Les algorithmes courants de détection d’objets dans les images de télédétection reposent sur le développement des techniques d’apprentissage profond. Lors de l’entraînement du modèle, l’augmentation des données du jeu d’entraînement est une méthode importante pour renforcer la capacité de généralisation du modèle. Les méthodes actuelles d’augmentation d’images pour les algorithmes de détection d’objets en télédétection utilisent principalement les méthodes générales d’augmentation pour la détection d’objets, il est urgent de développer des méthodes d’augmentation adaptées aux caractéristiques des objectifs en télédétection. Cet article propose une méthode d’augmentation basée sur le remplacement d’objectifs similaires dans les images de télédétection, et conçoit un processus d’augmentation de remplacement d’objectifs similaires, à savoir la création d’une bibliothèque d’échantillons, la classification de classes similaires, la recherche d’échantillons similaires et le prétraitement du remplacement d’échantillons afin de classer les objectifs similaires dans le jeu de données. Tout d’abord, une bibliothèque de tous les échantillons du jeu d’entraînement est créée, et les informations de catégories d’échantillons sont collectées ; ensuite, les catégories d’objectifs dans le jeu d’entraînement sont classées en classes similaires ; puis, pour résoudre le problème du déséquilibre du nombre d’échantillons dans le jeu de données, un mécanisme de compensation des échantillons minoritaires est conçu, en contrôlant la probabilité d’échantillonnage pour équilibrer la proportion d’entraînement des données d’échantillons ; enfin, un mécanisme de prétraitement du remplacement d’échantillons est conçu, utilisant des méthodes de transformation appropriées en tant que méthodes de prétraitement selon les caractéristiques des différentes catégories d’objectifs. Les expériences sur le jeu de données DOTA montrent que l’utilisation de l’algorithme d’augmentation par remplacement d’objectifs similaires améliore la valeur mAP de l’algorithme de détection DCL de 1,34 par rapport à la ligne de base, la précision de prédiction du modèle pour les classes similaires augmente, et les capacités de détection d’objectifs pour les classes peu nombreuses sont améliorées.

images de télédétection; détection d’objets; augmentation des données; remplacement d’objectifs similaires