En el campo del aprendizaje profundo, el rendimiento de los modelos de detección de objetos suele depender de la disponibilidad de datos de muestras suficientes y conjuntos de datos anotados de alta calidad. Sin embargo, en la práctica de la detección arqueológica por teledetección, es difícil y costoso obtener conjuntos de datos grandes y diversos, lo que conduce a la escasez de muestras y hace que los modelos tiendan a sobreajustarse durante el entrenamiento. Especialmente cuando las condiciones ambientales de los enterramientos varían considerablemente, las diferencias en la cantidad de muestras entre los ambientes generan una distribución no equilibrada, lo que limita la capacidad de adaptación al entorno del modelo. Por ello, este artículo propone un algoritmo de aumento de datos para imágenes de teledetección basado en un modelo de difusión. El algoritmo utiliza un modelo de difusión ajustado, combinado con gráficos fractales y cadenas de aumentos de imagen aleatorios, y mediante la configuración de diferentes indicios ambientales, enriquece la semántica visual de las imágenes sin alterar la distribución de etiquetas del conjunto de datos original, aliviando los problemas de escasez y desequilibrio de muestras. Se evaluó el rendimiento del algoritmo en un conjunto de datos de imágenes de tumbas de alta resolución de la región de Altái construido por nosotros, en comparación con algoritmos clásicos de aumento de datos. Los resultados muestran que el algoritmo propuesto mejoró la precisión media en el conjunto de prueba en un 12,2 % y en el conjunto de datos heterogéneo en un 16,4 %, mejorando significativamente la exactitud, estabilidad y adaptabilidad del modelo a través de conjuntos de datos, proporcionando un soporte técnico efectivo para la identificación de objetivos arqueológicos por teledetección con pocas muestras y ampliando las ideas de investigación en la detección arqueológica inteligente.

aprendizaje profundo; detección de tumbas; aumento de datos; modelo de difusión; arqueología por teledetección; aprendizaje con pocas muestras; aumento semántico ambiental