لقد لاقت التعلم المراقب الضعيف اهتمامًا بحثيًا متزايدًا بفضل التوفير الكبير في تكلفة التسمية للوظائف التي تتطلب تسميات داخل الصورة، مثل كشف الكائنات والتقسيم الشمولي. ولتحقيق هذا الهدف، تتبع الطرق الحالية للتعلم المراقب الضعيف لكشف الكائنات والتقسيم الشمولي نموذجًا تدريبيًا تكراريًا يعتمد على استخراج التسميات وتدريب النموذج. ومع ذلك، فإن هذا النموذج التكراري الذاتي التدعيم يجعل كلا المهمتين عرضة للعُقد المحلية. في هذه الورقة، نُقدّم لأول مرة دمجًا بين مهام كشف الكائنات والتقسيم الشمولي المراقبة بشكل ضعيف باستخدام نموذج تعلم متعدد المهام، بحيث تُستخدم أنماط الفشل الخاصة بكل مهمة لتعزيز تعلم الأخرى. ويساعد هذا التدعيم المتبادل بين المهام كلا المهمتين على التغلب على عُقدهما المحلية. وبشكل خاص، نقدم إطارًا فعّالًا وفعالًا يُسمى "كشف وتقسيم مراقب ضعيف مشترك" (WS-JDS). يحتوي WS-JDS على فرعين لتنفيذ المهمتين المذكورتين، ويشارك كلا الفرعين نفس الشبكة الأساسية (backbone). وفي مرحلة التعلّم، يستخدم النموذج نفس نمط التدريب الدوري، ولكن مع دالة خسارة محددة تتيح للفرعين الاستفادة المتبادلة. وقد أجريت تجارب واسعة على معايير شهيرة مثل Pascal VOC وCOCO، وأظهرت النتائج أن نموذجنا يحقق أداءً تنافسيًا مع أفضل الخوارزميات الحالية.