近年、画像レベルのラベルのみを用いた弱教師付き物体検出（Weakly Supervised Object Detection: WSOD）は、ますます注目を集めている。従来の複数インスタンス学習（Multiple Instance Learning: MIL）を用いる手法は、各カテゴリごとに画像内にある最も判別性の高い物体から学習しようとする性質があるため、局所最適解に陥りやすく、結果として物体インスタンスの漏れが生じ、WSODの性能を低下させる問題を抱えている。本稿では、追加のラベルを一切用いずに、空間的および外観的グラフ上で情報伝播を導入することで、各画像に存在するすべての可能な物体インスタンスを検出することを目指す、エンドツーエンド型の物体インスタンスマイニング（Object Instance Mining: OIM）フレームワークを提案する。反復学習プロセスにおいて、同一クラスに属する判別性が低い物体インスタンスも徐々に検出され、学習に活用されるようになる。さらに、各物体インスタンスのより大きな領域を学習するため、物体インスタンス再重み付け損失（reweighted loss）を設計した。VOC 2007およびVOC 2012という2つの公的データベースにおける実験結果から、本手法の有効性が実証された。