Objekterkennung ist eine herausfordernde Aufgabe im Bereich der visuellen Verständigung und wird noch schwieriger, wenn die Überwachung schwach ist. Kürzlich wurden vielversprechende tiefere neuronale Netze entwickelt, um diese Aufgabe ohne aufwendige menschliche Annotationen zu bewältigen. Es wurde eine neue Architektur von kaskadierten Netzen vorgeschlagen, um ein Faltungsneuronales Netz (CNN) unter solchen Bedingungen zu trainieren. Wir stellen zwei solche Architekturen vor, die entweder zwei oder drei Kaskadenstufen haben und in einem end-to-end Pipeline trainiert werden. Der erste Stufe beider Architekturen liegt das Training eines vollständig faltenden Netzes zugrunde, das die besten Kandidaten für klassenspezifische Regionenvorschläge extrahiert. Im Fall der dreistufigen Architektur liefert die mittlere Stufe eine Objektsegmentierung, indem sie die Ausgabe der Aktivierungskarten des ersten Stages verwendet. Die letzte Stufe beider Architekturen ist ein Teil eines Faltungsneuronalen Netzes, der multiples Instanzlernen auf den in den vorherigen Stufe(n) extrahierten Vorschlägen durchführt. Unsere Experimente mit den Datensätzen PASCAL VOC 2007, 2010, 2012 und den großen Objektdatensätzen ILSVRC 2013, 2014 zeigen Verbesserungen in den Bereichen schwach überwachter Objekterkennung, -klassifikation und -lokalisation.