حققت الشبكات العصبية الاصطناعية (ANN) تقدماً ملحوظاً في كشف الأهداف في صور الاستشعار عن بُعد. ومع ذلك، كانت كفاءة الكشف المنخفضة واستهلاك الطاقة العالي من العوائق المهمة في مجال الاستشعار عن بُعد. تعالج الشبكات العصبية النبضية (SNN) المعلومات على شكل نبضات متفرقة، مما يوفر مزايا فعالة لمهام رؤية الحاسوب. ومع ذلك، ركزت معظم الأبحاث على مهام التصنيف البسيطة، وقليل منها فقط طبقها على كشف الأهداف في الصور الطبيعية. في هذه الورقة، مع الأخذ في الاعتبار الخصائص البسيطة للدماغ البيولوجي، اقترحنا طريقة تحويل سريعة للشبكات العصبية الاصطناعية-النبضية للكشف عن صور الاستشعار عن بُعد. تم بناء نموذج متفرق سريع باستخدام ميزات متفرقة مجموعات والإدراك النبضي المتسلسل، وتم إجراء إعادة أخذ عينات متفرقة في المجال المتحول للصورة الأصلية بهدف الإدراك السريع لميزات الصور وتسلسل النبضات المشفرة. بالإضافة إلى ذلك، لتلبية متطلبات الدقة في سيناريوهات الاستشعار ذات الصلة، قمنا بتحليل الأخطاء الناجمة عن التحويل نظرياً، واقترحنا طريقة تطبيع ذات وزن تلاشي ذاتي للقنوات لإزالة الإفراط في تنشيط الخلايا العصبية. النموذج المقترح لكشف الأهداف في صور الاستشعار عن بُعد يسمى S3Det. توضح التجارب القائمة على مجموعة بيانات عامة كبيرة للاستشعار عن بُعد أن S3Det تحقق دقة مماثلة لتلك الخاصة بـ ANN. في الوقت نفسه، كانت درجة التفرق في شبكة التحويل لدينا 24.32% من الخوارزمية الأصلية؛ واستهلاك الطاقة كان فقط 1.46 وات، وهو 1/122 من الخوارزمية الأصلية.

صور الاستشعار عن بُعد;كشف الأهداف;الشبكات العصبية النبضية (SNN);الإدراك السريع لتسلسل النبضات;تطبيع ذاتي التلاشي للقنوات