Искусственные нейронные сети (ANN) достигли значительного прогресса в задаче обнаружения объектов на изображениях дистанционного зондирования. Однако низкая эффективность обнаружения и высокое энергопотребление остаются важными узкими местами в области дистанционного зондирования. Спайковые нейронные сети (SNN) обрабатывают информацию в виде разреженных импульсов, обеспечивая высокую энергоэффективность для задач компьютерного зрения. Тем не менее, большинство исследований сосредоточено на простых задачах классификации, и лишь немногие применяют их для обнаружения объектов в естественных изображениях. В этой работе, учитывая упрощенные характеристики биологического мозга, предложен метод быстрой конверсии искусственно-спайковых нейронных сетей для обнаружения объектов на изображениях дистанционного зондирования. Быстрый разреженный модельный подход основан на групповой разреженности признаков для восприятия последовательности импульсов, а также выполнена разреженная повторная дискретизация в преобразованной области исходного изображения для быстрого восприятия признаков изображения и кодированной последовательности импульсов. Кроме того, для удовлетворения требований точности в соответствующих сценариях дистанционного зондирования проведен теоретический анализ ошибок преобразования и предложен метод канального самозатухающего взвешенного нормализации для устранения чрезмерной активации нейронов. Предложенная модель обнаружения объектов на изображениях дистанционного зондирования называется S3Det. Эксперименты на крупном открытом наборе данных дистанционного зондирования показывают, что S3Det достигает точности, сопоставимой с ANN. При этом разреженность нашей преобразовательной сети составляет 24,32% от исходного алгоритма; энергопотребление всего 1,46 Вт, что составляет 1/122 от исходного алгоритма.

изображения дистанционного зондирования;обнаружение объектов;спайковые нейронные сети (SNN);быстрое восприятие последовательности импульсов;самозатухающая канальная нормализация