딥러닝 분야에서 객체 탐지 모델의 성능은 일반적으로 충분한 샘플 데이터와 고품질 주석 데이터셋에 의존합니다. 그러나 실제 원격 탐사 고고학 탐지에서는 대규모이면서 다양한 데이터셋 확보가 어려우며 비용도 높아 샘플 데이터가 부족하고, 모델이 훈련 중 과적합되기 쉽습니다. 특히 매장 환경 차이가 큰 경우, 서로 다른 환경 간 샘플 수의 차이는 샘플 분포 불균형을 초래하여 모델의 환경 적응 능력을 제한합니다. 이를 위해 본 논문은 확산 모델 기반의 원격 탐사 영상 데이터 증강 알고리즘을 제안합니다. 이 알고리즘은 미세 조정된 확산 모델을 사용하며, 프랙탈 패턴과 임의의 이미지 증강 링크를 결합하여 다양한 환경 프롬프트를 설정함으로써 원본 데이터셋 라벨 분포를 해치지 않고 영상의 시각적 의미를 풍부하게 하여 데이터 샘플 부족과 불균형 문제를 완화합니다. 본 논문은 자체 구축한 알타이 지역 고해상도 매장 영상 데이터셋에서 이 알고리즘과 고전적 데이터 증강 알고리즘의 성능을 평가하였으며, 결과는 제안한 알고리즘이 테스트셋에서 평균 정밀도가 기준 방법보다 12.2% 향상되었고, 이질 데이터셋에서는 16.4% 증가하여 모델의 탐지 정확성, 안정성 및 교차 데이터셋 적응력을 크게 향상시켰음을 보여주었습니다. 이는 소규모 샘플 원격 탐사 고고학 목표 인식에 효과적인 기술적 지원을 제공하며, 지능형 고고학 탐지 연구 방향을 확장시켰습니다.

딥러닝; 매장 탐지; 데이터 증강; 확산 모델; 원격 탐사 고고학; 소샘플 학습; 환경 의미 증강