來(lái)源：公眾號(hào)“遙感與深度學(xué)習(xí)“

原文鏈接：https://mp.weixin.qq.com/s/ApvUzzfX1Nt1j6S6iLPxeA?scene=1&click_id=32

題目：Partial Weakly-Supervised Oriented Object Detection
會(huì)議：The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026
論文： https://arxiv.org/abs/2507.02751
數(shù)據(jù)： DOTA-v1.0/v1.5/v2.0, DIOR
代碼： https://github.com/VisionXLab/PWOOD
年份： 2026
單位： 上海交通大學(xué)、武漢大學(xué)、華東師范大學(xué)、中國(guó)科學(xué)院空天信息創(chuàng)新研究院、東南大學(xué)

CVPR2026 遙感AI方向合集：CVPR2026

團(tuán)隊(duì)系統(tǒng)性成果

創(chuàng)新點(diǎn)

• 提出首個(gè)基于部分弱標(biāo)注（水平框或單點(diǎn)）的有向目標(biāo)檢測(cè)框架PWOOD，實(shí)現(xiàn)低成本高性能檢測(cè)
• 設(shè)計(jì)方向與尺度感知學(xué)生模型（OS-Student），使學(xué)生模型能從弱標(biāo)注中學(xué)習(xí)方向與尺度信息
• 提出類別無(wú)關(guān)偽標(biāo)簽過(guò)濾策略（CPF），基于高斯混合模型動(dòng)態(tài)調(diào)整過(guò)濾閾值，降低對(duì)靜態(tài)閾值的敏感性
• 支持多格式標(biāo)注（RBox、HBox、Point）的聯(lián)合訓(xùn)練，進(jìn)一步提升框架的通用性與靈活性

背景

有向目標(biāo)檢測(cè)（OOD）在遙感等領(lǐng)域需求旺盛，但旋轉(zhuǎn)邊界框（RBox）標(biāo)注成本極高，制約了大規(guī)模數(shù)據(jù)集的構(gòu)建?，F(xiàn)有方法主要分為三類：基于完整RBox標(biāo)注的全監(jiān)督方法、基于部分RBox標(biāo)注的半監(jiān)督方法、以及基于水平框或點(diǎn)標(biāo)注的弱監(jiān)督方法，三者均在標(biāo)注速度或標(biāo)注成本上存在較大負(fù)擔(dān)。

為此，本文提出了一種新范式——部分弱監(jiān)督有向目標(biāo)檢測(cè)（PWOOD），僅使用少量水平框或單點(diǎn)弱標(biāo)注數(shù)據(jù)，并充分利用大量無(wú)標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，在大幅降低標(biāo)注成本的同時(shí)，實(shí)現(xiàn)與半監(jiān)督方法相當(dāng)甚至更優(yōu)的檢測(cè)性能。

數(shù)據(jù)

DOTA數(shù)據(jù)集（三個(gè)版本）

• 數(shù)據(jù)集介紹
• DOTA-v1.0包含15個(gè)類別、188,282個(gè)實(shí)例；v1.5和v2.0進(jìn)一步增加了大量小目標(biāo)標(biāo)注
• 從訓(xùn)練集中隨機(jī)采樣10%、20%、30%的圖像作為弱標(biāo)注數(shù)據(jù)，其余圖像作為無(wú)標(biāo)注數(shù)據(jù)
• 弱標(biāo)注數(shù)據(jù)在加載時(shí)去除方向與尺度信息，模擬真實(shí)弱標(biāo)注場(chǎng)景

DIOR數(shù)據(jù)集

• 數(shù)據(jù)集介紹
• 共23,463張圖像，其中11,725張用于訓(xùn)練，11,738張用于測(cè)試
• 同樣離線劃分出10%、20%、30%子集作為有監(jiān)督數(shù)據(jù)，其余作為無(wú)監(jiān)督數(shù)據(jù)
• 使用測(cè)試集進(jìn)行驗(yàn)證與評(píng)估

方法

PWOOD整體框架

基于教師-學(xué)生范式構(gòu)建，教師模型對(duì)無(wú)標(biāo)注數(shù)據(jù)生成偽標(biāo)簽，學(xué)生模型同時(shí)從弱標(biāo)注數(shù)據(jù)和偽標(biāo)簽中學(xué)習(xí)，并通過(guò)指數(shù)移動(dòng)平均（EMA）反向更新教師模型權(quán)重，形成正向反饋循環(huán)。

方向與尺度感知學(xué)生模型（OS-Student）

• 對(duì)稱感知方向?qū)W習(xí)模塊
• 對(duì)輸入圖像進(jìn)行垂直翻轉(zhuǎn)或隨機(jī)旋轉(zhuǎn)，生成變換視圖，構(gòu)建弱監(jiān)督對(duì)與自監(jiān)督對(duì)
• 通過(guò)角度損失約束學(xué)生模型從水平框標(biāo)注中學(xué)習(xí)目標(biāo)方向信息
• 自監(jiān)督尺度學(xué)習(xí)模塊
• 引入Bhattacharyya系數(shù)衡量預(yù)測(cè)框之間的高斯分布重疊，作為尺度上界約束
• 利用Voronoi圖與分水嶺算法估計(jì)每個(gè)目標(biāo)的盆地區(qū)域，作為尺度下界約束
• 結(jié)合高斯Wasserstein距離損失監(jiān)督寬高回歸

類別無(wú)關(guān)偽標(biāo)簽過(guò)濾（CPF）

• 將教師模型輸出的偽框置信度分?jǐn)?shù)建模為正負(fù)樣本兩個(gè)一維高斯分布的混合模型
• 使用期望最大化（EM）算法推斷后驗(yàn)概率，動(dòng)態(tài)確定過(guò)濾閾值
• 相較于靜態(tài)閾值策略，CPF能自適應(yīng)地適配不同訓(xùn)練階段和數(shù)據(jù)分布，提升偽標(biāo)簽質(zhì)量

結(jié)果與分析

PWOOD在DOTA和DIOR多個(gè)數(shù)據(jù)集上，僅使用水平框或單點(diǎn)弱標(biāo)注，即可達(dá)到與基于完整旋轉(zhuǎn)框的半監(jiān)督基線相當(dāng)甚至更優(yōu)的檢測(cè)性能。此外，PWOOD在噪聲魯棒性和復(fù)雜小目標(biāo)場(chǎng)景下均優(yōu)于現(xiàn)有弱監(jiān)督方法，驗(yàn)證了其高效性與通用性。