让我们考虑一个为某些任务构建了一个完全监督的神经网络，例如在各种场景中定位一个对象。正如您可以想象的那样，标记数据非常耗时：必须手动定位图像中的对象并在其周围绘制一个边界框 - 一次一个。

假设我们有一个用于完全监督定位的普通卷积神经网络 (CNN)，因此如下所示：

          2D input image
                |
       convolutional-layer 1
                |
               ...
                |
       convolutional-layer N
                |
      ---flattened output---
                |                    
    fully-connected classifier
                |
           output layer

我们如何调整这种架构来利用弱标记的数据呢？

无论我们是否有滑动窗口方法，例如 OverFeat 或用于实际定位对象的概率分布：我们总是需要完全标记的训练数据。这是一个问题，因为在完全监督的情况下标记数据确实非常耗时。因此，完全标记的数据集非常罕见。

与此相反，通常存在大量弱标记或未标记的数据。在我看来，由于其广泛的可用性，弱标记/未标记数据具有很大的潜力。问题在于利用这种潜力而无需手动标记每个样本。

也就是说，我的问题是：如何利用弱标记的数据集（即“对象”与“无对象”）或完全未标记的数据集来提高全监督架构的鲁棒性，比如提到的 CNN？

通常可以将监督方法与一些无监督方法混合吗？就像启用完全监督的架构以某种方式利用弱标记数据进行训练一样？