Für schwach beschriftete Objektdetektionsnetzwerke ist die präzise Vorhersage der Objektpositionen herausfordernd, da keine annotierten Objekt-Level-Kategorien vorhanden sind. Die meisten bestehenden Methoden versuchen, dieses Problem durch ein zweistufiges Lernverfahren zu lösen, bestehend aus einem Multiple-Instance-Learning-Detektor gefolgt von einem vollständig überwachten Lern-Detektor mit Bounding-Box-Regression. Basierend auf unserer Beobachtung kann dieses Vorgehen jedoch für bestimmte Objekt-Kategorien zu lokalen Minima führen. In diesem Artikel schlagen wir vor, die beiden Phasen end-to-end gemeinsam zu trainieren, um dieses Problem zu bewältigen. Konkret entwerfen wir ein einziges Netzwerk mit zwei Zweigen – einem Multiple-Instance-Learning-Zweig und einem Bounding-Box-Regression-Zweig –, die denselben Backbone teilen. Gleichzeitig integrieren wir eine geführte Aufmerksamkeitsmodule, das mithilfe der Klassifikationsverlustfunktion die implizite Ortsinformation in den Merkmalen effektiv extrahiert. Experimentelle Ergebnisse auf öffentlichen Datensätzen zeigen, dass unsere Methode eine state-of-the-art-Leistung erzielt.