La detección de objetos con aprendizaje débilmente supervisado (WSOD) en imágenes de teledetección (RSIs) logra una clasificación y localización de objetos de alto valor utilizando solo etiquetas a nivel de imagen. Sin embargo, dos problemas limitan su rendimiento. En primer lugar, las instancias adyacentes a menudo se clasifican incorrectamente porque sus pseudoetiquetas se determinan únicamente en función de las distancias espaciales entre ellas y sus instancias de semilla correspondientes. En segundo lugar, la mayoría de los métodos WSOD asignan el peso más alto a la instancia que cubre la parte discriminativa de un objeto, lo que lleva a los modelos WSOD a centrarse en la parte discriminativa en lugar de en todo el objeto. Para abordar el primer problema, se propone un módulo de minería de instancias de alta calidad (HQIM), que incorpora las similitudes de características entre instancias en el proceso de propagación de etiquetas, lo que permite eliminar algunas instancias adyacentes mal clasificadas. Para abordar el segundo problema, se propone una estrategia de reasignación de pesos (WRA), que redistribuye los pesos de pérdida de instancias. Específicamente, los pesos de pérdida de instancias que se centran en la parte discriminativa se intercambian con los de instancias que cubren ampliamente todo el objeto. Los estudios de ablación demuestran la efectividad de HQIM y WRA, mientras que las comparaciones con modelos populares en dos bancos de pruebas de RSIs verifican aún más la efectividad de nuestro modelo.