في هذا العمل، نقترح تعلم التكميل الخصامي (ACoL) لتحديد مواقع الأشياء المتكاملة ذات الاهتمام الدلالي بشكل آلي مع إشراف ضعيف. أولاً، نثبت رياضياً أنه يمكن الحصول على خرائط تحديد الفئات من خلال اختيار الخرائط المميزة للفئة مباشرة من الطبقة التلافية الأخيرة، مما يفتح طريقاً بسيطاً لتحديد مناطق الأشياء. ثم نقدم بنية شبكة بسيطة تتضمن مصنفين متوازيين لموقع الأشياء. بالتحديد، نستفيد من فرع التصنيف الأول لتوضيح بعض المناطق المميزة للأجسام بشكل ديناميكي أثناء مرور البيانات إلى الأمام. رغم أن هذا المصنف غالباً ما يستجيب لأجزاء نادرة من الأجسام المستهدفة، فإنه يمكنه دفع المصنف الآخر لاكتشاف مناطق جديدة ومكملة للأجسام عن طريق مسح المناطق التي اكتشفها من الخرائط المميزة. بهذه الطريقة التعليم الخصامية، يتم إجبار المصنفين المتوازيين على استخدام مناطق الأجسام التكميلية للتصنيف ويمكنهما في النهاية توليد تحديد موقع متكامل للأجسام سوياً. فوائد ACoL تتمثل أساساً في نقطتين: 1) يمكن تدريبه بطريقة شاملة؛ 2) المسح الديناميكي يمكّن المصنف الآخر لاكتشاف مناطق الأجسام التكميلية بشكل أكثر فعالية. نظهر تفوق أسلوبنا ACoL في مجموعة متنوعة من التجارب. وبشكل خاص، معدل خطأ تحديد الموقع الرئيسي (Top-1 localization error rate) على مجموعة بيانات ILSVRC هو 45.14٪، وهو أفضل مستوى تم تحقيقه حتى الآن (state-of-the-art).