Nous présentons un algorithme de segmentation d'instances faiblement supervisé basé sur l'apprentissage profond avec plusieurs tâches. Cette tâche est formulée comme une combinaison de détection d'objets faiblement supervisée et de segmentation sémantique, où les objets individuels de la même classe sont identifiés et segmentés séparément. Nous abordons ce problème en concevant une architecture unifiée de réseau neuronal profond, qui possède un cycle de rétroaction positive entre la détection d'objets avec régression de boîtes englobantes, la génération de masques d'instances, la segmentation d'instances et l'extraction de caractéristiques. Chaque composant du réseau interagit activement avec les autres pour améliorer la précision, et la capacité d'entraînement end-to-end de notre modèle rend nos résultats plus robustes et reproductibles. L'algorithme proposé atteint des performances de pointe dans le cadre faiblement supervisé sans nécessiter d'entraînement supplémentaire tel que Fast R-CNN ou Mask R-CNN sur l'ensemble de données de référence standard. La mise en œuvre de notre algorithme est disponible sur la page web du projet : https://cv.snu.ac.kr/research/WSIS_CL.