حققت طرق الكشف عن الأشياء البارزة (SOD) التي تعتمد على الإشراف الكامل تقدماً كبيراً، ولكن هذه الطرق غالباً ما تعتمد على عدد كبير من التسميات على مستوى البكسل، والتي تستغرق وقتاً طويلاً وتتطلب جهداً بشرياً كبيراً. في هذا البحث، نركز على مهمة SOD جديدة تحت إشراف ضعيف مع تسميات مختلطة، حيث تتضمن التسميات الإشرافية عدداً كبيراً من التسميات الخشنة التي تم إنشاؤها بواسطة الطريقة غير المشرف عليها التقليدية وعدد قليل من التسميات الحقيقية. لمعالجة مشكلتي الضوضاء في التسميات وعدم توازن الكميتها في هذه المهمة، صممنا إطار عمل جديد يتضمن ثلاث استراتيجيات تدريبية معقدة. فيما يتعلق بإطار النموذج، قمنا بفصل المهمة إلى مهمتين فرعيتين: مهمة تحسين التسميات ومهمة الكشف عن الأشياء البارزة، اللتان تعملان بالتعاون مع بعضهما البعض ويتم تدريبهما بشكل متكرر. تحديداً، تم تصميم R-Net كنموذج مُشفِّر-مُفكِّك ذو مسارين مجهز بآليات الدمج والتوجيه (BGA)، بهدف تصحيح التسميات الخشنة للحصول على تسميات وهمية أكثر ثقة، بينما يكون S-Net شبكة SOD قابلة للتبديل يتم إشرافها بالتسميات الوهمية التي ينتجها R-Net الحالي. لاحظ أننا نحتاج فقط إلى استخدام الشبكة S-Net المدربة للاختبار. بالإضافة إلى ذلك، من أجل ضمان فعالية وكفاءة تدريب الشبكة، صممنا ثلاث استراتيجيات تدريبية، وهي: آلية التكرار البديل، وآلية زيادة المجموعات الحكيمة (group-wise incremental mechanism)، وآلية التحقق من الثقة (credibility verification mechanism). أظهرت التجارب على خمسة مقاييس للمهمة SOD أن طريقة اقتراحنا حققت أداءً تنافسياً ضد الطرق ذات الإشراف الضعيف/غير المشرف عليها سواء على المستوى النوعي أو الكمي.