本研究考虑采用混合监督的目标检测方法，在现有基础目标分类的完全注释上，利用弱注释学习新的目标分类，进一步使用掩膜信息和语义相似度技术，提高了对新分类目标的检测准确率。

Oct, 2021

提出了一种以多个检测分支为基础的弱监督物体检测方法，通过不同的初始化方式来利用不稳定性从而提高性能，在 PASCAL VOC 基准测试中达到了最新的最优性能表现。

Jun, 2019

本文提出了一种基于知识迁移的新型目标检测算法，基于训练一个单一的多类目标检测器，可以实现在语义层次结构中的所有源类上训练。该技术可以应用于多个数据集，并且在 ILSVRC 2013 检测数据集上已经成功实现了目标检测领域的业界新纪录。

Aug, 2017

本文提出了一种有效的知识转移框架，利用一个在类别上与目标领域不重叠的外部全注释源数据集，迭代地转移源域知识，通过一个单类通用探测器学习目标域的探测器，并从中挖掘每次迭代中目标域探测器挖掘的伪实例，有效提高了单类通用探测器，从而更全面地利用和利用源数据集的知识，该方法在弱监督目标检测领域内实现了先前未知的最佳效果。

Jul, 2020

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

本文提出了一种基于深度学习并利用弱监督检测模型去除物体标注信息的多标签图像分类方法，该方法能有效提高性能并保持高效。实验证明该方法在两个大型数据集（MS-COCO 和 NUS-WIDE）上均优于现有的先进方法。

Sep, 2018

本文通过引入 “持续优化” 技术来改善多实例学习中的非凸性问题，并将其命名为持续多实例学习（C-MIL），以此提高弱监督目标检测和弱监督目标定位的准确性和效果。

Apr, 2019

本文提出了一种名为 “知识蒸馏细化” 的改进方法和一种自适应的监督聚合函数，以显着提高弱监督目标检测和定位任务的 OICR 性能，并使其具有其他最先进方法的竞争力。

Apr, 2020

本文提出了一种新颖的深度网络用于弱监督目标检测，通过生成提案聚类来学习精细的实例分类器，能够有效防止网络过度关注物体部分而不是整体，实验表明该方法明显优于现有技术。

Jul, 2018

基于深度卷积神经网络的物体检测系统在许多大规模物体检测基准测试中取得了显着成就，然而，这需要大量的标注边界框来进行训练。本文通过将图像级别分类器转化为物体检测器解决了此问题，并利用来自视觉和语义领域的物体相似性知识，在将分类器转换为没有边界框注释的类别时转移此信息。实验结果表明，我们提出的基于物体相似性的知识转移方法在半监督设置下实现了最先进的检测性能。

Jan, 2018