تُركّز الطرق الحالية للتصنيف الشكلي المُدرَّس بشكل ضعيف (WSSS) بشكل كبير على إنتاج خرائط تفعيل الفئة (CAMs) الدقيقة والشاملة كعلامات وهمية، بينما تتجاهل أهمية تدريب شبكات التصنيف. في هذا العمل، لاحظنا وجود تناقض بين جودة العلامات الوهمية في CAMs وأداء نموذج التصنيف النهائي، حيث تتركز النقاط التي تم تسميتها بشكل خاطئ بشكل رئيسي في المناطق الحدودية. مستوحى من هذه النتائج، نجادل بأن يجب نقل التركيز في WSSS نحو التعلّم المُتماسك رغم وجود العلامات الوهمية الضوضائية، ونُقدّم على هذا الأساس منهجية جديدة تُسمى "التدريب التعاوني المُعزّز بالحدود" (BECO) لتدريب نموذج التصنيف. وبشكل مفصّل، نقترح أولًا استخدام نموذج تدريب تعاوني يعتمد على شبكتين متفاعلتين لتحسين تعلّم النقاط غير المؤكدة. ثم نقترح استراتيجية مُعزّزة بالحدود لتحسين التنبؤ بالمناطق الحدودية الصعبة، والتي تعتمد على التنبؤات الموثوقة لبناء حدود اصطناعية. وبفضل التصميم المُدمج للتدريب التعاوني والتعزيز الحدودي، يمكن لطريقتنا تحقيق أداءً مُرضٍ في التصنيف عبر مختلف أنواع CAMs. وقد أثبتت التجارب الواسعة على مجموعتي بيانات PASCAL VOC 2012 وMS COCO 2014 تفوق منهجيتنا BECO على الطرق الرائدة الأخرى.