نقترح تقنية محسنة للتوصيف الضعيف للأشياء (weakly-supervised object localization). تواجه الأساليب التقليدية قيودًا في أنها تركز فقط على الأجزاء الأكثر تمييزًا من الأشياء المستهدفة. عالجت الدراسة الحديثة هذه المشكلة وحلت هذا القيد من خلال زيادة بيانات التدريب للأجزاء الأقل تمييزًا. لهذا الغرض، نستخدم طريقة فعالة لزيادة البيانات بهدف تحسين دقة توصيف الأشياء. بالإضافة إلى ذلك، نقدم تقنيات تعلم محسنة من خلال تعظيم شبكات العصبونات المتكررة (Convolutional Neural Networks - CNN) بناءً على النموذج الرائد. استنادًا إلى التجارب الواسعة، نقيم فعالية النهج المقترح بشكل نوعي وكمي. وبشكل خاص، نلاحظ أن طريقتنا تحسن دقة التوصيف الأولى (Top-1 localization accuracy) بنسبة تتراوح بين 21.4% و37.3% اعتمادًا على التكوينات، مقارنة بأحدث التقنيات الحالية للتوصيف الضعيف للأشياء.