弱教師ありのシナリオでは、物体検出器を画像レベルのアノテーションのみを使用して訓練する必要があります。バウンディングボックスレベルの真値が利用できないため、これまで提案された多くの解決策は、現在の分類器を使用して各画像の中で最も信頼性が高いとされるバウンディングボックスを選択し、次回の訓練イテレーションで擬似真値として扱うという反復的な多重インスタンス学習（Multiple Instance Learning）フレームワークに基づいています。しかし、未熟な分類器の誤りによりプロセスが逸脱し、通常は訓練データセットに多くの偽陽性が導入されてしまいます。この問題を緩和するために、本論文では自己ペース学習（self-paced learning）パラダイムに基づく訓練プロトコルを提案します。基本的なアイデアは、最も信頼性が高いとされる画像とバウンディングボックスの部分集合を反復的に選択し、それらを使用して訓練することです。過去数年間で同様の戦略はSVMや他の分類器に対して採用されてきましたが、我々は初めて深層ネットワークベースの分類器においてエンドツーエンドの訓練パイプラインで自己ペースアプローチを使用できる可能性を示しています。我々が提案する手法は完全教師ありのFast-RCNNアーキテクチャに基づいており、入力画像をバウンディングボックスの集合として表現する類似のアーキテクチャにも適用可能です。Pascal VOC 2007、Pascal VOC 2010およびILSVRC 2013での最先端結果を示しており、特にILSVRC 2013において低容量のAlexNetネットワークを使用した結果は、高容量ネットワークに基づく他の弱教師ありアプローチよりも優れています。