현재 주류 원격 탐사 이미지 객체 검출 알고리즘은 딥러닝 기술의 발전에 의존하고 있습니다. 모델 훈련 시, 훈련 데이터셋에 대한 증강 처리는 모델의 일반화 능력을 강화하는 중요한 방법입니다. 현재 원격 탐사 이미지 객체 검출 알고리즘의 이미지 증강 방법은 주로 일반 객체 검출 증강 방법을 채택하고 있으며, 원격 탐사 대상의 특성에 맞는 증강 방법 개발이 시급합니다. 본 논문에서는 원격 탐사 이미지를 기반으로 한 유사 객체 대체 증강 방법을 제안하고, 유사 객체 대체 증강 프로세스를 설계하였으며, 이는 샘플 라이브러리 구축, 유사 클래스 분할, 유사 샘플 조회 및 샘플 대체 전처리 등의 단계를 통해 데이터셋 내 객체들의 유사 객체 분류를 수행합니다. 먼저 모든 훈련 샘플의 샘플 라이브러리를 구축하고 샘플 클래스 정보를 통계화합니다; 다음으로, 훈련 데이터 내 객체 클래스들을 유사 클래스로 분할합니다; 그리고 데이터셋 내 샘플 수 불균형 문제를 해결하기 위해 소수 샘플 보상 메커니즘을 설계하여 샘플링 확률을 제어해 샘플 데이터의 학습 비율을 균형 있게 맞춥니다; 마지막으로, 다양한 객체 클래스의 특성에 따라 적합한 변환 방법을 샘플 전처리 방법으로 사용하는 대체 샘플 전처리 메커니즘을 설계하였습니다. DOTA 데이터셋에서의 실험 결과, 유사 객체 대체 증강 알고리즘을 사용한 DCL 검출 알고리즘의 mAP 값이 baseline 대비 1.34 향상되었으며, 모델의 유사 클래스 예측 정확도가 상승하고 샘플 수가 적은 클래스의 객체 검출 능력이 향상되었습니다.

원격 탐사 이미지; 객체 검출; 데이터 증강; 유사 객체 대체