分类定位一致
通过可训练的区域提议网络和对象完整性注意力，该模型在仅使用图像级标签的情况下实现了更完整的物体检测。
Yihuan, Zhu · Wang, Simiao · 孙正兴
Lecture Notes in Computer Science 2026
可训练的弱监督提议生成网络同时提供增强的区域提议和伪边界框标签，使模型能覆盖对象整体而非仅突出局部判别区域。
对象完整性注意力使提取的特征同时具备分类和定位一致性，从表示层面拉近两个任务，避免优化目标冲突。
引入回归分支调整输出边界框坐标，在分类和定位一致的基础上进一步提升框的准确度。
在PASCAL VOC 2007、VOC 2012和MS-COCO 2017三个数据集上一致超越其他SOTA弱监督目标检测方法，验证了模型的泛化性。