Die deutlich verbesserte Verfügbarkeit von hochauflösenden Fernerkundungsbildern hat die feinkörnige Objekterkennung in Fernerkundungsbildern zu einem wichtigen Forschungsfeld in der Fernerkundung und im Bereich der Computer Vision gemacht. Um die Probleme der unzureichenden Nutzung ähnlicher Daten, der Beeinflussung der Modellgenauigkeit durch fehlerhafte Labels und der Schwierigkeit, ähnliche Klassen zu unterscheiden, anzugehen, schlägt dieser Artikel eine Methode zur feingranularen Objekterkennung in Fernerkundungsbildern vor, die auf zwei Klassifikationsköpfen basiert. Zunächst wird zur Lösung des Problems der ineffektiven Nutzung ähnlicher Daten ein Doppelklassifikationskopf vorgeschlagen, bei dem unterschiedliche Klassifikationsköpfe auf unterschiedlichen Datensätzen trainiert werden, sodass ähnliche Daten mit unterschiedlichen Klassendefinitionen gemeinsam am Training teilnehmen können, was die Modellgenauigkeit erheblich verbessert. Zweitens wird zur Bewältigung des Trainingslabel-Rauschens eine vorhersagebasierte Fehlertag-Filterungsmethode entwickelt, die den Einfluss fehlerhafter Labels auf das Modelltraining verringert. Schließlich wird für das Problem großer innerklassiger Unterschiede und kleiner zwischenklassiger Unterschiede bei der feingranularen Objekterkennung ein Margin-Cross-Entropy-Verlust definiert, der durch die Vergrößerung der Klassengrenzen die Modellgenauigkeit verbessert. Experimente auf dem Datensatz für den feingranularen Fernerkundungszielerkennungswettbewerb und dem FAIR1M-Datensatz zeigen, dass die vorgeschlagene Methode die Genauigkeit und Robustheit der feingranularen Zielerkennung in Fernerkundungsbildern deutlich verbessert. Der Code ist offen verfügbar unter https://github.com/zf020114/DCH.

Fernerkundung;Deep Learning;feinkörnige Objekterkennung;gerichtete Objekterkennung;doppelter Klassifikationskopf;Fehlertag-Filterung;Margin-Cross-Entropy-Verlust