提出一种使用深度自我学习方法进行弱监督定位的实现，以获取可靠的正样本，并通过一个在线支持的样本收获方案去动态地选择最有信心的正样本以达到相互促进。
Apr, 2017
本文提出了一种使用仅图像标签训练的分类网络的弱监督对象定位算法，该方法利用卷积层中捕获的局部空间和语义模式来检测和定位图像中的多个物体，通过采用有效的束搜索方法，该方法在标准对象定位数据集中明显优于现有技术，mAP 得分提高了 8 个点。
Mar, 2016
本文提出一种基于转移学习的自动标注目标物体位置模型，可有效在缺乏繁琐手动标注的情况下对目标物体进行定位，取得优于目前同类方法的表现。
May, 2017
本文提出了一种新的弱监督目标定位方法，称为伪监督目标定位（PSOL）方法，将弱监督目标定位分为类不可知对象定位和对象分类两个部分，并使用 PSOL 方法生成噪声伪标注来进行类不可知对象定位，并在此基础上进行边界框回归，通过此方法生成的伪边界框，在未进行精调的情况下，在 ImageNet 数据集上实现了 58.00% 的定位精度和 CUB-200 数据集上的 74.97% 的定位精度，具有很好的可迁移性。
Feb, 2020
本文介绍了一种采用多实例学习方法、利用二进制标签训练目标探测器并推断正样本中物体的位置的弱监督学习方法，旨在解决目标分类定位问题，同时提出了一种多因素多实例学习流程和窗口细化方法，将之应用于高维特征，例如 Fisher 向量和卷积神经网络特征，并在使用 PASCAL VOC 2007 测试集进行实验验证其有效性。
Mar, 2015
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
本文综述了弱监督物体定位和检测领域中的经典模型、深度网络特征表示法、基于纯深度学习的方法及公共数据集和标准评估指标等内容。同时也讨论了该领域的发展历程、方法类别间的关系、应用以及未来研究方向等。
Apr, 2021
通过引入二分类检测器和加权熵损失函数，提出了一种改进的弱监督目标定位方法，解决了现有方法中单类回归和噪声边界框带来的限制和问题。在 CUB-200-2011 和 ImageNet-1K 数据集上的实验结果表明了我们方法的有效性。
Aug, 2023
本文提出了一种基于两阶段学习的方法，通过使用全卷积网络来找到最具区分性的部分，再利用条件反馈抑制最显著的部分以找到次重要的部分，最终实现对整个目标区域的捕捉。采用该训练方案可以有效解决弱监督语义分割、显著区域检测和目标位置预测等任务中只关注图像中最重要部分的问题。
Aug, 2017
本文提供了一种改进的技术，用于弱监督目标定位，通过数据增强和卷积神经网络的学习优化，与当前最先进的技术相比，可以将 Top-1 的定位准确性提高 21.4% 至 37.3%。