В области глубокого обучения производительность моделей обнаружения объектов обычно зависит от достаточного количества образцов и высококачественных размеченных наборов данных. Однако в практике археологических дистанционных исследований получение масштабных и разнообразных наборов данных затруднено и дорого, что приводит к недостатку образцов и склонности моделей к переобучению в процессе тренировки. Особенно при значительных различиях в условиях захоронений различия в численности образцов между средами приводят к неравномерному распределению данных, что ограничивает способность моделей адаптироваться к среде. В связи с этим в статье предложен алгоритм увеличения данных дистанционного зондирования на основе диффузионной модели. Алгоритм использует тонко настроенную диффузионную модель, сочетающую фрактальные рисунки и случайные цепочки улучшения изображений. Путём установки различных подсказок среды обогащается визуальная семантика изображений без нарушения распределения меток исходного набора данных, что решает проблему нехватки и неравномерности образцов. Алгоритм был оценён на собственном наборе высокоразрешающих изображений захоронений в районе Алтая в сравнении с классическими методами увеличения данных. Результаты показали, что предложенный алгоритм повысил среднюю точность на тестовом наборе на 12,2%, а на гетерогенном наборе – на 16,4%, существенно улучшив точность обнаружения, стабильность и адаптивность моделей к разным наборам данных. Это обеспечивает эффективную техническую поддержку распознаванию объектов археологического дистанционного зондирования при малом количестве образцов и расширяет исследовательские подходы к интеллектуальному археологическому контролю.

глубокое обучение; обнаружение захоронений; увеличение данных; диффузионная модель; археология дистанционного зондирования; обучение с малым количеством образцов; усиление семантики окружающей среды