人工ニューラルネットワーク（ANN）はリモートセンシング画像の物体検出において顕著な進展を遂げました。しかし、低い検出効率と高い消費電力はリモートセンシング分野における重要なボトルネックとなっています。スパイクニューラルネットワーク（SNN）はまばらなスパイクの形で情報を処理し、コンピュータビジョンタスクにおいて高い効率性の利点をもたらします。しかし、大部分の研究は単純な分類タスクに集中しており、自然画像の物体検出に応用した研究はごく少数です。本論文は生物脳の簡素な特性を考慮し、人工-スパイクニューラルネットワークの高速変換方法を提案し、リモートセンシング画像検出に応用します。群グループのまばらな特徴に基づき高速まばらモデルを構築してスパイク系列の認識を行い、元画像の変換領域内でまばらな再サンプリングを実施して画像特徴と符号化されたスパイク系列を迅速に認識します。さらに、関連するリモートセンシングシナリオの精度要件を満たすため、変換誤差を理論的に分析し、ニューロンの過剰活性化を除去するためのチャネル自己減衰加重正規化法を提案しました。提案するリモートセンシング画像物体検出モデルはS3Detと呼ばれます。大規模な公開リモートセンシングデータセットに基づく実験により、S3DetはANNに匹敵する精度を達成しました。同時に、変換ネットワークのスパース度は元のアルゴリズムの24.32%、消費電力は1.46 Wで元のアルゴリズムの1/122です。

リモートセンシング画像;物体検出;スパイクニューラルネットワーク（SNN）;スパイク系列の高速認識;チャネル自己減衰正規化