Die schwach beschriftete Objektdetektion zielt darauf ab, den Aufwand an Aufsicht zu reduzieren, indem die Notwendigkeit von Bounding-Box-Etiketten entfällt, nimmt jedoch weiterhin bildweite Etiketten für die gesamte Trainingsmenge an. In dieser Arbeit untersuchen wir das Problem, einen Objektdetektor aus einer oder wenigen Bildern mit bildweiten Etiketten sowie einer größeren Menge vollständig unlabeled Bilder zu trainieren. Dies stellt einen extremen Fall des halbüberwachten Lernens dar, bei dem die gelabelten Daten nicht ausreichen, um den Lernprozess eines Detektors zu initiieren. Unser Ansatz besteht darin, einen schwach beschrifteten Student-Detektor anhand von bildweisen Pseudo-Etiketten zu trainieren, die durch einen Lehrer-Klassifikatormodell auf den unlabeled Bildern generiert werden und durch regionale Ähnlichkeiten zu gelabelten Bildern bootstrapped werden. Aufbauend auf der kürzlich vorgestellten repräsentativen schwach beschrifteten Pipeline PCL kann unsere Methode eine größere Anzahl unlabeled Bilder nutzen, um eine Leistung zu erzielen, die mit oder sogar besser ist als die vieler neuerer schwach beschrifteter Detektionsansätze.