يتناول هذا العمل مهمة توطين الأشياء تحت الإشراف الضعيف مع زيادة الفئات (CI-WSOL). الهدف هو تعلم توطين الأشياء لفئات جديدة بشكل تدريجي باستخدام شروح صورية على مستوى الصورة فقط، مع الحفاظ على قدرة التوطين للفئات التي تم تعلمها سابقًا. تعتبر هذه المهمة مهمة للغاية لأن إضافة شروح صورية لصناديق الحدود لكل بيانات جديدة آتية تكون مكلفة، رغم أن توطين الأشياء ضروري في العديد من التطبيقات. حسب علمنا، نحن أول من يعالج هذه المهمة. لذلك، نقدم أولاً طريقة أساسية قوية لمهمة CI-WSOL من خلال تعديل استراتيجيات تصنيف الفئات التدريجية لتخفيف النسيان الكارثي. تتضمن هذه الاستراتيجيات تطبيق التقطير المعرفي، والاحتفاظ بمجموعة بيانات صغيرة من المهام السابقة، واستخدام التطبيع الجيب تمام (cosine normalization). ثم نقترح شبكة تعويض الانحراف الخصائصي لتعويض آثار الانحرافات الخصائصية على درجات الفئات وخرائط التوطين. بما أن تحديث معلمات الشبكة لتعلم مهام جديدة يتسبب في حدوث انحرافات خصائصية، فإن التعويض عن المخرجات النهائية أمر ضروري. وأخيرًا، نقيم الطريقة المقترحة بإجراء تجارب على مجموعتين من البيانات متاحتين للجمهور (ImageNet-100 و CUB-200). بينت نتائج التجارب أن الطريقة المقترحة تتفوق على باقي الطرق الأساسية.