本文介绍一种新型的弱监督目标检测框架 WSOD^2，该框架通过联合考虑低层测量，CNN 置信度和自适应线性组合来确定多个回归目标，并通过区域提议学习来逼近回归目标，最终取得了最先进的结果。

Sep, 2019

本文介绍了一种统一的，高容量的弱监督目标检测网络 HUWSOD，它利用了一个全面的自我训练框架，在不需要外部模块或额外监督的情况下生成候选区域。HUWSOD 创新性地结合了自我监督的候选生成器和自编码器候选生成器，以及多速率重采样金字塔，取代了传统的目标候选提案，实现了端到端的弱监督目标检测训练和推断。另外，我们实现了一个整体的自我训练方案，通过逐步熵最小化和一致性约束正则化来完善检测得分和坐标，确保在同一图像的随机增强中得出一致的预测。基于对 PASCAL VOC 和 MS COCO 的广泛实验证明，HUWSOD 与最先进的弱监督目标检测方法相媲美，消除了离线提案和额外数据的需求。HUWSOD 的最佳性能接近于完全监督的 Faster R-CNN。我们的研究结果还表明，虽然与精心设计的离线目标提案有明显差异，但随机初始化的框对于弱监督目标检测的训练是有效的。

Jun, 2024

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

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

本文提出了一种名为 object discovery 的多实例标注方法以及一种名为 weakly supervised contrastive loss（WSCL）的新对比损失函数用于针对 WSOD 任务，取得了在 MS-COCO2014/2017 和 PASCAL VOC2012 数据集上的最新最好结果，以及在 PASCAL VOC2007 上的竞争结果。

Aug, 2022

本研究提出了一个框架，名为 SoS，旨在利用 WSOD 的潜在监督信号，其中包括图像级标签、伪标签和半监督物体检测。在实验中，SoS-WSOD 方法在 VOC2007，VOC2012 和 MS-COCO 上取得了显著的改进和较高的性能，并且具有快速推断速度。

Jun, 2021

使用文本描述来训练文本分类器，并从中获取足够的信息进行目标实例的弱监督检测，从而实现对于大量自由上传图像信息数据的有效物体定位。

Jul, 2019

本文提出更有效的实例标记方法，利用上下文分类损失方法解决物体部分区域被错误标记的问题并通过空间限制标记负对象，应用于 PASCAL VOC 2007 和 2012 数据集进行训练，在弱监督物体检测领域取得了一定的突破。

Aug, 2019

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