基于图像级分类标签的弱监督语义分割（Weakly Supervised Semantic Segmentation, WSSS）通常利用类别激活图（Class Activation Maps, CAMs）来定位图像中感兴趣的目标。然而，CAMs仅能突出显示目标类别最具判别性的区域，难以覆盖判别性较弱的区域。为此，对抗性擦除（Adversarial Erasing, AE）方法被提出，以进一步探索这些低判别性区域。本文深入探讨了在原始图像上预训练的普通分类器所蕴含的潜力。实验结果表明，当图像中最具判别性的区域被一定程度擦除后，该普通分类器本身已具备激活低判别性区域的能力。基于这一发现，我们提出了一种基于类别特定对抗性擦除（Class-Specific AE）的框架，充分挖掘普通分类器的潜在能力。所提框架具有两个关键机制：（1）利用普通分类器判断应被擦除的区域；（2）通过随机采样图像中某一特定类别作为目标类别进行擦除，生成具有类别的擦除掩码，从而获得更精确的CAMs。具体而言，在普通分类器的引导下，所提出的CAM生成网络（CAM Generation Network, CGNet）被强制生成目标类别的CAM，同时约束该CAM不干扰其他类别的物体区域。结合由我们生成的CAM优化得到的伪标签，仅使用图像级监督，我们在PASCAL VOC 2012和MS-COCO两个基准数据集上均取得了当前最优的WSSS性能。代码已开源，地址为：https://github.com/KAIST-vilab/OC-CSE。