弱监督目标检测的协作学习
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
本文提出了一种新型的端到端弱监督检测方法，将引入的生成对抗分割模块与传统检测模块相互作用，充分利用弱监督定位任务的互补解释，即检测与分割任务，形成更全面的解决方案，从而获得更精确的对象边界框。
Apr, 2019
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
本文提出了一种弱/半监督目标检测框架(WSSOD)，通过在联合数据集上训练代理检测器，进而在弱标注图像上预测伪包围框，提出了弱监督损失(WSL)、标签注意力和随机伪标签采样策略来放宽当前半监督流程的假设，并为检测管道的有效性带来额外的改进。这个框架在PASCAL-VOC和MSCOCO基准测试中展示了显著的性能，只有三分之一的注释数据就能达到与完全监督相同的高性能。
May, 2021
设计了一种基于类别转移的弱监督目标检测框架，此框架综合利用全监督数据集中的视觉鉴别和语义相关的类别信息，应用了平均教师网络和SemGCN网络以解决重叠和非重叠类别间的特征传递问题，实验表明收获了较为良好的检测效果。
Aug, 2021
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
提出一种新的WSOD框架，通过采用W2N范式将弱监督转换为噪声监督，提供了一个两模块迭代训练算法来改善用于监督半监督检测框架的伪标签，并获得更好的物体检测器。
Jul, 2022
该研究探索了如何通过引入可靠的教师网络的排名信息来优化MIDN的伪标签质量，提出了循环引导标记（CBL）框架，通过新颖的类别特定排名蒸馏算法，指导MIDN在相邻提议中分配更高的分数，并在主流数据集上证明了其优越的性能。
Aug, 2023