弱监督目标检测旨在通过无需边界框标注来减少监督成本，但仍依赖于整个训练集的图像级标签。在本工作中，我们研究了一种更为极端的情形：仅利用少量带有图像级标签的图像，结合大量完全无标签的图像，训练一个目标检测器。这属于半监督学习的极端情况，因为标注数据不足以支撑检测器的初始学习。我们的解决方案是，基于教师分类器模型在无标签数据集上生成的图像级伪标签，训练一个弱监督的学生检测器模型；该伪标签的生成过程通过与已标注图像的区域级相似性进行引导，实现有效自举。在近期代表性弱监督检测框架PCL的基础上，我们的方法能够充分利用更多无标签图像，实现性能优于或与当前多数先进弱监督检测方法相当的结果。