Künstliche neuronale Netze (ANN) haben bedeutende Fortschritte bei der Objekterkennung in Fernerkundungsbildern erzielt. Dennoch sind niedrige Erkennungseffizienz und hoher Energieverbrauch wichtige Engpässe im Bereich der Fernerkundung. Spikende neuronale Netze (SNN) verarbeiten Informationen in Form von sparsamen Impulsen und bieten so Energieeffizienzvorteile für Computer-Vision-Aufgaben. Die meisten Forschungsarbeiten konzentrieren sich jedoch auf einfache Klassifikationsaufgaben, und nur wenige Forscher haben sie für die Objekterkennung in natürlichen Bildern angewandt. Dieser Artikel berücksichtigt die vereinfachten Eigenschaften des biologischen Gehirns und schlägt eine schnelle Konvertierungsmethode für künstlich-spikende neuronale Netze zur Fernerkundungsbildobjekterkennung vor. Auf Basis gruppensparsamer Merkmale wurde ein schnelles sparsames Modell zur Wahrnehmung von Impulsfolgen erstellt und eine sparsame Neuabtastung im transformierten Bereich des Originalbildes durchgeführt, um Bildmerkmale und die codierte Impulsfolge schnell wahrzunehmen. Darüber hinaus wurde zur Erfüllung der Präzisionsanforderungen in relevanten Fernerkundungsszenarien eine theoretische Analyse der Konvertierungsfehler durchgeführt und eine kanalbasierte selbstabschwächende gewichtete Normalisierungsmethode vorgeschlagen, um eine Überaktivierung von Neuronen zu vermeiden. Das vorgeschlagene Fernerkundungsbild-Objekterkennungsmodell wird S3Det genannt. Experimente auf einem großen öffentlichen Fernerkundungsdatensatz zeigen, dass S3Det eine ähnliche Genauigkeit wie ANN erreicht. Gleichzeitig beträgt die Sparsamkeit unseres Konvertierungsnetzwerks 24,32 % des ursprünglichen Algorithmus; der Energieverbrauch liegt bei nur 1,46 W, was 1/122 des ursprünglichen Algorithmus entspricht.

Fernerkundungsbilder;Objekterkennung;spikende neuronale Netze (SNN);schnelle Wahrnehmung von Impulsfolgen;selbstabschwächende gewichtete Normalisierung der Kanäle