Значительное повышение доступности высокоразрешающих спутниковых изображений сделало тонкое обнаружение целей на этих изображениях важным направлением в области дистанционного зондирования и компьютерного зрения. В данной работе предлагается метод тонкого обнаружения целей на спутниковых изображениях на основе двух классификационных головок, направленный на решение проблем недостаточного использования похожих данных, влияния ошибочных меток на точность модели и трудностей в различении похожих классов. Во-первых, для проблемы неэффективного использования похожих данных в тонком обнаружении целей предлагается двухголовая классификационная структура, при которой разные классификаторы обучаются на разных наборах данных, позволяя объединять похожие данные с разными определениями классов в тренировочном процессе, что значительно повышает точность модели. Во-вторых, для проблемы шума в тренировочных метках разработан метод фильтрации ошибочных меток на основе предсказаний, что снижает влияние ошибочных меток на обучение модели. В-третьих, для проблемы большого внутриклассового и малого межклассового различия в тонком обнаружении целей введена функция потерь Margin Cross-Entropy, которая за счёт расширения границ классификации улучшает точность модели. Эксперименты на датасетах конкурса по тонкому обнаружению целей и FAIR1M демонстрируют, что предложенный метод значительно повышает точность и устойчивость тонкого обнаружения объектов на спутниковых изображениях. Код открыт и доступен по адресу https://github.com/zf020114/DCH.

дистанционное зондирование;глубокое обучение;тонкое обнаружение целей;ориентированное обнаружение;двухголовая классификация;фильтрация ошибочных меток;потери Margin Cross-Entropy