在计算机视觉领域,图像语义分割一直是及其重要的分支,在深度学习的热潮下,图像语义分割也得到了巨大的发展。然而,目前取得优秀效果的分割网络,都是需要像素级别的语义标签。在实际情况中,获得像素级标注需要高昂的成本。因此,越来越多的研究人员开始研究采用弱监督标签信息来进行图像语义分割任务。本课题的研究方向就是基于图像类别标签下的语义分割任务,目前提出的大多数方法都是利用训练好的分类网络获取到目标物体的显著性区域,根据其为线索,生成用以训练分割网络的监督信息,得到最终的预测结果。因此,显著性区域的质量成为了弱监督语义分割任务最终分割果准确性的瓶颈。但是由于分类网络中使用全局平均池化操作,该操作本身的性质,假设不同位置的特征向量对全局表示的贡献均相等,忽略了局部特征对全局表示的贡献的差异,会导致获得的显著性区域不精准,从而影响最终的结果。在本文中,我们提出了一个轻量级的自适应池化模块,该模块通过自适应地重新缩放高级特征图中不同位置的贡献权重,来对整个图像分类训练中进行分类预测,从而帮助分类网络产生高质量显著性图。通过在具有挑战性的PASCAL VOC 2012语义分割数据集上进行训练与评测,我们做出的实验证明了我们的方法的有效性。实验结果表明,尽管模型与方法很简单,但在相同的条件下,我们所提出的自适应池化模块显著提高了目标显著性区域的质量,并且与目前效果最好的方法相比,我们消耗的训练资源更少。