本文介绍了弱监督目标检测（WSOD）框架的进展，如WSOD^2、WSOVOD和W2N，强调通过低层测量、区域提议学习和自适应线性组合等方法提升检测性能。这些研究在多个数据集上取得了先进结果，展示了弱监督学习在目标检测中的潜力。

本文介绍了一种基于点注释的弱监督目标检测方法，使用Point DETR模型训练。实验结果显示，该方法在MS-COCO数据集上使用20%的样本标注数据时，性能达到33.3 AP，比FCOS强基线模型高出2.0 AP。点注释还能提高各类AR指标10个点以上。