S3Det : un modèle rapide de détection d'objets sur images de télédétection basé sur la conversion de réseaux artificiels-à-impulsions

Li CHEN ,  

Fan ZHANG ,  

Guangwei XIE ,  

Yanzhao GAO ,  

Xiaofeng QI ,  

Mingqian SUN ,  

Abstract

Les réseaux de neurones artificiels (ANN) ont réalisé des progrès significatifs dans la détection d'objets sur les images de télédétection. Cependant, une faible efficacité de détection et une consommation énergétique élevée restent des obstacles majeurs dans ce domaine. Les réseaux de neurones à impulsions (SNN) traitent l'information sous forme d'impulsions sporadiques, offrant des avantages d'efficacité énergétique pour les tâches de vision par ordinateur. Toutefois, la plupart des recherches se concentrent sur des tâches de classification simples, et seuls quelques chercheurs les appliquent à la détection d'objets sur des images naturelles. Cet article, tenant compte des caractéristiques épurées du cerveau biologique, propose une méthode de conversion rapide d'un réseau artificiel-à-impulsions pour la détection rapide d'objets sur les images de télédétection. Un modèle parcimonieux rapide est construit à partir de caractéristiques groupées éparses pour percevoir la séquence d'impulsions, et un rééchantillonnage parcimonieux dans le domaine transformé est effectué sur l'image originale afin de percevoir rapidement les caractéristiques de l'image et la séquence codée d'impulsions. En outre, afin de répondre aux exigences de précision dans les scénarios pertinents de télédétection, une analyse théorique des erreurs de conversion est réalisée, et une méthode de normalisation pondérée auto-atténuante des canaux est proposée pour éliminer la suractivation des neurones. Le modèle proposé pour la détection d'objets sur les images de télédétection est nommé S3Det. Les expériences basées sur un grand ensemble de données publiques de télédétection montrent que S3Det atteint une précision similaire à celle des ANN. Par ailleurs, la parcimonie de notre réseau de conversion est de 24,32 % de l'algorithme original; la consommation d'énergie n'est que de 1,46 W, soit 1/122 de celle de l'algorithme original.

Keywords

images de télédétection;détection d'objets;réseaux de neurones à impulsions (SNN);perception rapide des séquences d'impulsions;normalisation auto-atténuante pondérée des canaux

READ MORE