لقد أدى توفر صور الاستشعار عن بُعد عالية الدقة إلى تعزيز مجال الكشف الدقيق عن الأهداف في صور الاستشعار عن بُعد، وهو اتجاه بحثي هام في مجالي الاستشعار عن بُعد والرؤية الحاسوبية. لمعالجة المشاكل في الكشف الدقيق عن الأهداف في صور الاستشعار عن بُعد مثل الاستفادة غير الكافية من البيانات المتشابهة، وتأثير العلامات الخاطئة على دقة النموذج، وصعوبة التمييز بين الفئات المتشابهة، قدم هذا البحث طريقة للكشف الدقيق عن الأهداف في صور الاستشعار عن بُعد تعتمد على رأس تصنيف مزدوج. أولاً، لمعالجة مشكلة عدم القدرة على الاستفادة الفعالة من البيانات المتشابهة، اقترح رأس تصنيف مزدوج حيث يتم تدريب كل رأس تصنيف على مجموعة بيانات مختلفة، مما يسمح للبيانات المتشابهة ذات تعريف الفئة المختلف بالمشاركة في التدريب، مما يحسن بشكل كبير دقة النموذج. ثانياً، لمعالجة مشكلة ضوضاء العلامات التدريبية، صمم طريقة تصفية للعلامات الخاطئة تعتمد على التنبؤ لتقليل تأثير العلامات الخاطئة على تدريب النموذج. أخيراً، لمشكلة التفاوت الكبير داخل الفئة والتشابه الكبير بين الفئات في الكشف الدقيق عن الأهداف، تم تعريف خسارة التقاطع الهامشية (Margin Cross-Entropy)، التي تعزز دقة النموذج من خلال توسيع حدود التصنيف. أظهرت التجارب على مجموعة بيانات مسابقة الكشف الدقيق عن أهداف الاستشعار عن بُعد وبيانات FAIR1M أن الطريقة المقترحة حسنت بشكل ملحوظ دقة ومتانة الكشف الدقيق عن أهداف الصور الاستشعار عن بُعد. الشيفرة مفتوحة المصدر على https://github.com/zf020114/DCH.

الاستشعار عن بُعد;التعلم العميق;الكشف الدقيق عن الأهداف;الكشف الموجه عن الأهداف;رأس تصنيف مزدوج;تصفية العلامات الخاطئة;خسارة التقاطع الهامشية