L'augmentation significative de la disponibilité des images de télédétection à haute résolution a fait de la détection fine des objets dans les images de télédétection un domaine de recherche important en télédétection et en vision par ordinateur. Pour faire face aux problèmes d'utilisation insuffisante des données similaires, d'influence des étiquettes erronées sur la précision du modèle et de difficulté à distinguer des classes similaires dans la détection fine des objets dans les images de télédétection, cet article propose une méthode de détection fine d'objets basée sur une double tête de classification. Tout d'abord, pour le problème de l'utilisation inefficace des données similaires dans la détection fine d'objets dans les images de télédétection, une double tête de classification est proposée, chaque tête étant entraînée sur différents ensembles de données, permettant à des données similaires avec des définitions de classes différentes de participer ensemble à l'entraînement, ce qui permet une utilisation efficace des données similaires et améliore significativement la précision du modèle. Ensuite, pour le problème du bruit sur les étiquettes d'entraînement, une méthode de filtrage des étiquettes erronées basée sur la prédiction est conçue pour réduire l'impact des étiquettes erronées sur l'entraînement du modèle. Enfin, pour le problème des grandes différences intra-classes et des faibles différences inter-classes dans la détection fine des objets, une perte Margin cross-entropie est définie, qui améliore la précision du modèle en augmentant la marge de classification. Les expériences sur les ensembles de données du concours de détection fine des objets en télédétection et sur le jeu de données FAIR1M montrent que la méthode proposée améliore significativement la précision et la robustesse de la détection fine des objets dans les images de télédétection. Le code est open source sur https://github.com/zf020114/DCH.

télédétection;apprentissage profond;détection fine d'objets;détection orientée d'objets;double tête de classification;filtrage d'étiquettes erronées;perte Margin cross-entropie