Значительное повышение доступности изображений дистанционного зондирования высокого разрешения сделало детальную детекцию объектов на таких изображениях важным направлением исследований в области дистанционного зондирования и компьютерного зрения. В связи с проблемами недостаточного использования похожих данных, влияния ошибочных меток на точность модели и трудностями различения схожих классов в детальной детекции объектов дистанционного зондирования, в данной работе предложен метод детекции с использованием двух классификационных головок. Во-первых, для решения проблемы неэффективного использования похожих данных предложена двойная классификационная голова, где разные головы обучаются на разных наборах данных, позволяя совместно обучать похожие данные с разными определениями классов, что значительно повышает точность модели. Во-вторых, для борьбы с шумом в обучающих метках разработан метод фильтрации ошибочных меток на основе предсказаний, уменьшающий влияние ошибочных меток на тренировку модели. Наконец, с учётом большой внутриклассовой разницы и малой межклассовой разницы в детальной детекции объектов определена маргинальная кросс-энтропийная функция потерь, которая за счёт расширения границ классификации повышает точность модели. Эксперименты на датасетах соревнования по детальной детекции целей дистанционного зондирования и FAIR1M показали, что предложенный метод существенно улучшает точность и устойчивость детекции объектов на изображениях дистанционного зондирования. Код открыт на https://github.com/zf020114/DCH.

дистанционное зондирование;глубокое обучение;детальная детекция объектов;направленная детекция объектов;двойная классификационная голова;фильтрация ошибочных меток;маргинальная кросс-энтропия