我们研究了弱监督目标检测问题，其中训练样本仅使用图像级标签进行标注，这些标签指示某个目标类别是否存在。为了建模目标位置的不确定性，我们采用了基于不相似系数的概率学习目标。该学习目标最小化了无注释预测分布与有注释条件分布之间的差异。主要的计算挑战在于条件分布的复杂性，它包含数百或数千个变量的项。条件分布的复杂性排除了显式建模的可能性。相反，我们利用深度学习框架依赖于随机优化这一事实，这使得我们可以使用一种最先进的离散生成模型来从条件分布中提供与注释一致的样本。在PASCAL VOC 2007和2012数据集上的大量实验验证了我们所提出方法的有效性。