شهدت الشبكات العصبية الاصطناعية (ANN) تقدما كبيرا في كشف الأهداف في صور الاستشعار عن بعد. ومع ذلك، كانت كفاءة الكشف المنخفضة والطاقة العالية دائمًا عائقًا رئيسيًا في مجال الاستشعار عن بعد. تقوم الشبكات العصبية النبضية (SNN) بمعالجة المعلومات في شكل نبضات فارغة، مما يجلب ميزة فعالية الحساب البصري. ومع ذلك، كان معظم البحوث تركز على مهام تصنيف بسيطة فقط، وقليل من الباحثين فقط يطبقونها في كشف الأهداف في الصور الطبيعية. باستحضار خصوصية الدماغ الحيوية، نقدم طريقة سريعة لتحويل الشبكة العصبية الاصطناعية - النبضية لاستشعار صور الاستشعار عن بعد. بناءً على ميزات التجانس الخفيف لتشكيل نموذج خفيف وسريع لاستشعار تسلسل نبضي، وإعادة عينة خفية في مجال التحول الأصلي، مما يؤدي إلى استشعار سريع لميزات الصور وتسلسل النبض الترميز. بالإضافة إلى ذلك، ولتلبية متطلبات الدقة في المشاهد اللاستشعارية ذات الصلة، قمنا بتحليل الخطأ في التحويل نظريًا، واقترحنا طريقة التطبيع الوزنية لتحلل القنوات الذاتي الضمور، للقضاء على تنشيط الخلية العصبية الزائد. ويُعرف النموذج لكشف الأهداف في صور الاستشعار عن بعد باسم S3Det. باستناد إلى تجربة باستخدام مجموعة بيانات كبيرة مفتوحة للأبعاد عن بعد، أظهر S3Det دقة مماثلة لـ ANN. في الوقت نفسه، كانت كثافة شبكتنا النقلية هي 24.32 ٪ من الخوارزمية الأصلية؛ وكانت الطاقة فقط 1.46 واط، مما يجعلها تعادل 1/122 من الخوارزمية الأصلية.

صورة الاستشعار عن بعد؛ كشف الأهداف؛ شبكات الأعصاب المنفعلة (SNNs)؛ الاستشعار السريع لتسلسل النبض (SSRS)؛ التطوير الذاتي للقناة العائمة لتحليل الوزن (CSWN)