الكشف عن الأشياء تحت الإشراف الضعيف هو مهمة صعبة عندما يتم توفير إشراف على فئات الصور ولكن يُطلب في الوقت نفسه تعلم مواقع الأشياء ومشتريات الكشف عنها. يؤدي عدم التناسق بين الإشراف الضعيف وأهداف التعلم إلى إدخال عشوائية كبيرة لمواقع الأشياء وغموض لمشتريات الكشف. في هذا البحث، تم اقتراح نموذج مخفي بحد أدنى من الإنتروبيا (MELM) للكشف عن الأشياء تحت الإشراف الضعيف. تعمل الإنتروبيا الدنيا كنموذج لتعلم مواقع الأشياء وكمعيار لقياس العشوائية في تحديد موقع الشيء أثناء التعلم. يهدف النموذج إلى تقليل الاختلاف بشكل أساسي بين الحالات المُتعلمة وتخفيف الغموض حول مشتريات الكشف. يتم تقسيم MELM إلى ثلاثة مكونات تشمل تقسيم مجموعة المقترحات، اكتشاف مجموعة الأشياء، وتحديد موقع الشيء. يتم تحسين MELM باستخدام خوارزمية تعلم متكررة، والتي تستفيد من التحسين المستمر لحل مشكلة عدم الانحدار الصعبة. أظهرت التجارب أن MELM يحسن بشكل كبير أداء الكشف عن الأشياء تحت الإشراف الضعيف، تحديد موقع الأشياء تحت الإشراف الضعيف، وتصنيف الصور مقارنة بالتقنيات الرائدة حاليًا.