弱教師付きセマンティックセグメンテーション（WSSS）では、画像レベルの分類ラベルを用いて、通常はクラス活性マップ（CAMs）を活用して画像内の対象オブジェクトを局所化する。CAMsは対象クラスにおいて最も判別力の高い領域にのみ注目するという点に着目し、より判別力の低い領域をさらに探索するため、敵対的消去（Adversarial Erasing, AE）手法が提案されてきた。本論文では、元の画像上で事前に学習された分類器の潜在能力に着目する。実験的に、最も判別力の高い領域をある程度消去することで、従来の分類器が判別力の低い領域も活性化する能力を有していることを確認した。この知見を基に、従来の分類器の潜在能力を最大限に活用するクラス固有のAEベースのフレームワークを提案する。本フレームワークは（1）従来の分類器を用いて消去すべき領域を通知し、（2）画像に存在する既存のクラスの中からランダムに1つの特定クラス（ターゲットクラス）を選択して消去するクラス固有のマスクを生成することで、より正確なCAMsを得ることを目的としている。具体的には、従来の分類器の指導のもと、提案するCAM生成ネットワーク（CGNet）はターゲットクラスのCAMを生成するよう強制される一方で、他のクラスのオブジェクト領域にCAMが侵入しないように制約される。本手法により得られた擬似ラベルを用いて、画像レベルの教師信号のみで、PASCAL VOC 2012およびMS-COCOデータセットの両方において、最先端のWSSS性能を達成した。コードは以下のURLで公開されている：https://github.com/KAIST-vilab/OC-CSE。