Schwach überwachte Objektlokalisation (WSOL) Techniken lernen die Position von Objekten ausschließlich mit Hilfe von bildbasierten Klassifikationslabels, ohne Ortsannotierungen zu verwenden. Eine häufige Einschränkung dieser Techniken besteht darin, dass sie nur den am stärksten diskriminativen Teil des Objekts erfassen und nicht das gesamte Objekt. Um dieses Problem zu lösen, schlagen wir eine Aufmerksamkeitsbasierte Dropout-Schicht (ADL) vor, die das Selbst-Aufmerksamkeitsmechanismus nutzt, um die Merkmalskarten des Modells zu verarbeiten. Die vorgeschlagene Methode besteht aus zwei wesentlichen Komponenten: 1) dem Verbergen des am stärksten diskriminativen Teils vor dem Modell, um dessen gesamte Ausdehnung zu erfassen, und 2) der Hervorhebung informativer Regionen zur Verbesserung der Erkennungsleistung des Modells. Basierend auf umfangreichen Experimenten zeigen wir, dass die vorgeschlagene Methode effektiv ist, um die Genauigkeit von WSOL zu verbessern und einen neuen Stand der Technik in Bezug auf Lokalisierungsgenauigkeit im Datensatz CUB-200-2011 erreicht. Zudem demonstrieren wir, dass die vorgeschlagene Methode sowohl hinsichtlich der Parameteranzahl als auch des Rechenaufwands deutlich effizienter ist als bestehende Techniken.