La plupart des approches existantes de localisation faiblement supervisée (WSL) apprennent des détecteurs en trouvant des boîtes englobantes positives basées sur des caractéristiques acquises avec une supervision au niveau de l'image. Cependant, ces caractéristiques ne contiennent pas d'informations liées à la localisation spatiale et fournissent généralement des échantillons positifs de mauvaise qualité pour l'entraînement d'un détecteur. Pour surmonter ce problème, nous proposons une approche d'apprentissage profond auto-enseignant, qui permet au détecteur d'apprendre des caractéristiques au niveau objet fiables pour obtenir des échantillons positifs serrés, puis de se réentraîner à partir de ceux-ci. Ainsi, le détecteur améliore progressivement ses capacités de détection et localise des échantillons positifs plus informatifs. Pour mettre en œuvre un tel apprentissage auto-enseignant, nous proposons une méthode d'acquisition d'échantillons initiaux par transfert image-objet et découverte de sous-graphes denses afin de trouver des échantillons positifs fiables pour initialiser le détecteur. Nous proposons également un schéma en ligne de sélection dynamique d'échantillons supportants pour choisir les échantillons positifs serrés les plus confiants et entraîner le détecteur dans une démarche mutuellement renforçante. Pour éviter que le détecteur ne tombe dans de mauvais optimaux en raison du surapprentissage, nous introduisons une nouvelle mesure d'amélioration relative des scores prédits par CNN pour guider le processus d'apprentissage auto-enseignant. Des expériences étendues sur les jeux de données PASCAL 2007 et 2012 montrent que notre approche surpassent les méthodes actuelles, validant ainsi fortement son efficacité.