本文研究了在弱监督学习中利用多种标注形式（如点、水平框、旋转框）提升定向物体检测性能。提出的Wholly-WOOD框架表明，仅用水平框训练即可接近旋转框模型的效果，显著降低对旋转标注的依赖，为定向物体检测提供了新方向，尤其在减少标注成本方面具有重要意义。

本研究提出了Point2RBox-v2方法，解决了基于点标注的定向物体检测中的实例空间布局问题。通过引入多种损失函数，该方法在密集场景中的检测精度达到62.61%/86.15%/34.71%。此研究为弱监督学习提供了新思路，具有重要的应用潜力。

该文介绍了一种基于边缘梯度的独特损失函数和基于边缘的自注意力模块，用于解决定向物体检测中的问题，并在 DOTA 数据集上实现了 1.3% 的 mAP 提升。