弱监督学习通过减少训练过程中对强标注数据的依赖，已成为目标检测领域极具吸引力的技术手段。然而，该方法仍面临三大核心挑战：（1）目标实例之间的区分存在歧义；（2）检测器倾向于关注具有判别性的局部区域，而非完整的目标对象；（3）由于缺乏真实标注，为保证高召回率，目标候选区域必须冗余，导致显著的内存消耗。解决这些问题极具难度，往往需要消除不确定性并避免引入琐碎的解决方案。为应对上述挑战，我们提出了一种兼具实例感知与上下文聚焦能力的统一框架。该框架引入了实例感知的自训练算法与可学习的Concrete DropBlock机制，并设计了一种内存高效的顺序批次反向传播策略。所提方法在COCO数据集上取得了12.1% AP和24.8% AP₅₀的先进性能，在VOC 2007和VOC 2012数据集上分别达到54.9% AP和52.1% AP，显著超越现有基线模型。此外，本方法是首个针对基于ResNet的模型以及弱监督视频目标检测任务进行系统性基准测试的工作。相关代码、模型及详细信息将公开发布于：https://github.com/NVlabs/wetectron。