Im Bereich des Deep Learning hängt die Leistung von Objekterkennungsmodellen in der Regel von ausreichenden Stichprobendaten und qualitativ hochwertigen annotierten Datensätzen ab. In der praktischen Fernerkundung für archäologische Untersuchungen ist es jedoch schwierig und kostspielig, groß angelegte und diversifizierte Datensätze zu erhalten, was zu einem Mangel an Stichproben führt und dazu führt, dass Modelle während des Trainings leicht überanpassen. Besonders bei großen Unterschieden in der Erhaltung von Gräbern führt die unterschiedliche Anzahl von Stichproben zwischen verschiedenen Umgebungen zu einem unausgeglichenen Stichprobenverteilung, was die Umgebungsanpassungsfähigkeit der Modelle einschränkt. Daher wird in diesem Artikel ein datenaugmentierender Algorithmus für Fernerkundungsbilder vorgestellt, der auf einem Diffusionsmodell basiert. Der Algorithmus verwendet ein fein abgestimmtes Diffusionsmodell, das fraktale Muster und zufällige Bildverstärkungsketten kombiniert, und durch das Einstellen verschiedener Umgebungs-Tags wird die visuelle Semantik der Bilder bereichert, ohne die Verteilung der Originaldatensatzlabels zu zerstören, wodurch Probleme von Stichprobenmangel und unausgeglichener Stichprobenverteilung gemildert werden. Der Algorithmus wurde auf einem selbst erstellten Datensatz hochauflösender Grabbilder aus der Region Altai bewertet und mit klassischen Datenaugmentierungsalgorithmen verglichen. Die Ergebnisse zeigen, dass der vorgeschlagene Algorithmus die durchschnittliche Genauigkeit im Testdatensatz um 12,2 % und im heterogenen Datensatz um 16,4 % verbessert hat, wodurch die Genauigkeit, Stabilität und Anpassungsfähigkeit des Modells über verschiedene Datensätze hinweg signifikant erhöht wurden. Dies bietet eine effektive technische Unterstützung für die Erkennung von archäologischen Fernerkundungszielen bei wenigen Stichproben und erweitert die Forschungsideen für intelligente archäologische Überwachung.

Deep Learning; Graberkennung; Datenaugmentation; Diffusionsmodell; Fernerkundungsarchäologie; Few-Shot-Learning; Umweltsemantik-Augmentation