論文簡介：
以image-level作為標簽的弱監督語義分割往往面臨目標區域估計不完整的問題。為了緩解這個問題，本文提出了一種對跨圖像間關系進行建模的方法。
該方法在同類別不同圖像之間建立像素級的關系矩陣，並據此從不同的圖像間取得互相補充的信息，用以增廣原特征並獲取更加完整和魯棒的目標估計
圖一：可以根據圖片像素之間feature的相似度做一個Affinity map（c），然后從Affinity map中取得相關有用的信息加到原圖上，得到一個更加完整的原圖估計
Refined seeds最后作為一個新的偽類標簽來來訓練網絡:一個比較完整的估計反過來訓練這個網絡（loss左邊的網絡），通過迭代的過程使得網絡最終learn一個完整的目標
Train Loss
y^i是從refined seeds中獲得的online pesudo-label。Lq是圖像q中的image-level標簽（論文中是person和cow）。（7）的含義是如果類c的最大概率為l類（l可以是person or cow），並且l屬於Lq，則y^i,l=1。反之為0
（8）其實是Refined seeds最后作為一個新的偽類標簽來來訓練網絡。
使用self-affinity的原因：因為在測試階段我們只測試單張圖片，reference image只在訓練階段使用。但是測試的時候仍然要使用CIAN。這時候就用Xq=Xr