En este documento se presenta una Red Neuronal Convolucional (CNN) de alta eficiencia modificada con un enfoque novedoso de Aprendizaje Contrastivo Supervisado (SCL) para estimar la dirección de llegada (DOA) de múltiples objetivos en regímenes de relación señal-ruido (SNR) bajos con matrices lineales uniformes (ULA). El modelo se entrena utilizando una configuración en cuadrícula, por lo que el problema se modela como una tarea de clasificación multi-etiqueta. Los resultados de la simulación demuestran la robustez del enfoque propuesto en escenarios con bajo SNR y un pequeño número de instantáneas. Especialmente, el método muestra una gran capacidad para detectar el número de fuentes mientras estima sus DOAs. Además, en comparación con los métodos tradicionales de CNN, nuestra CNN eficiente refinada reduce significativamente el número de parámetros en un factor de dieciséis, logrando resultados comparables. La efectividad del método propuesto se analiza mediante la visualización del espacio latente y a través de la teoría avanzada del aprendizaje de características.