面向航空图像分割的聚类-补丁-混合马赛克数据增强策略

遥感图像分割是地球观测的关键任务，支撑着环境监测和城市规划等应用。由于遥感图像中标注数据的有限，诸多研究致力于数据增强以缓解深度学习网络的过拟合问题。然而，一些现有数据增强策略依赖于简单变换，可能不足以提高数据多样性或模型泛化能力。本文提出了一种新颖的增强策略——聚类-补丁-混合马赛克（CP2M），旨在解决上述局限性。CP2M整合了马赛克增强阶段和聚类补丁混合阶段。前者从四个随机样本中构建新样本，后者使用连通组件标记算法确保增强数据的空间连贯性，避免在粘贴随机补丁时引入无关语义。我们在ISPRS Potsdam数据集上进行实验，证明CP2M显著缓解了过拟合，为遥感任务在分割精度和模型鲁棒性方面设立了新基准。