本论文探讨了如何使用共享的、独立于区域的卷积特征构建区域分类器网络，并发现深度和卷积的区域分类器对于物体检测特别重要，而最新的图像分类模型则不会直接导致良好的检测准确性，我们通过实验证明，尽管ResNets和Faster R-CNN系统是有效的，但NoCs的设计对于ImageNet和MS COCO 2015挑战赛的第一名入选至关重要。

Apr, 2015

本研究提出了基于级联卷积神经网络的两种体系结构，旨在解决在没有昂贵人工注释下进行的弱监督下的目标检测问题，第一阶段从全卷积神经网络中提取类特定区域提议的最佳候选项，在三阶段体系结构中，中间阶段通过第一阶段的激活映射来提供物体分割。这些体系结构在弱监督目标检测，分类和定位领域的实验中表现出了改进。

Nov, 2016

本研究使用深度卷积神经网络结合期望最大值方法解决仅提供图像级标签时的目标检测问题，在PASCAL VOC 2007基准测试集中，实验结果表明，我们的方法在弱监督下，较现有最先进方法有明显的性能优化，并且在使用少量实例标注图片的情况下，基本可以达到完全监督模型的检测表现。

Feb, 2017

利用多实例学习（MIL）问题形成的弱监督探测方案，使用在线实例分类器细化算法，基于深度学习结合MIL和实例分类器细化程序实现了端到端的训练，通过挖掘空间上的突出实例进行类别提升，最终在挑战PASCAL VOC数据集上取得明显优于目前最先进的47% mAP的结果。

Apr, 2017

本文提出了一种基于弱监督的学习方法，通过将图像视为一个包中的实例将其融入到深度神经网络中，将弱监督的多实例学习约束与深度神经网络集成在一起，并采用端到端的方式优化网络以实现对象分类和发现任务。在PASCAL VOC数据集上的测试表明，该方法在对象分类方面可以获得最先进的性能，并且在对象发现方面也具有很强的竞争力，并且测试速度比竞争者更快。

May, 2017

本文提出了一个简单而有效的弱监督协作学习框架，旨在解决在弱监督目标检测中经常出现的标注准确性与模型准确性之间的矛盾，并在 PASCAL VOC 2007 和 2012 数据集上进行了广泛的实验证明了其有效性。

Feb, 2018

该论文提出了一种弱监督课程学习流程，用于多标签对象识别、检测和语义分割的任务，其中包括四个阶段，包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练，通过这种流程，实现了在MS-COCO、PASCAL VOC 2007和PASCAL VOC 2012数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。

Feb, 2018

本文回顾了基于深度学习的目标检测框架，从深度学习和卷积神经网络教程开始，介绍了典型的通用和特定目标检测架构以及改进方法和技巧，并提供了实验数据分析，最后提出了未来研究中的几个有前景的方向和任务。

Jul, 2018

本论文提出一种通过端到端的方式联合训练多阶段模型来解决弱监督目标检测网络中的对象位置精确预测问题的方法，该方法引入了多例学习、包围框回归和分类损失引导的注意力模块等多种算法，实验结果表明该方法能够达到最佳的性能表现。

Nov, 2019

本文提出一种弱监督检测变换器(Weakly Supervised Detection Transformer)方法，通过利用大规模预训练数据集的知识，实现对百余种新颖物体的检测，并优化多实例学习框架，从而在大规模新颖物体检测数据集上优于现有模型，在WSOD预训练中类别数量比图像数量的重要性更大。

Jul, 2022