S3Det : un modèle de détection rapide d'objets sur image de télédétection basé sur le réseau neuronal artificiel - impulsionnel

Li CHEN ,  

Fan ZHANG ,  

Guangwei XIE ,  

Yanzhao GAO ,  

Xiaofeng QI ,  

Mingqian SUN ,  

Abstract

Les réseaux neuronaux artificiels (ANN) ont fait des progrès importants dans la détection d'objets sur les images de télédétection. Cependant, l'efficacité de détection faible et la consommation d'énergie élevée restent des obstacles importants dans le domaine de la télédétection. Les réseaux neuronaux à impulsions (SNN) traitent l'information sous forme d'impulsions clairsemées, apportant un avantage d'efficacité énergétique élevée pour les tâches de vision par ordinateur. Cependant, la plupart des recherches se sont concentrées uniquement sur des tâches de catégorisation simples, et seuls quelques chercheurs les ont appliquées à la détection d'objets sur des images naturelles. Tenant compte de la simplicité du cerveau biologique, nous proposons une méthode de conversion rapide du réseau neuronal artificiel - impulsionnel pour la détection d'images de télédétection. Basée sur une caractéristique de groupement clairsemée pour construire un modèle rapide et clairseme pour la perception de séquence d'impulsions et le codage de l'image d'origine dans le domaine de la conversion d'impulsions, assurant une perception rapide des caractéristiques de l'image et du codage de la séquence d'impulsions. De plus, afin de répondre aux exigences de précision dans les scènes de télédétection pertinentes, nous analysons théoriquement l'erreur de conversion, en proposant une méthode de normalisation pondérée de l'auto-décroissance du canal pour éliminer une excitation excessive des neurones. Le modèle de détection d'objets sur image de télédétection proposé est appelé S3Det. Sur la base d'expériences utilisant un grand ensemble de données de télédétection ouvert, S3Det atteint une précision similaire à celle de ANN. En même temps, la densité de notre réseau de conversion est de 24,32% de l'algorithme d'origine; la consommation d'énergie est seulement de 1,46 W, ce qui équivaut à 1/122 de l'algorithme d'origine.

Keywords

Image de télédétection; Détection d'objets; Réseaux neuronaux impulsionnels (SNNs); Perception rapide de séquence d'impulsions (SSRS); Normalisation pondérée de l'auto-décroissance du canal (CSWN)

READ MORE