تتطلب أحدث طرق الكشف عن الحدود المستندة إلى التعلم بيانات تدريبية واسعة النطاق. نظرًا لأن وضع علامات على حدود الأشياء هو أحد أنواع التسميات الأكثر تكلفة، هناك حاجة لتخفيض متطلبات وضع العلامات بدقة على الصور لجعل عملية التدريب أكثر اقتصاداً وزيادة كمية البيانات التدريبية. في هذا البحث، نقترح تقنية لتوليد تسميات مراقبة ضعيفة (weakly supervised annotations) ونوضح أن تسميات الصناديق المحيطة (bounding box annotations) وحدها تكفي للوصول إلى حدود أشياء عالية الجودة دون استخدام أي تسميات خاصة بحدود الأشياء. باستخدام التقنيات المقترحة للمراقبة الضعيفة، نحقق أفضل الأداء في مهمة الكشف عن حدود الأشياء، متفوقين بشكل كبير على الأساليب الرائدة حاليًا التي تعتمد على المراقبة الكاملة.