كشف الكائنات الصغيرة ذات الاتجاهات العشوائية يشكل تحديات كبيرة للكاشفات الحالية، خصوصًا في عملية تعيين التسميات. وعلى الرغم من التحقيق في تعيين التسميات التكيفية في الكاشفات الحديثة للكائنات الموجهة، إلا أن الشكل الهندسي المتطرف والخصائص المحدودة للكائنات الصغيرة الموجهة ما زالت تؤدي إلى مشكلات شديدة في التباين وعدم التوازن. وبشكل خاص، تحدث عدم توافق بين معلومات الموقع المسبقة، وسمات العينات الإيجابية، والكائنات نفسها، كما أن عملية التعلم للكائنات ذات الأشكال المتطرفة تكون متحيزة وغير متوازنة بسبب قلة الإشراف المناسب على الخصائص. لمعالجة هذه المشكلات، نقترح توليدًا ديناميكيًا للمعلومات المسبقة مع مُعَيِّن تدريجي من الخشنة إلى الدقيقة، ونُسمّيه DCFL. من جهة، نُدرِّب المعلومات المسبقة، وتوزيع التسميات، وتمثيل الكائنات جميعًا بطريقة ديناميكية لتخفيف مشكلة عدم التوافق. ومن جهة أخرى، نستفيد من التوافق الأولي الخشن والقيود اللاحقة الدقيقة لتعيين التسميات بشكل ديناميكي، مما يوفر إشرافًا مناسبًا ونسبيًا متوازنًا لInstances متنوعة. أظهرت التجارب الواسعة على ستة مجموعات بيانات تحسنًا كبيرًا مقارنة بالأساسيات. وبشكل ملحوظ، حققنا أفضل أداء ممكن في الكاشفات من النوع الواحد على مجموعات DOTA-v1.5 وDOTA-v2.0 وDIOR-R تحت ظروف التدريب والاختبار بقياس واحد. يمكن الوصول إلى الكود من خلال: https://github.com/Chasel-Tsui/mmrotate-dcfl.