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

本文探讨探索深度卷积神经网络的力量，提出了一种弱监督的深度检测架构，该架构可以同时进行区域选择和分类，并使用图像分类器训练，从而比实现图像级分类任务的标准数据增强和微调技术更好地学习目标探测器。

Nov, 2015

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

本文主要研究深度学习在对象定位领域中的应用以及如何借助弱监督学习方法实现对象定位，特别关注了在医学图像分析中如何利用 self-transfer learning 方法来解决没有预先训练模型的情况。

Feb, 2016

该研究利用图像级别监督，通过引入两种上下文感知的模型来实现目标在图像中的定位，加性模型和对比模型有助于定位目标的位置，在 Pascal VOC2007 和 2012 测试中表现出较好的效果。

Sep, 2016

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%。

Feb, 2018

本研究提出了一个新的方法，通过特征方向的对齐来解决分类和定位之间的不匹配问题，实现了基于弱监督的目标定位的最先进性能。

Apr, 2022

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

介绍了一种新方法，利用深度卷积神经网络对整张图片进行训练，以在不额外进行人工监督的情况下定位图像中的物体，并将该思想嵌入凝聚聚类技术中，产生自学习定位假设。实验证明，使用我们的方法自动生成的注释可用于训练物体探测器，产生接近于手动注释的边界框的识别结果。

Sep, 2014

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