们提出弱监督语义分割方法。弱监督语义分割方法仅仅只需要图像类别等弱标签去训练分割网络,所以如何利用弱标签信息去构建图像级标签语义和像素点之间的关联是弱监督语义分割方法的关键所在。本文提出了两种弱监督语义分割方法,具体工作阐述如下:1.基于对抗学习机制的弱监督语义分割方法完全监督语义分割在像素级标签数据增强时与输入图像会发生相同的空间变换,但在弱监督语义分割中目标定位图时像素级标签在仿射变化时与输入的图像不会发生对应的空间变化,而这种等变性可以利用来提高弱监督信息。本文提出了一种使用对抗学习机制的弱监督语义分割方法,利用孪生网络产生原始输入图像及其仿射变换的类激活特征图,将孪生网络作为生成网络,判别器网络对孪生网络产生的两组目标定位图进行对抗学习,训练孪生网络对输入图像和其仿射变换图像产生类似的目标定位图,从而有效利用等变注意力机制,学习更多的有效信息并缩小类激活特征图和真实的像素级标签之间的差距。实验结果表明提出的方法能有效提高弱监督语义分割的性能。2.基于多注意力机制的弱监督语义分割方法本文首先利用类激活特征图方法判断出目标稀疏种子的区域,但它与真实的像素级标签信息存在较大差距,所以训练效果并不理想。其次利用空洞卷积原理,通过改变卷积核的扩张率来扩展多尺度的感受域。扩大扩张率促使着生成的目标区域也随之扩大,同时生成的目标区域存在噪声类别输出与语义信息不足的问题。最后为了实现完整的目标区域,本文提出了多注意力机制模块来缓解上述问题。利用多注意力机制对不同扩张率的卷积核产生的目标区域进行融合,提取了扩张率低的精准目标区域和扩张率高的目标区域,同时抑制了生成的目标存在噪声区域与语义信息区域不足的问题。从而可以有效的挖掘出目标的区域位置用来训练语义分割网络。实验结果表明提出的算法能有效提高弱监督语义分割的性能。