La disponibilité accrue d’images de télédétection à haute résolution a fait de la détection fine d’objets dans ces images 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 des modèles et de difficulté à distinguer des classes similaires dans la détection fine d’objets en télédétection, cet article propose une méthode de détection fine basée sur une double tête de classification. Premièrement, pour résoudre le problème de l’utilisation inefficace des données similaires, une double tête de classification est proposée, chaque tête entraînant un jeu de données différent, permettant à des données similaires définies différemment de participer conjointement à l’entraînement, ce qui améliore significativement la précision du modèle. Deuxièmement, pour lutter contre le bruit des 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, face aux grandes variations intra-classes et aux faibles différences inter-classes dans la détection fine d’objets, une fonction de perte d’entropie croisée marginée est définie pour améliorer la précision du modèle en élargissant les frontières de classification. Les expérimentations sur le jeu de données du concours de détection fine en télédétection et FAIR1M démontrent que la méthode proposée améliore significativement la précision et la robustesse de la détection fine des cibles d’images de télédétection. Le code est disponible en open source sur https://github.com/zf020114/DCH.

télédétection;apprentissage profond;détection fine d’objets;détection d’objets dirigée;double tête de classification;filtrage des étiquettes erronées;entropie croisée marginée