Schwach beschriftete Objektklassifizierung (Weakly Supervised Object Localization, WSOL) zielt darauf ab, Objekte nur anhand von Bildlevel-Labels zu lokalisieren. Frühere Ansätze versuchten oft, mittels Merkmalskarten und Klassifikationsgewichten indirekt aus Bildlevel-Anmerkungen Objekte zu lokalisieren. In dieser Arbeit zeigen wir, dass die schwach beschriftete Objektklassifizierung in zwei Teile zerlegt werden sollte: klassenunabhängige Objektklassifizierung und Objektklassifikation. Für die klassenunabhängige Objektklassifizierung sollten klassenunabhängige Methoden verwendet werden, um rauschhafte Pseudolabels zu generieren, gefolgt von einer Bounding-Box-Regression auf diesen Pseudolabels ohne Verwendung von Klasseninformationen. Wir schlagen die Methode der pseudo-supervisierten Objektklassifizierung (Pseudo Supervised Object Localization, PSOL) als neuen Ansatz zur Lösung von WSOL vor. Unsere PSOL-Modelle weisen eine hervorragende Übertragbarkeit zwischen verschiedenen Datensätzen ohne Nachtrainierung auf. Mit den generierten Pseudobounding-Boxes erreichen wir eine Lokalisierungsgenauigkeit von 58,00 % auf ImageNet und 74,97 % auf CUB-200, was eine deutliche Überlegenheit gegenüber früheren Modellen darstellt.