في مجال التعلم العميق، عادةً ما تعتمد أداء نماذج كشف الأهداف على وجود بيانات عينية كافية ومجموعات بيانات تعليمية عالية الجودة. ومع ذلك، في الكشف الأثري عن بعد في الواقع، من الصعب والحالي تكلفة الحصول على مجموعات بيانات كبيرة ومتنوعة، مما يؤدي إلى نقص في البيانات العينية، ويسهل على النماذج أن تتجاوز التعميم أثناء التدريب. خاصةً في حالة اختلاف بيئات وجود القبور بشكل كبير، فإن الاختلاف في عدد العينات بين البيئات المختلفة يؤدي إلى توزيع عينات غير متوازن، مما يقيد قدرة النماذج على التكيف مع البيئة. لذلك، اقترح هذا البحث خوارزمية تعزيز بيانات الصور الاستشعارية عن بعد بناءً على نموذج الانتشار. تستخدم هذه الخوارزمية نموذج الانتشار الموجه الدقيق، وتدمج الأشكال الكسرية وروابط تعزيز الصور العشوائية، ومن خلال إعداد كلمات تلميح بيئية مختلفة، تُثري الدلالات البصرية للصورة دون تدمير توزيع تسميات مجموعة البيانات الأصلية، مما يخفف مشكلة ندرة وعدم توازن العينات. تم تقييم أداء هذه الخوارزمية مع خوارزميات تعزيز البيانات الكلاسيكية على مجموعة بيانات صور قبور عالية الدقة من منطقة ألتاي التي تم إنشاؤها ذاتيًا، وأظهرت النتائج أن الخوارزمية المقترحة حسنت الدقة المتوسطة على مجموعة الاختبار بنسبة 12.2٪، ورفعت الدقة المتوسطة على مجموعة البيانات المتغايرة بنسبة 16.4٪، مما حسن بشكل ملحوظ دقة الكشف للنموذج، وثباته، وقدرته على التكيف عبر مجموعات البيانات، وقدم دعمًا فنيًا فعالًا للتعرف على الأهداف الأثرية الاستشعارية عن بعد مع عينات قليلة، ووسع أفكار البحث في الكشف الذكي عن الآثار.

التعلم العميق; كشف القبور; تعزيز البيانات; نموذج الانتشار; الآثار الاستشعارية عن بعد; تعلم العينات القليلة; تعزيز الدلالات البيئية