أدى توفر صور الاستشعار عن بعد عالية الدقة إلى جعل الكشف الدقيق عن الأهداف في صور الاستشعار عن بعد اتجاهًا مهمًا في مجال الاستشعار عن بعد ورؤية الحاسوب. للتعامل مع المشاكل الموجودة في الكشف الدقيق عن الأهداف في صور الاستشعار عن بعد مثل الاستغلال غير الكافي للبيانات المتشابهة، وتأثير العلامات الخاطئة على دقة النموذج والصعوبة في التمييز بين الفئات المتشابهة، اقترح هذا البحث طريقة للكشف الدقيق عن أهداف صور الاستشعار عن بعد تعتمد على رأس تصنيف مزدوج. أولاً، لمعالجة مشكلة عدم الاستفادة الفعالة من البيانات المتشابهة في الكشف الدقيق عن الأهداف في صور الاستشعار عن بعد، تم اقتراح رأس تصنيف مزدوج، حيث يقوم كل رأس تصنيف بالتدريب على مجموعة بيانات مختلفة، مما يسمح لمجموعات البيانات المتشابهة ذات التعريفات الفئوية المختلفة بالمشاركة في التدريب، وبالتالي الاستفادة بفعالية من البيانات المتشابهة وتحسين دقة النموذج بشكل ملحوظ. ثانيًا، لمعالجة مشكلة ضوضاء العلامات التدريبية، تم تصميم طريقة تصفية العلامات الخاطئة القائمة على التنبؤ لتقليل تأثير العلامات الخاطئة على تدريب النموذج. وأخيرًا، لمواجهة مشكلة التفاوت الكبير داخل الفئات والصعوبة في التمييز بين الفئات في الكشف الدقيق، تم تعريف خسارة التقاطع ذو الهامش (Margin cross-entropy loss)، مما يعزز دقة النموذج عبر توسيع حدود التصنيف. أظهرت التجارب على مجموعة بيانات مسابقة الكشف الدقيق لأهداف الاستشعار عن بعد ومجموعة بيانات FAIR1M أن الطريقة المقترحة تحسن بشكل كبير دقة وصلابة الكشف الدقيق عن الأهداف في صور الاستشعار عن بعد. الشيفرة البرمجية متاحة مفتوحة المصدر على https://github.com/zf020114/DCH.

الاستشعار عن بعد;التعلم العميق;الكشف الدقيق عن الأهداف;الكشف الموجه عن الأهداف;رأس التصنيف المزدوج;تصفية العلامات الخاطئة;خسارة التقاطع ذو الهامش