高解像度のリモートセンシング画像の利用可能性が大幅に向上し、リモートセンシング画像の細粒度目標検出はリモートセンシングおよびコンピュータビジョン分野において重要な研究課題となっています。リモートセンシング画像の細粒度目標検出における類似データの不十分な活用、誤ったラベルがモデルの精度に与える影響、および類似クラスの区別が困難である問題に対処するため、本論文では二重分類ヘッドに基づくリモートセンシング画像の細粒度目標検出手法を提案します。まず、類似データを効果的に活用できない問題に対処するために、二重分類検出ヘッドを提案し、異なる分類ヘッドを異なるデータセットで訓練することで、クラス定義の異なる類似データが共同で訓練に参加し、類似データを効果的に活用し、モデルの精度を大幅に向上させました。次に、訓練ラベルのノイズ問題に対しては、予測に基づく誤ラベルのフィルタリング手法を設計し、誤ラベルがモデル訓練に与える影響を軽減しました。最後に、細粒度目標検出におけるクラス内差が大きくクラス間差が小さい問題に対して、Marginクロスエントロピー損失を定義し、分類境界を拡大することでモデルの精度を向上させました。細粒度リモートセンシング目標検出競技データセットおよびFAIR1Mデータセットでの実験により、本手法がリモートセンシング画像の目標細粒度検出の精度と頑健性を大幅に向上させることが示されました。コードはhttps://github.com/zf020114/DCHにてオープンソースとして公開されています。

リモートセンシング;深層学習;細粒度目標検出;指向性目標検出;二重分類ヘッド;誤ラベルフィルタリング;Marginクロスエントロピー損失