深層学習の分野において、物体検出モデルの性能は通常、十分なサンプルデータと高品質なラベル付きデータセットに依存します。しかし、実際のリモートセンシング考古学調査では、大規模で多様なデータセットの取得が困難かつコストが高く、サンプル数が不足し、モデルは訓練時に過学習しやすくなります。特に墓葬の存在環境が大きく異なる場合、異なる環境間のサンプル数の差はサンプル分布の不均衡を引き起こし、モデルの環境適応能力を制限します。これに対し、本論文では拡散モデルに基づくリモートセンシング画像データ拡張アルゴリズムを提案します。本アルゴリズムは微調整された拡散モデルを用い、フラクタル図形とランダムな画像拡張チェーンを組み合わせ、異なる環境のプロンプトを設定することで、元のデータセットのラベル分布を損なうことなく画像の視覚的意味を豊かにし、データサンプルの不足と不均衡の問題を緩和します。本論文では自社構築のアルタイ地域の高解像度墓葬画像データセットにて、本アルゴリズムと従来のデータ拡張アルゴリズムの性能を評価しました。結果は、本提案アルゴリズムがテストセットでの平均精度をベースライン手法より12.2%向上させ、異種データセット上で16.4%向上させ、モデルの検出精度、安定性及びクロスデータセット適応性を大幅に改善したことを示しています。これにより、小規模サンプルのリモートセンシング考古学的物体認識に効果的な技術支援を提供し、知的考古学検出の研究視点を広げました。

深層学習; 墓葬検出; データ拡張; 拡散モデル; リモートセンシング考古学; 少数サンプル学習; 環境意味拡張