弱监督目标检测 (WSOD) 已经成为一种仅使用图像级别的类别标签训练目标检测器的有效工具。然而，由于没有目标级标签，WSOD 检测器容易检测出显著物体、聚杂物体和判别性物体部分上的标注框。此外，图像级别的类别标签不会强制对同一图像的不同变换进行一致的目标检测。针对上述问题，卡内基梅隆大学的研究人员提出了一种针对 WSOD 的综合注意力自蒸馏 (CASD) 训练方法。为了平衡各目标实例之间的特征学习，CASD 计算同一图像的多个变换和特征层聚合的综合注意力。为了加强对目标的一致空间监督，CASD 对 WSOD 网络进行自蒸馏，通过对同一幅图像的多个变换和特征层同时逼近全面注意力。CASD 在标准数据集上如 PASCAL VOC 2007/2012 和 MS-COCO 产生了最好的结果。本文已被NeurIPS 2020会议接收。