- ICCV弱监督目标检测中的物体感知实例标注
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。
- CVPR利用弱监督物体检测中的不稳定性
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。
- CVPRC-MIL: 对于弱监督目标检测的连续多实例学习
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。
- CVPR基于活动的弱监督目标检测
我们的研究工作在弱监督目标检测方面尝试利用不仅仅是物体类别标签，还使用数据中关联的动作标签；我们发现图像 / 视频中描绘的动作可以为相关物体的位置提供强烈的线索，并利用动作学习了一个与物体相关的空间先验，并将其融入到联合目标检测和动作分类模 - 基于分割协作的弱监督目标检测
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。
- 弱监督目标检测的最小熵潜变量模型
本文提出了一种用于弱监督目标检测的 MELM 模型，其中使用最小熵作为模型并在学习期间度量目标定位的随机性，通过提出团簇分区、对象簇发现和对象定位三个组件进行优化，利用循环学习算法进行优化，在弱监督目标检测、弱监督目标定位和图像分类方面较现 - 基于差异系数的弱监督目标检测
本文研究弱监督对象检测的问题，在模型中使用基于分歧系数的概率学习目标，通过深度学习框架提供注释一致的样本来解决条件分布复杂性的挑战，并在 PASCAL VOC 2007 和 2012 数据集上进行了广泛实验。
- PCL: 弱监督目标检测的提议聚类学习
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。
- 弱监督目标检测的协作学习
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。
- 通过生成对抗和排序网络进行弱监督目标发现
本文介绍了一种新颖的网络训练方法和学习目标，采用深度生成对抗网络以及新的相似度度量方法，用于发现图片中的多个对象实例、弱监督对象检测及排名 GAN，以实现对应用的提高和优化。
- IJCAI基于显著性引导的弱监督物体检测的端到端学习
本文主要研究弱监督物体检测（WSOD）中缺乏位置监督的问题，并将显著性集成到深度网络中，对高置信对象提出类别特定的显著性，这些特定的位置信息、语义信息和显著信息来显式监督网络，并通过预测网络隐式地指导本地化过程，实现了端到端的训练，实验结果 - CVPR在线实例分类器细化的多实例检测网络
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