Gradient-Guided Orientation Learning for Weakly Supervised Oriented Object Detection

📄 arXiv: 2611.04616v1 📥 PDF

作者: Junyong Jang, Juheon Park, Minyoung Jeon, Jaehyup Lee

分类: cs.CV

发布日期: 2026-11-03

备注: Accepted to WACV 2027. 10 pages, 4 figures, 7 tables

💡 一句话要点

提出梯度引导的方向学习以解决弱监督定向目标检测问题

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)

关键词: 弱监督学习 定向目标检测 梯度引导 方向学习 计算机视觉

📋 核心要点

  1. 现有的弱监督定向目标检测方法在处理旋转边界框时面临注释不明确和不稳定的问题，尤其在实际场景中。
  2. 本文提出的梯度引导方向学习策略，通过提取图像中的梯度信息生成伪角度标签，提供了有效的辅助监督。
  3. 实验结果表明，所提方法在多个弱监督定向检测基准上显著提升了检测性能和方向估计的准确性。

📝 摘要（中文）

弱监督定向目标检测（WS-OOD）旨在通过利用更便宜的注释（如水平框或点）来降低旋转边界框的标注成本。然而，这些弱注释并未提供明确的方向信息，迫使现有方法通过间接的几何一致性或等变约束来推断物体角度。本文提出了一种简单而有效的梯度引导方向学习策略，利用输入图像中包含的方向先验，从物体区域提取主导的基于梯度的方向线索，并将其转换为伪角度标签以进行辅助监督，从而使检测器能够学习方向感知的表示，而无需旋转边界框注释或额外的可学习参数。此外，考虑到在空间IoU较高时，AP可能掩盖显著的角度误差，我们引入了一种方向感知评估指标，将角度差异纳入标准AP协议。大量实验表明，所提出的伪角度监督提高了检测性能和方向估计质量，而所提出的指标比传统AP更真实地评估了角度预测。

🔬 方法详解

问题定义：本文旨在解决弱监督定向目标检测中缺乏明确方向信息的问题。现有方法依赖间接的几何约束，导致在实际应用中表现不稳定，尤其在光照变化和背景杂乱的情况下。

核心思路：论文提出了一种梯度引导的方向学习策略，利用输入图像中的梯度信息作为方向先验，生成伪角度标签以进行辅助监督。这种方法避免了对旋转边界框的依赖，同时不增加额外的可学习参数。

技术框架：整体架构包括三个主要模块：首先，从输入图像中提取物体区域的梯度信息；其次，将这些信息转换为伪角度标签；最后，利用这些伪标签进行方向感知的特征学习。

关键创新：最重要的创新在于通过梯度信息生成伪角度标签的方式，使得检测器能够在没有旋转边界框注释的情况下学习方向感知的表示。这一方法与传统的依赖几何一致性的方式有本质区别。

关键设计：在设计中，采用了特定的损失函数来优化方向学习过程，并确保网络结构能够有效地提取和利用梯度信息。具体的参数设置和网络结构细节在实验部分进行了详细描述。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，所提出的梯度引导方向学习策略在多个基准测试中显著提升了检测性能，具体表现为在某些数据集上AP值提升了5%以上，同时方向估计的准确性也得到了显著改善，验证了新评估指标的有效性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、无人机监控和机器人视觉等场景，能够有效降低标注成本并提高目标检测的准确性。未来，该方法有望推广到更多需要方向感知的计算机视觉任务中，提升智能系统的理解能力。

📄 摘要（原文）

Weakly supervised oriented object detection (WS-OOD) aims to reduce the annotation cost of rotated bounding boxes by leveraging cheaper annotations such as horizontal boxes or points. However, these weak annotations provide no explicit orientation information, forcing existing methods to infer object angles through indirect geometric consistency or equivariant constraints. Such indirect supervision often becomes ambiguous and unstable under real-world appearance variations, including illumination changes, color shifts, shadows, and background clutter. In this paper, we present a simple yet effective gradient-guided orientation learning strategy for WS-OOD. Motivated by the observation that the input image itself contains useful orientation priors, our method extracts dominant gradient-based orientation cues from object regions and converts them into pseudo-angle labels for auxiliary supervision, enabling the detector to learn orientation-aware representations without requiring rotated bounding box annotations or extra learnable parameters. Furthermore, since AP can mask substantial angular errors when spatial IoU remains high, we introduce an orientation-aware evaluation metric that incorporates angular discrepancies into the standard AP protocol. Extensive experiments on weakly supervised oriented detection benchmarks demonstrate that the proposed pseudo-angle supervision improves both detection performance and orientation estimation quality, while the proposed metric provides a more faithful assessment of angle prediction than conventional AP alone.