该论文提出了一种新的框架，通过捕捉时间空间和鼓励预测一致性来提高视频中的目标检测表现，并融合了强、弱监督的训练方式和平滑性惩罚，提高了 Youtube-Video Objects 数据集上的平均精度（mAP）。

Jul, 2016

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

本文提出了一个简单而有效的弱监督协作学习框架，旨在解决在弱监督目标检测中经常出现的标注准确性与模型准确性之间的矛盾，并在 PASCAL VOC 2007 和 2012 数据集上进行了广泛的实验证明了其有效性。

Feb, 2018

该论文提出了一种弱监督课程学习流程，用于多标签对象识别、检测和语义分割的任务，其中包括四个阶段，包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练，通过这种流程，实现了在MS-COCO、PASCAL VOC 2007和PASCAL VOC 2012数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。

Feb, 2018

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

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

该研究提出了一种实例感知和以上下文为中心的统一框架，采用实例感知自训练算法和可学习Concrete DropBlock，同时设计了一种内存高效的顺序批次反向传播。该方法在COCO、VOC2007和VOC2012数据集上取得了最先进的结果，并且是第一个基于ResNet的研究，还进行了弱监督视频目标检测的基准测试。

Apr, 2020

本文提出了一种半监督的端到端目标检测方法，采用渐进的端到端训练来提高伪标签的质量，并在COCO基准测试中通过采用两种简单而有效的技术进行了改进，使得在不同的标记比率下（1%，5%和10%）皆性能优于以往方法，并且在有大量标记数据的情况下也表现良好。

Jun, 2021

本文提出了一种新的半监督目标检测方法，该方法在假标签生成器方面引入了新的学习机制以提高标签生成质量，并介绍了自适应阈值机制和 Jitter-Bagging 模块以提高边界框的精度和定位准确性，通过在教师网络上使用强调重和弱增强数据的严格监督来产生稳健的伪标签，在 MS-COCO 和 Pascal VOC 数据集上表现出色，且只需很少的标记数据即可实现 100％的监督表现。

Jun, 2023