الترقيم الضعيف للم объектات لا يزال يشكل تحديًا، حيث تكون فقط تسميات الصور متاحة أثناء التدريب بدلاً من المربعات الحدودية. يعتبر اقتراح الكائنات مكونًا فعالًا في الترقيم، ولكنه غالبًا ما يكون باهظ التكلفة حسابيًا وغير قادر على التحسين المشترك مع بعض الوحدات المتبقية. في هذا البحث، وفي حدود علمنا، نقوم لأول مرة بدمج اقتراح الكائنات الضعيف الإشراف فيه إلى شبكات العصبونات المتشابكة (CNNs) بطريقة تعلم شاملة من النهاية إلى النهاية. نصمم مكون شبكة، وهو اقتراح ناعم (Soft Proposal - SP)، يمكن ربطه بأي بنية قياسية للشبكات المتشابكة لتقديم اقتراح كائنات تقريبًا بلا تكلفة، وأسرع بمرات عديدة من أفضل الأساليب الحالية. في شبكات CNNs المعززة بـ SP، والتي تُعرف بشبكات الاقتراح الناعم (Soft Proposal Networks - SPNs)، يتم إنشاء اقتراحات الكائنات التي تتطور بشكل متكرر بناءً على الخرائط المميزة العميقة ثم يتم إسقاطها مرة أخرى، وتحسينها بشكل مشترك مع معلمات الشبكة باستخدام الإشراف على مستوى الصورة فقط. من خلال عملية التعلم الموحدة، تتعلم SPNs مرشحات أكثر تركيزًا على الكائنات، وتكتشف أدلة بصرية أكثر تمييزًا، وتقلل من التداخل الخلفي، مما يعزز بشكل كبير أداء كل من الترقيم الضعيف الإشراف فيه للكائنات والتصنيف. نقدم أفضل النتائج على مقاييس شائعة مثل PASCAL VOC و MS COCO و ImageNet.