Os algoritmos principais atuais para detecção de alvos em imagens de sensoriamento remoto dependem do desenvolvimento das tecnologias de aprendizado profundo. Durante o treinamento do modelo, aumentar os dados do conjunto de treinamento é um método importante para fortalecer a capacidade de generalização do modelo. Os métodos atuais de aumento de imagens para algoritmos de detecção de alvos em imagens de sensoriamento remoto utilizam principalmente métodos gerais de aumento para detecção de alvos, sendo urgente desenvolver métodos de aumento que considerem as características dos alvos de sensoriamento remoto. Este artigo propõe um método de aumento baseado na substituição de alvos semelhantes em imagens de sensoriamento remoto e projetou um fluxo de aumento de substituição de alvos semelhantes, ou seja, classificar os objetos semelhantes no conjunto de dados por meio da criação de uma biblioteca de amostras, divisão de classes semelhantes, consulta de amostras semelhantes e pré-processamento de substituição de amostras. Primeiro, é criada uma biblioteca com todas as amostras do conjunto de treinamento e coletadas informações sobre as categorias das amostras; em seguida, as categorias de alvos no conjunto de treinamento são divididas em classes semelhantes; então, para resolver o problema do desequilíbrio do número de amostras no conjunto de dados, foi projetado um mecanismo de compensação de amostras minoritárias, controlando a probabilidade de amostragem para equilibrar a proporção de treinamento dos dados das amostras; por fim, foi projetado um mecanismo de pré-processamento de substituição de amostras, utilizando métodos de transformação adequados como métodos de pré-processamento de amostras de acordo com as características das diferentes classes de alvos. Os experimentos no conjunto de dados DOTA mostraram que o uso do algoritmo de aumento por substituição de alvos semelhantes aumentou o valor do mAP do algoritmo de detecção DCL em 1,34 em relação à linha de base, aumentando a precisão da previsão do modelo para classes semelhantes e melhorando a capacidade de detecção de alvos para classes com poucas amostras.

imagens de sensoriamento remoto; detecção de alvos; aumento de dados; substituição de alvos semelhantes