本文提出了一种将Deformable Parts Models和Convolutional Networks相结合的新模型，并使用结构化损失函数进行训练，使得之前作为单独后处理步骤的NMS操作成为了模型的一部分，从而使得我们的系统在PASCAL VOC 2007和2011数据集上实现了竞争性的结果。

Nov, 2014

本研究提出了一种基于卷积神经网络的模型，只利用物体类别信息，通过最小化对目标分割任务的先验仅推断目标分割。我们展示了该模型在相对于弱监督物体分割任务中领先于业界最先进的方法。

Nov, 2014

该论文致力于通过使用多尺度部分提议来选择有用的部分，并使用它们计算全局图像表示以进行无注释的细粒度图像分类，同时探索了其关键部分的检测和可视化。实验表明该方法在两个具有挑战性的数据集上比同类方法更加准确。

Apr, 2015

该研究旨在使用独特部分的表征方法对图像进行分类，通过对选定部分的回溯分析表明，除了类别部分以外，来自背景上下文和其他图像类别的部分也可以提高分类性能。为了实现部分在所有类别之间的共享和优化，提出了一种基于AdaBoost的算法来共同优化部分共享、选择以及与全局图像表征的融合。实验表明该方法具有与深度卷积神经网络相媲美的分类效果。

Oct, 2015

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

本文提出了一种基于部位的CNN模型，在手动标注的强部位注释的基础上，通过模拟物体部件之间微小的差异来显式解释精细分类过程，同时由计算多个物体部分之间的共享策略，提高了效率，并获得了良好的准确度和模型可解释性的实验结果。

Dec, 2015

本文提出了一种名为多实例学习卷积神经网络（MILCNN）的弱监督卷积神经网络框架，用于解决深度网络训练数据不足的问题， 将MILCNN框架应用于目标识别， 并在三个基准数据集（CIFAR10、CIFAR100和ILSVRC2015）上报告了最新成果。

Oct, 2016

本文提出了一种基于弱监督的学习方法，通过将图像视为一个包中的实例将其融入到深度神经网络中，将弱监督的多实例学习约束与深度神经网络集成在一起，并采用端到端的方式优化网络以实现对象分类和发现任务。在PASCAL VOC数据集上的测试表明，该方法在对象分类方面可以获得最先进的性能，并且在对象发现方面也具有很强的竞争力，并且测试速度比竞争者更快。

May, 2017

本文介绍了一种使用图像标签进行弱监督语义分割的模型，利用图像标注作为注意机制来识别图像中的语义区域，并描述了如何将此掩模生成策略纳入完全端到端可训练的过程中，其中网络同时学习对图像进行分类和分割，实验表明，利用生成的类特定掩模可以超越只使用图像标记的最新弱监督语义分割方法甚至某些利用额外监督或训练数据的模型。

Apr, 2018

该研究提出了一种弱监督的部件检测网络（PartNet），能够检测出细粒度分类所使用的具有辨别力的局部部分，在 CUB-200-2011 和 Oxford Flower 102 数据集上实现了最新的最高性能。

Jun, 2018