Die stark verbesserte Verfügbarkeit hochauflösender Fernerkundungsbilder hat die feine Zieldetektion in Fernerkundungsbildern zu einem wichtigen Forschungsbereich in der Fernerkundung und im Computer Vision gemacht. Um die Probleme der unzureichenden Nutzung ähnlicher Daten, der Auswirkungen fehlerhafter Labels auf die Modellgenauigkeit und der Schwierigkeit, ähnliche Klassen zu unterscheiden, bei der feinen Zieldetektion in Fernerkundungsbildern zu adressieren, wird in diesem Artikel eine Methode zur feinen Zieldetektion basierend auf einem doppelten Klassifikationskopf vorgeschlagen. Zunächst wird zur Lösung des Problems der ineffektiven Nutzung ähnlicher Daten ein doppelter Klassifikationskopf vorgeschlagen, bei dem verschiedene Klassifikationsköpfe auf unterschiedlichen Datensätzen trainiert werden, sodass ähnliche Daten mit unterschiedlichen Klassendefinitionen gemeinsam am Training teilnehmen können, was die Nutzung ähnlicher Daten effektiv verbessert und die Modellgenauigkeit erheblich steigert. Zweitens wird zur Behandlung des Trainingslabelrauschens eine prognosebasierte Methode zur Filterung fehlerhafter Labels entwickelt, um den Einfluss fehlerhafter Labels auf das Modelltraining zu verringern. Schließlich wird zur Lösung des Problems großer innerklassiger Unterschiede und geringer interklassiger Unterschiede eine Margin-Cross-Entropy-Verlustfunktion definiert, die durch Vergrößerung der Klassifikationsgrenzen die Modellgenauigkeit verbessert. Experimente auf dem Datensatz für den Wettbewerb zur feinen Erkennung von Fernerkundungszielen und dem FAIR1M-Datensatz zeigen, dass die vorgeschlagene Methode die Genauigkeit und Robustheit der feinen Erkennung von Zielen in Fernerkundungsbildern signifikant verbessert. Der Code ist auf https://github.com/zf020114/DCH als Open Source verfügbar.

Fernerkundung;Deep Learning;feine Zieldetektion;gerichtete Zieldetektion;doppelter Klassifikationskopf;Filterung fehlerhafter Labels;Margin-Cross-Entropy-Verlust