本文研究弱监督对象检测的问题，在模型中使用基于分歧系数的概率学习目标，通过深度学习框架提供注释一致的样本来解决条件分布复杂性的挑战，并在 PASCAL VOC 2007 和 2012 数据集上进行了广泛实验。

Nov, 2018

本文提出了一种基于深度学习的对象共分割方法，使用 CNN-based Siamese 编码器 - 解码器体系结构，利用相互关联的特征提取和掩码生成技术来较好地完成同类别对象的提取，实验结果表明，与其他算法相比，该方法具有更好的共分割效果。

Apr, 2018

本文提出了一种使用 CNN 特征和几何距离进行共定位的方法，用于在没有负样本的情况下建立物体检测器，并在多个基准测试中实现了最先进的性能表现，并且不需要区域提议或物体检测器，并可以基于仅在图像分类任务上纯粹预训练的 CNN 进行。

Dec, 2016

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

本文介绍了一个新的自监督任务，即基于实例级别的时间循环混淆，可以在不同运动中探索不变动结构，从而提高物体检测器在测试时的鲁棒性，实现了在训练物体检测器时采用自监督任务的一种可靠方法。

Apr, 2021

提出了一种新的方法来测量并校准物体检测方法的偏置（或机器不准确）置信度估计，使用附加信息可以在图像位置和框比例方面获得校准的信心估计，并提出了一种新的度量方法来评估物体检测器的不准确性。

Apr, 2020

本文介绍了一种针对未标注数据，从特征丰富（label-rich）的数据领域向特征稀少（label-poor）的数据领域进行无监督目标检测适应的方法，并提出了一种针对局部特征的强对齐模型和弱全局对齐模型，实验表明我们的方法在四个数据集上的鲁棒性。

Dec, 2018

本文使用新的训练技术，利用预测不确定性联合校准多类置信度和边界框定位，在多个数据集中测试表明，该方法可以有效地提高现代物体检测方法的校准性能。

Jun, 2023

本论文提出了一种新方法，通过图像级标签，结合判别子模块覆盖问题和平滑的潜在 SVM 公式，实现仅需很少的监督，即可学习定位对象。实验表明，该方法在 PASCAL VOC 2007 检测中，相对于现有技术有 50％的平均精确度提升。

Mar, 2014

本文提出了利用特征点之间的相似性来弥补像素级反馈不足的方法，引入随机特征一致性学习和多目标全局一致性学习作为约束，使得同一类别中物体特征一致并逐渐逼近类别中心，在 ILSVRC 和 CUB-200-2011 数据集上获得了 45.17% 的最小化定位误差率，并超越了当前最先进的方法。

Aug, 2020