Die aktuellen gängigen Algorithmen zur Objekterkennung in Fernerkundungsbildern basieren auf der Entwicklung der Deep-Learning-Technologien. Während des Modelltrainings ist die Datenaugmentation des Trainingsdatensatzes eine wichtige Methode zur Verbesserung der Generalisierungsfähigkeit des Modells. Die derzeitigen Methoden zur Bildaugmentation für Objekterkennungsalgorithmen in Fernerkundungsbildern übernehmen hauptsächlich allgemeine Augmentationsmethoden für die Objekterkennung, es besteht dringender Bedarf an der Entwicklung von Augmentationsmethoden, die auf die Besonderheiten der Fernerkundungsobjekte zugeschnitten sind. Dieser Artikel schlägt eine auf der Ersetzung ähnlicher Objekte basierende Augmentationsmethode für Fernerkundungsbilder vor und entwirft einen Augmentationsprozess zur Ersetzung ähnlicher Objekte, der die Erstellung einer Probenbibliothek, die Klassifikation ähnlicher Klassen, die Abfrage ähnlicher Proben und die Vorverarbeitung der Probenersetzung umfasst, um ähnliche Objekte im Datensatz zu klassifizieren. Zuerst wird eine Bibliothek aller Trainingsdatensatzproben erstellt und die Klasseninformationen der Proben gesammelt; zweitens werden die Objektklassen im Trainingsdatensatz in ähnliche Klassen eingeteilt; anschließend wird für das Problem der ungleichen Probenanzahl im Datensatz ein Kompensationsmechanismus für Minderheitsproben entworfen, der die Sampling-Wahrscheinlichkeit steuert, um das Trainingsverhältnis der Probendaten auszugleichen; schließlich wird ein Vorverarbeitungsmechanismus für die Probenersetzung entworfen, der je nach Eigenschaften der verschiedenen Objektklassen geeignete Transformationsmethoden als Vorverarbeitungsmethoden verwendet. Experimente auf dem DOTA-Datensatz zeigen, dass durch die Verwendung des Augmentationsalgorithmus mit Ersetzung ähnlicher Objekte der mAP-Wert des DCL-Erkennungsalgorithmus im Vergleich zur Baseline um 1,34 verbessert wurde, die Vorhersagegenauigkeit des Modells für ähnliche Klassen gestiegen ist und die Objekterkennungsfähigkeit für Klassen mit wenigen Proben verbessert wurde.

Fernerkundungsbilder; Objekterkennung; Datenaugmentation; Ersetzung ähnlicher Objekte