カテゴリラベルとキャプションのデータセットを用いてそれぞれCNet, PNetを学習する。これらのネットワークのattentionをsaliency detectionの擬似教師データとして、ラベルなしの画像に対してsaliency detectionを行った。

他の弱教師あり学習モデルと比べて5つのデータセットでSOTA。教師あり学習モデルと比較して同等の性能を実現した。