As redes neurais artificiais (ANN) alcançaram avanços significativos na detecção de objetos em imagens de sensoriamento remoto. No entanto, a baixa eficiência de detecção e o alto consumo de energia têm sido gargalos importantes nessa área. As redes neurais pulsantes (SNN) processam informações na forma de pulsos esparsos, trazendo vantagens de alta eficiência para tarefas de visão computacional. Contudo, a maior parte das pesquisas concentra-se em tarefas simples de classificação, e poucos pesquisadores as aplicaram à detecção de objetos em imagens naturais. Neste artigo, considerando as características simplificadas do cérebro biológico, propomos um método rápido de conversão de redes neurais artificiais-pulsantes para detecção rápida de objetos em imagens de sensoriamento remoto. Um modelo esparso rápido baseado em características esparsas em grupos foi construído para percepção da sequência de pulsos, e foi realizada uma reamostragem esparsa no domínio transformado da imagem original para perceber rapidamente as características da imagem e a sequência codificada de pulsos. Além disso, para atender aos requisitos de precisão nos cenários relevantes de sensoriamento remoto, analisamos teoricamente o erro de conversão e propusemos um método de normalização ponderada com autoatenuação de canais para eliminar a ativação excessiva dos neurônios. O modelo proposto para detecção de objetos em imagens de sensoriamento remoto é denominado S3Det. Experimentos baseados em uma grande base de dados pública de sensoriamento remoto mostram que o S3Det atinge precisão semelhante à da ANN. Ao mesmo tempo, a esparsidade da nossa rede de conversão é de 24,32% do algoritmo original; o consumo de energia é de apenas 1,46 W, equivalendo a 1/122 do algoritmo original.

imagens de sensoriamento remoto;detecção de objetos;redes neurais pulsantes (SNN);percepção rápida de sequências de pulsos;normalização ponderada com autoatenuação de canais