In den letzten Jahren gab es bemerkenswerte Verbesserungen bei der semantischen Beschriftungsaufgabe. Dennoch basieren die derzeit besten Methoden auf umfangreichen Pixel-Level-Annotierungen. Diese Arbeit untersucht das Problem des Trainings eines pixelweisen semantischen Beschriftungsnetzwerks aus Bild-Level-Annotierungen der vorhandenen Objektklassen. Kürzlich wurde gezeigt, dass hochwertige Anhaltspunkte, die diskriminative Objektregionen indizieren, aus Bild-Level-Beschriftungen gewonnen werden können. Ohne zusätzliche Informationen ist die Bestimmung des vollständigen Umfangs des Objekts aufgrund von Ko-Vertretungen ein inhärent schlecht gestelltes Problem. Wir schlagen vor, ein Salienzmodell als zusätzliche Information zu verwenden und damit Vorwissen über den Objektumfang und die Bildstatistiken zu nutzen. Wir zeigen, wie beide Informationsquellen kombiniert werden können, um 80 % der Leistung einer vollständig überwachten Annotierung zu erreichen – was der neue Stand der Technik im schwach überwachten Training für pixelweise semantische Beschriftung darstellt. Der Code ist unter https://goo.gl/KygSeb verfügbar.