เปรียบเทียบวิธี

	การตรวจจับวัตถุแบบมีผู้สอนแบบอ่อน	วิชันทรานส์ฟอร์มเมอร์
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2016 (deep WSOD); MIL roots circa 1997	2021
ผู้ริเริ่ม	Bilen, H. & Vedaldi, A. (WSDDN); Multiple Instance Learning origins: Dietterich et al. (1997)	Dosovitskiy, A. et al.
ประเภท	Weakly supervised detection paradigm	Transformer architecture for images (self-attention over patches)
แหล่งต้นตำรับ	Bilen, H., & Vedaldi, A. (2016). Weakly supervised deep detection networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2846–2854.	Dosovitskiy, A. et al. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. ICLR.
ชื่อเรียกอื่น	WSOD, weakly-supervised detection, image-level supervised detection, multiple instance detection	Görsel Transformer (ViT), görsel transformer, ViT, patch transformer for images
ที่เกี่ยวข้อง	5	5
สรุป	Weakly Supervised Object Detection (WSOD) trains object detectors using only image-level labels — indicating which object classes appear in an image — without requiring costly bounding-box annotations. Multiple Instance Learning (MIL) formulations allow the model to discover the likely location of each object class from classification signals alone, dramatically reducing annotation cost.	The Vision Transformer (ViT), introduced by Dosovitskiy and colleagues in 2021, splits an image into fixed-size patches, treats those patches as a sequence, and applies the Transformer self-attention mechanism to image classification. Given enough training data, it surpasses convolutional neural networks (CNNs).