高解像度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における精細な物体検出がリモートセンシングおよびコンピュータビジョン分野で重要な研究方向となっている。リモートセンシング画像の精細な物体検出において、類似データの十分な活用不足、誤ったラベルがモデル精度に与える影響、および類似クラスの識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精細な物体検出手法を提案する。まず、リモートセンシング画像の精細な物体検出において類似データを効果的に活用できない問題に対して、二重分類検出ヘッドを提案し、異なる分類ヘッドが異なるデータセットで学習することで、クラス定義が異なる類似データが共同で学習に参加し、類似データを効果的に活用し、モデル精度を大幅に向上させた。次に、学習ラベルのノイズ問題に対して、予測に基づく誤ラベル除去手法を設計し、誤ラベルがモデル学習に与える影響を低減した。最後に、精細な物体検出においてクラス内差異が大きくクラス間差異が小さい問題に対して、マージン交差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精度を向上させた。精細リモートセンシング検出コンペティションデータセットと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物体精細検出の精度と頑健性を著しく向上させることを示した。コードはhttps://github.com/zf020114/DCHでオープンソースとして公開している。

リモートセンシング;深層学習;精細物体検出;指向的物体検出;二重分類ヘッド;誤ラベル除去;マージン交差エントロピー損失