Dans le domaine de l'apprentissage profond, la performance des modèles de détection d'objets dépend généralement de la disponibilité de données d'échantillons suffisantes et de jeux de données annotés de haute qualité. Toutefois, dans la détection archéologique par télédétection pratique, l'obtention de jeux de données à grande échelle et diversifiés est difficile et coûteuse, ce qui entraîne un manque d'échantillons et une tendance au surapprentissage lors de l'entraînement des modèles. En particulier, dans le cas où les environnements de conservation des tombes varient considérablement, les différences dans le nombre d'échantillons entre les environnements provoquent un déséquilibre dans la distribution des échantillons, limitant ainsi la capacité d'adaptation des modèles à leur environnement. Pour cette raison, cet article propose un algorithme d'augmentation de données d'images de télédétection basé sur un modèle de diffusion. Cet algorithme utilise un modèle de diffusion affiné, combiné à des formes fractales et des chaînes d'augmentation d'images aléatoires, et en configurant différents indices environnementaux, il enrichit la sémantique visuelle des images sans perturber la distribution des étiquettes du jeu de données d'origine, atténuant ainsi le problème de pénurie et de déséquilibre des échantillons. L'algorithme a été évalué sur un jeu de données d'images de tombes à haute résolution de la région d'Altai construit en interne, en le comparant à des algorithmes classiques d'augmentation de données. Les résultats montrent que l'algorithme proposé a amélioré la précision moyenne sur le jeu de test de 12,2 % et sur le jeu de données hétérogène de 16,4 %, améliorant significativement la précision, la stabilité et l'adaptabilité du modèle à travers les jeux de données. Il fournit un support technique efficace pour la reconnaissance d'objectifs archéologiques par télédétection sur petits échantillons et étend les perspectives de recherche en détection archéologique intelligente.

apprentissage profond; détection des tombes; augmentation des données; modèle de diffusion; télédétection archéologique; apprentissage sur petits échantillons; augmentation sémantique environnementale