Резкое повышение доступности высокоразрешающих дистанционных снимков сделало точное обнаружение объектов на дистанционных снимках важным направлением исследований в области дистанционного зондирования и компьютерного зрения. В связи с проблемами недостаточного использования сходных данных, влияния ошибочных меток на точность модели и трудностей с различением похожих классов в точном обнаружении объектов на дистанционных снимках, в данной работе предлагается метод точного обнаружения объектов на дистанционных снимках на основе двухклассовой классификационной головы. Во-первых, для решения проблемы неэффективного использования сходных данных в точном обнаружении объектов на дистанционных снимках предложена двухклассовая классификационная голова, различные классификационные головы обучаются на разных наборах данных, что позволяет совместно использовать сходные данные с разными определениями классов и тем самым эффективно использовать сходные данные, значительно повышая точность модели. Во-вторых, для решения проблемы шума в обучающих метках разработан метод фильтрации ошибочных меток на основе предсказаний, уменьшающий влияние ошибочных меток на обучение модели. Наконец, для решения проблемы большого внутриклассового различия и малого межклассового различия в точном обнаружении объектов введена функция потерь Margin cross-entropy, которая улучшает точность модели за счет расширения границ классификации. Эксперименты на датасетах конкурса точного обнаружения объектов на дистанционных снимках и FAIR1M показывают, что предложенный метод значительно повышает точность и устойчивость точного обнаружения объектов на дистанционных изображениях. Исходный код открыт на https://github.com/zf020114/DCH.

дистанционное зондирование;глубокое обучение;точное обнаружение объектов;направленное обнаружение объектов;двухклассовая классификационная голова;фильтрация ошибочных меток;Margin cross-entropy потери