Los algoritmos principales actuales para la detección de objetivos en imágenes de teledetección dependen del desarrollo de tecnologías de aprendizaje profundo. Durante el entrenamiento del modelo, realizar aumentos en los datos del conjunto de entrenamiento es un método importante para mejorar la capacidad de generalización del modelo. Los métodos actuales de aumento de imágenes para algoritmos de detección de objetivos en imágenes de teledetección utilizan principalmente métodos comunes de aumento de detección de objetivos, existiendo una necesidad urgente de desarrollar métodos de aumento que consideren las características específicas de los objetivos de teledetección. Este artículo propone un método de aumento basado en el reemplazo de objetivos similares en imágenes de teledetección y diseña un proceso de aumento de reemplazo de objetivos similares, que incluye la creación de una biblioteca de muestras, la clasificación de clases similares, la consulta de muestras similares y el preprocesamiento de substitución de muestras para clasificar los objetivos similares en el conjunto de datos. Primero, se crea una biblioteca para todas las muestras del conjunto de entrenamiento, recopilando información sobre las categorías de las muestras; luego, las categorías de objetivos en el conjunto de entrenamiento se clasifican en clases similares; después, para abordar el problema del desequilibrio en la cantidad de muestras en el conjunto de datos, se diseña un mecanismo de compensación para las muestras minoritarias controlando la probabilidad de muestreo para equilibrar la proporción de entrenamiento de los datos de muestra; finalmente, se diseña un mecanismo de preprocesamiento de sustitución de muestras que utiliza métodos de transformación apropiados como métodos de preprocesamiento según las características de las diferentes categorías de objetivos. Los experimentos en el conjunto de datos DOTA demostraron que el uso del algoritmo de aumento de reemplazo de objetivos similares mejoró el valor mAP del algoritmo de detección DCL en 1.34 en comparación con la línea base, aumentando la precisión de predicción del modelo para clases similares y mejorando la capacidad de detección de objetivos para clases con pocas muestras.

imágenes de teledetección; detección de objetivos; aumento de datos; reemplazo de objetivos similares