Künstliche neuronale Netzwerke (ANN) haben bei der Erkennung von Objekten in Fernerkundungsbildern erhebliche Fortschritte erzielt. Dennoch bleiben die geringe Erkennungseffizienz und der hohe Energieverbrauch wichtige Hindernisse im Bereich der Fernerkundung. Spiking-Neuronale Netzwerke (SNN) verarbeiten Informationen in Form von dünnen Pulsen und bieten einen erheblichen Vorteil in Bezug auf Energieeffizienz für Aufgaben des maschinellen Sehens. Die Mehrheit der Forschung konzentriert sich jedoch nur auf einfache Klassifizierungsaufgaben, und nur wenige Forscher haben sie auf die Erkennung von Objekten in natürlichen Bildern angewandt. Unter Berücksichtigung der Einfachheit des biologischen Gehirns schlagen wir eine schnelle Methode zur Umwandlung eines künstlichen Spiking-Neuronalen Netzwerks zur Erkennung von Fernerkundungsbildern vor. Basierend auf einer spärlichen Gruppierungseigenschaft zur Erstellung eines schnellen und spärlichen Modells für die Wahrnehmung von Pulssequenzen und die Codierung des Originalbildes im Bereich der Pulsumwandlung, wodurch eine schnelle Wahrnehmung der Bildmerkmale und die Codierung der Pulssequenz gewährleistet werden. Darüber hinaus, um die Genauigkeitsanforderungen in relevanten Fernerkundungsszenen zu erfüllen, analysieren wir theoretisch den Umwandlungsfehler und schlagen eine gewichtete Normalisierung der Selbstabnahme des Kanals vor, um eine übermäßige Neuronenaktivierung zu beseitigen. Das vorgeschlagene Modell zur Erkennung von Objekten in Fernerkundungsbildern heißt S3Det. Basierend auf Experimenten mit einem großen offenen Fernerkundungsdatensatz erreicht S3Det eine ähnliche Genauigkeit wie ANN. Gleichzeitig beträgt die Dichte unseres Umwandlungsnetzes 24,32% des Originalalgorithmus; der Energieverbrauch beträgt nur 1,46 W, was 1/122 des Originalalgorithmus entspricht.

Fernerkundungsbild; Objekterkennung; Spiking-Neuronale Netzwerke (SNNs); Schnelles Erkennen von Pulssequenzen (SSRS); Gewichtete Normalisierung der Selbstabnahme des Kanals (CSWN)