Las redes neuronales artificiales (ANN) han logrado avances significativos en la detección de objetos en imágenes de teledetección. Sin embargo, la baja eficiencia de detección y el alto consumo de energía siguen siendo importantes obstáculos en el campo de la teledetección. Las redes neuronales de pulsos (SNN) procesan información en forma de pulsos dispersos, lo que aporta una alta ventaja en eficiencia para tareas de visión por computadora. Sin embargo, la mayoría de las investigaciones se han centrado únicamente en tareas simples de clasificación, y solo unos pocos investigadores las han aplicado a la detección de objetos en imágenes naturales. Teniendo en cuenta la simplicidad del cerebro biológico, proponemos un método de conversión rápida de la red neuronal artificial - pulsátil para la detección de imágenes de teledetección. Basado en una característica de agrupación dispersa para construir un modelo rápido y disperso para la percepción de secuencia de pulsos y la codificación de la imagen original en el dominio de la conversión de pulsos, asegurando una percepción rápida de las características de la imagen y la codificación de la secuencia de pulsos. Además, para satisfacer los requisitos de precisión en escenas relevantes de teledetección, analizamos teóricamente el error de conversión, proponiendo un método de normalización ponderada de la auto-degradación del canal para eliminar una excitación excesiva de las neuronas. El modelo de detección de objetos en imágenes de teledetección propuesto se llama S3Det. Sobre la base de experimentos utilizando un gran conjunto de datos de teledetección abiertos, S3Det logra una precisión similar a la de ANN. Al mismo tiempo, la densidad de nuestra red de conversión es del 24.32% del algoritmo original; el consumo de energía es solo de 1.46 W, lo que equivale a 1/122 del algoritmo original.

Imagen de teledetección; Detección de objetos; Redes neuronales de pulsos (SNNs); Percepción rápida de secuencia de pulsos (SSRS); Normalización ponderada de la auto-degradación del canal (CSWN)