Nous proposons une technique améliorée pour la localisation d'objets faiblement supervisée. Les méthodes conventionnelles présentent une limitation en ce qu'elles se concentrent uniquement sur les parties les plus discriminantes des objets cibles. Une étude récente a abordé ce problème et a résolu cette limitation en augmentant les données d'entraînement pour les parties moins discriminantes. À cet effet, nous utilisons une augmentation de données efficace afin d'améliorer la précision de la localisation des objets. De plus, nous introduisons des techniques d'apprentissage améliorées en optimisant les Réseaux Neuronaux Convolutifs (CNN) basés sur le modèle de pointe actuel. Sur la base de nombreuses expériences, nous évaluons l'efficacité de notre approche tant qualitativement que quantitativement. En particulier, nous constatons que notre méthode améliore la précision de localisation Top-1 de 21,4 % à 37,3 % selon les configurations, par rapport à la technique actuelle de pointe en matière de localisation d'objets faiblement supervisée.