لقد لاقت الكشف عن الكائنات المراقبة بشكل ضعيف (WSOD) باستخدام فقط تسميات على مستوى الصورة اهتمامًا متزايدًا خلال السنوات الأخيرة. تُعاني الطرق الحالية التي تعتمد على التعلم متعدد المجموعات (MIL) من الوقوع في حلول محلية، نظرًا لأن هذه الآلية تميل إلى التعلم من الكائن الأكثر تمييزًا في كل صورة بالنسبة لكل فئة. وبالتالي، تعاني هذه الطرق من فقدان بعض كائنات الكائنات، مما يقلل من أداء الكشف عن الكائنات المراقبة بشكل ضعيف. لحل هذه المشكلة، تقدّم هذه الورقة إطارًا شاملًا لاستخراج كائنات الكائنات (OIM) يعتمد على التعلم من النهاية إلى النهاية. يسعى OIM إلى اكتشاف جميع الكائنات الممكنة الموجودة في كل صورة من خلال إدخال تبادل المعلومات على الرسوم البيانية المكانية والشكلية، دون الحاجة إلى أي تسميات إضافية. خلال عملية التعلم التكرارية، يمكن اكتشاف الكائنات الأقل تمييزًا من نفس الفئة تدريجيًا واستخدامها في التدريب. بالإضافة إلى ذلك، قمنا بتصميم خسارة إعادة وزن الكائنات لتحسين تعلم جزء أكبر من كل كائن، مما يعزز الأداء بشكل إضافي. أظهرت النتائج التجريبية على قاعدتي بيانات متاحتين للعامة، VOC 2007 و2012، فعالية النهج المقترح.