本研究は、クラス増分的な弱い教師ありオブジェクト位置特定（Class-Incremental Weakly Supervised Object Localization: CI-WSOL）の課題に取り組んでいます。目的は、新しいクラスの画像レベルのアノテーションのみを使用してオブジェクト位置特定を逐次的に学習し、既に学習したクラスの位置特定能力を維持することです。この課題は重要であり、オブジェクト位置特定が様々な応用において不可欠である一方で、新しいデータに対してバウンディングボックスをアノテートすることはコストがかかります。当該研究では、我々が知る限り初めてこの課題に取り組んでいるため、まずクラス増分的な分類器の戦略を適用してカタストロフィックフォーリングを軽減する強力なベースライン手法を提示します。これらの戦略には、知識蒸留（knowledge distillation）、以前のタスクから小さなデータセットを維持すること、およびコサイン正規化を使用することが含まれます。その後、特徴量ドリフトがクラススコアと位置特定マップに及ぼす影響を補償するために特徴量ドリフト補償ネットワークを提案します。新しいタスクを学習するためにネットワークパラメータを更新すると特徴量ドリフトが発生するため、最終出力を補償することが必要となります。最後に、2つの公開データセット（ImageNet-100 および CUB-200）上で実験を行い、提案手法の評価を行いました。実験結果は、提案手法が他のベースライン手法よりも優れていることを示しています。