Vollsupervisierte Methoden zur detektion von auffälligen Objekten (SOD) haben große Fortschritte gemacht, hängen jedoch oft von einer großen Anzahl an pixelgenauen Annotationen ab, die zeitaufwendig und arbeitsintensiv sind. In dieser Arbeit konzentrieren wir uns auf eine neue schwachsupervisierte SOD-Aufgabe unter hybriden Labels, bei der die Supervision-Labels eine große Anzahl grober Labels umfassen, die durch traditionelle unüberwachte Methoden generiert werden, sowie eine kleine Anzahl echter Labels. Um die Probleme von Label-Rauschen und Mengenungleichgewicht in dieser Aufgabe zu lösen, entwerfen wir ein neues Pipeline-Framework mit drei ausgeklügelten Trainingsstrategien. Im Hinblick auf das Modellframework teilen wir die Aufgabe in eine Teil-Aufgabe zur Label-Verfeinerung und eine Teil-Aufgabe zur Detektion von auffälligen Objekten auf, die sich gegenseitig ergänzen und abwechselnd trainiert werden. Insbesondere wird das R-Net als zweistromiges Encoder-Decoder-Modell konzipiert, das mit einem Blender mit Leitungs- und Aggregationsmechanismen (BGA) ausgestattet ist. Dieses Modell zielt darauf ab, die groben Labels zu korrigieren, um verlässlichere Pseudo-Labels zu erzeugen. Das S-Net hingegen ist ein austauschbares SOD-Netzwerk, das durch die vom aktuellen R-Net erzeugten Pseudo-Labels überwacht wird. Es sei angemerkt, dass wir nur das trainierte S-Net für den Test verwenden müssen. Darüber hinaus entwerfen wir drei Trainingsstrategien, um die Effektivität und Effizienz des Netzwerktrainings sicherzustellen: einen alternierenden Iterationsmechanismus, einen gruppenweisen inkrementellen Mechanismus und einen Glaubwürdigkeitsverifizierungsmechanismus. Experimente an fünf SOD-Benchmarks zeigen, dass unsere Methode sowohl qualitativ als auch quantitativ wettbewerbsfähige Ergebnisse gegenüber schwachsupervisierten/unüberwachten Methoden erzielt.