في الآونة الأخيرة، أصبحت الكشف عن الأشياء تحت الإشراف الضعيف ذات أهمية كبيرة في مجال التعرف على الأشياء. استنادًا إلى التعلم العميق، حققت أجهزة الكشف تحت الإشراف الضعيف نتائج واعدة عديدة. ومع ذلك، مقارنةً بالكشف الكامل الإشراف، فإن تدريب شبكات عميقة قائمة على الإشراف الضعيف يمثل تحديًا أكبر. هنا نصيغ مشكلة الكشف تحت الإشراف الضعيف كمشكلة تعلم متعدد الحالات (MIL)، حيث يتم وضع تصنيفات الحالة (أجهزة الكشف عن الأشياء) في الشبكة كعُقد خفية. نقترح خوارزمية جديدة لتحسين تصنيف الحالة بشكل مستمر تدمج بين تعلم متعدد الحالات وإجراء تحسين تصنيف الحالة في شبكة عميقة واحدة، وتدرب الشبكة من النهاية إلى النهاية باستخدام إشراف صور فحسب، أي بدون معلومات عن موقع الشيء. وبشكل أكثر دقة، يتم نقل التسميات المستنبطة من الإشراف الضعيف إلى حالاتها المتشابكة مكانياً لتحسين تصنيف الحالة بشكل مستمر. يتم تنفيذ إجراء تحسين تصنيف الحالة التكراري باستخدام مسارات متعددة في الشبكة العميقة، حيث يقوم كل مسار بالإشراف على المسار الذي يليه. تم إجراء تجارب الكشف عن الأشياء تحت الإشراف الضعيف على مقاييس PASCAL VOC 2007 و 2012 الصعبة. حصلنا على نسبة mAP قدرها 47% في VOC 2007 التي تتخطى بشكل كبير أفضل النتائج السابقة في هذا المجال.