来源：公众号“遥感与深度学习“原文链接：https://mp\.weixin\.qq\.com/s/ApvUzzfX1Nt1j6S6iLPxeA?scene=1&click\_id=32

题目：Partial Weakly-Supervised Oriented Object Detection

***会议：The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026*

论文： https://arxiv\.org/abs/2507\.02751

数据： DOTA-v1.0/v1.5/v2.0, DIOR

代码： https://github\.com/VisionXLab/PWOOD

年份： 2026

单位： 上海交通大学、武汉大学、华东师范大学、中国科学院空天信息创新研究院、东南大学

CVPR2026 遥感AI方向合集：CVPR2026

团队系统性成果

创新点

背景

有向目标检测（OOD）在遥感等领域需求旺盛，但旋转边界框（RBox）标注成本极高，制约了大规模数据集的构建。现有方法主要分为三类：基于完整RBox标注的全监督方法、基于部分RBox标注的半监督方法、以及基于水平框或点标注的弱监督方法，三者均在标注速度或标注成本上存在较大负担。

为此，本文提出了一种新范式——部分弱监督有向目标检测（PWOOD），仅使用少量水平框或单点弱标注数据，并充分利用大量无标注数据进行训练，在大幅降低标注成本的同时，实现与半监督方法相当甚至更优的检测性能。

数据

DOTA数据集（三个版本）

DIOR数据集

方法

PWOOD整体框架

基于教师-学生范式构建，教师模型对无标注数据生成伪标签，学生模型同时从弱标注数据和伪标签中学习，并通过指数移动平均（EMA）反向更新教师模型权重，形成正向反馈循环。

结果与分析

PWOOD在DOTA和DIOR多个数据集上，仅使用水平框或单点弱标注，即可达到与基于完整旋转框的半监督基线相当甚至更优的检测性能。此外，PWOOD在噪声鲁棒性和复杂小目标场景下均优于现有弱监督方法，验证了其高效性与通用性。

                    [
                        ![CVPR2026 | PWOOD: 上交团队提出部分弱监督有向目标检测方法！](/uploads/20260813205442_604edce946126.jpg)
                    ](https://vip.yanxishe.com/?from=leiphonearticle)

原文链接: https://www.leiphone.com/category/ai/u4RRrFcwAOlllJvK.html