El desarrollo de redes neuronales convolucionales para el aprendizaje profundo ha contribuido significativamente a las áreas de clasificación y segmentación de imágenes. Para un alto rendimiento en la segmentación de imágenes supervisada, necesitamos muchos datos de verdad terreno. Sin embargo, se requieren altos costos para obtener estos datos, por lo que se están estudiando activamente métodos no supervisados. Los modelos de Mumford-Shah y Chan-Vese son modelos de segmentación de imágenes no supervisados bien conocidos. Sin embargo, el modelo de Mumford-Shah y el modelo de Chan-Vese no pueden separar el primer plano y el fondo de la imagen porque se basan en las intensidades de píxeles. En este artículo, proponemos un modelo débilmente supervisado para la segmentación de imágenes basado en los modelos de segmentación (modelo de Mumford-Shah y modelo de Chan-Vese) y clasificación. El modelo de segmentación (es decir, el modelo de Mumford-Shah o el modelo de Chan-Vese) es encontrar una máscara de imagen base para la clasificación, y la red de clasificación utiliza la máscara de los modelos de segmentación. Con la red de clasificación, la máscara de salida del modelo de segmentación cambia en la dirección de aumentar el rendimiento de la red de clasificación. Además, la máscara puede distinguir el primer plano y el fondo de las imágenes de forma natural. Nuestro experimento muestra que nuestro modelo de segmentación, integrado con un clasificador, puede segmentar la imagen de entrada en el primer plano y el fondo solo con la etiqueta de clase de la imagen, que es la etiqueta de nivel de imagen.