本文介绍了一种名为HUWSOD的弱监督目标检测网络，利用自我训练框架生成候选区域，无需外部模块或额外监督。通过自我监督的候选生成器和自编码器候选生成器，以及多速率重采样金字塔，取代传统目标候选提案，实现了端到端的弱监督目标检测训练和推断。实验证明，HUWSOD与最先进的方法相媲美，消除了离线提案和额外数据的需求。

本研究介绍了一种自我训练框架（ST-SGG），通过利用未标注的三元组来缓解场景图生成模型在长尾问题上的困扰。同时提出了一种新型伪标记技术（CATM）和图结构学习器（GSL），对现有场景图生成模型具有益处。实验证明ST-SGG在各种场景图生成模型中有效，特别是在细粒度谓词类的性能提升方面。

该研究使用自我训练框架证明了神经检索器可以自我进化并改进，无需外部模型。实验证明该方法在常见和领域外的检索基准上持续改进，并在各个领域的任务上产生额外收益。