現在主流のリモートセンシング画像物体検出アルゴリズムは、深層学習技術の発展に依存しています。モデルの学習時に、学習データセットに対する増強処理はモデルの汎化能力を強化する重要な方法です。現在のリモートセンシング画像物体検出アルゴリズムの画像増強方法は主に汎用の物体検出増強方法を使用しており、リモートセンシングターゲットの特徴に対応した増強方法の開発が急務となっています。本論文では、リモートセンシング画像に基づく類似ターゲット置換増強方法を提案し、類似ターゲット置換の増強フローを設計しました。これは、サンプルライブラリの構築、類似クラスの分類、類似サンプルの照会および置換サンプルの前処理などの手順を通じてデータセット内のターゲットを類似ターゲットに分類するものです。まず、すべての学習サンプルのサンプルライブラリを構築し、サンプルのクラス情報を集計します。次に、学習データのターゲットクラスを類似クラスに分類します。そして、データセットのサンプル数の不均衡問題に対応するために、少数サンプル補償機構を設計し、サンプリング確率を制御してサンプルデータの学習比率を平衡させます。最後に、異なるターゲットクラスの特徴に応じて、適切な変換方法をサンプルの前処理方法として使用する置換サンプル前処理機構を設計しました。DOTAデータセットでの実験により、類似ターゲット置換増強アルゴリズムを使用したDCL検出アルゴリズムのmAP値がbaselineと比べて1.34向上し、モデルの類似クラスに対する予測精度が向上し、サンプル数の少ないクラスの物体検出能力が高まりました。

リモートセンシング画像;物体検出;データ増強;類似ターゲット置換