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。