A maior disponibilidade de imagens de sensoriamento remoto de alta resolução tornou a detecção detalhada de alvos em imagens de sensoriamento remoto uma importante área de pesquisa nos campos do sensoriamento remoto e da visão computacional. Para enfrentar os problemas de aproveitamento insuficiente de dados semelhantes, a influência de rótulos incorretos na precisão do modelo e a dificuldade em distinguir categorias semelhantes na detecção detalhada de alvos em imagens de sensoriamento remoto, este artigo propõe um método de detecção detalhada baseado em uma cabeça dupla de classificação. Primeiramente, para resolver o problema do uso ineficiente de dados semelhantes, propõe-se uma cabeça dupla de classificação, onde diferentes cabeças são treinadas em diferentes conjuntos de dados, permitindo que dados semelhantes com definições de categoria diferentes participem conjuntamente do treinamento, melhorando significativamente a precisão do modelo. Em segundo lugar, para lidar com o ruído em rótulos de treinamento, foi projetado um método de filtragem de rótulos incorretos baseado em predição, que reduz o impacto de rótulos incorretos no treinamento do modelo. Por fim, para o problema da grande variação intra-classe e da pequena variação inter-classe na detecção detalhada de alvos, foi definida uma perda de entropia cruzada com margem, que melhora a precisão do modelo ao aumentar as fronteiras de classificação. Experimentações nos conjuntos de dados do concurso de detecção detalhada de objetivos em sensoriamento remoto e FAIR1M mostraram que o método proposto melhora significativamente a precisão e a robustez da detecção detalhada de alvos em imagens de sensoriamento remoto. O código foi disponibilizado como código aberto em https://github.com/zf020114/DCH.

sensoriamento remoto;aprendizado profundo;detecção detalhada de alvos;detecção direcionada de alvos;cabeça dupla de classificação;filtragem de rótulos incorretos;perda de entropia cruzada com margem