danДоклады Национальной академии наук БеларусиDoklady of the National Academy of Sciences of Belarus1561-83232524-2431The Republican Unitary Enterprise Publishing House "Belaruskaya Navuka"10.29235/1561-8323-2026-70-4-286-295dan-1320Research ArticleИНФОРМАТИКАINFORMATICSSpikeYOLO-Boost: импульсная нейронная сеть для обнаружения объектов на изображениях дистанционного зондирования земли на основе механизма вниманияSpikeYOLO-Boost: a spiking neural network for remote sensing object detection based on an attention mechanismhttps://orcid.org/0009-0003-6976-5386WuXianyiWuXianyi

Xianyi Wu – аспирант 

пр-т Независимости, 4, 220030, Минск 

Xianyi Wu – Postgraduate Student 

4, Nezavisimosti Ave., 220030, Minsk 

tigerv5872@gmail.comhttps://orcid.org/0009-0006-2355-047XWangGuoyanWangGuoyan

Guoyan Wang – кандидат наук, преподаватель 

137, Yanwachi Str., Changsha, Hunan, 410073 

Guoyan Wang – Ph. D., Lecturer 

137, Yanwachi Str., Changsha, Hunan, 410073 

wangguoyan@nudt.edu.cnhttps://orcid.org/0000-0001-9404-1206АбламейкоС. В.AblameykoS. V.

Абламейко Сергей В. – академик, д-р физ.-мат. наук, профессор 

пр-т Независимости, 4, 220030, Минск 

Ablameyko Sergey V. – Academician, D. Sc. (Physics and Mathematics), Professor

4, Nezavisimosti Ave., 220030, Minsk 

ablameyko@bsu.byhttps://orcid.org/0009-0004-4320-5214LiuBingYanLiuBingYan

BingYan Liu – кандидат наук 

201, Daehak-ro, Chubumyeon, Geumsan-gun, Chungcheongnam-do, 32713 

BingYan Liu – Ph. D.  

201, Daehak-ro, Chubumyeon, Geumsan-gun, Chungcheongnam-do, 32713, Republic of Korea 

1iuby1349@gmail.comБелорусский государственный университетБеларусьBelarusian State UniversityBelarusНациональная ключевая лаборатория по ATR, Национальный университет оборонных технологийКитайNational Key Laboratory on ATR, National University of Defense TechnologyChinaУниверситет ЧжунбуРоссияJoongbu UniversityRussian Federation202629082026704286295Copyright © Wu X., Wang G., Абламейко С.В., Liu B., 20262026Wu X., Wang G., Абламейко С.В., Liu B.Wu X., Wang G., Ablameyko S.V., Liu B.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://doklady.belnauka.by/jour/article/view/1320

Традиционные сверточные нейронные сети отличаются чрезмерным энергопотреблением, что ограничивает их развертывание на периферийных устройствах для обнаружения объектов на изображениях дистанционного зондирования Земли. Нейроморфные импульсные нейронные сети (ИНС) обладают биологической правдоподобностью и низким энергопотреблением, вместе с тем их производительность в задачах обнаружения объектов все еще уступает основным моделям, особенно в сложных сценах дистанционного зондирования, характеризующихся большим разнообразием масштабов, зашумленным фоном и плотно расположенными мелкими объектами. Предлагаются подходы повышения эффективности ИНС для обнаружения объектов на изображениях дистанционного зондирования, а также новая модель SpikeYOLO-Boost. Во-первых, разработан гибридный импульсный модуль SpikeBoT3, формирующий двухпутевой механизм глобального моделирования в импульсной области. Во-вторых, предложен импульсный механизм канального внимания SpikeSEAttention, использующий временное усреднение для усиления канальных признаков в импульсной области, что повышает качество слияния признаков и робастность модели.

Traditional convolutional neural networks suffer from excessive energy consumption, which restricts their edge deployment for object detection in remote sensing images. Brain-inspired spiking neural networks (SNNs) offer biological plausibility and low-power advantages. At present, the performance of SNNs on object detection tasks still trails behind mainstream models, particularly in complex remote sensing scenes characterized by large-scale variations, cluttered backgrounds, and dense small objects. In this paper, we aim to improve the performance of SNNs for object detection in remote sensing images. We propose the SpikeYOLO-Boost framework. First, we design the SpikeBoT3 spiking hybrid backbone module, which establishes a dual-path global modeling mechanism in the spike domain. Then, we design the SpikeSEAttention spiking channel attention mechanism, which leverages temporal average pooling to achieve channel-wise enhancement in the spike domain, thereby improving feature fusion and robustness.

импульсные нейронные сетиобнаружение объектов на снимках ДЗЗмеханизм вниманияслияние признаковspiking neural networksremote sensing image object detectionattention mechanismfeature fusionReferencesWang Z., Fang Q., Han D. Research progress of on-orbit intelligent processing technology for imaging satellites. Journal of Astronautics, 2022, vol. 43, no. 3, pp. 259–270 (in Chinese). https://doi.org/10.3873/j.issn.1000-1328.2022.03.001Wang Z., Fang Q., Han D. Research progress of on-orbit intelligent processing technology for imaging satellites. Journal of Astronautics, 2022, vol. 43, no. 3, pp. 259–270 (in Chinese). https://doi.org/10.3873/j.issn.1000-1328.2022.03.001Cheng L., Liu X., Li L., Jiao L., Tang X. Deep adaptive proposal network for object detection in optical remote sensing images. arXiv, 2018. https://doi.org/10.48550/arXiv.1807.07327Cheng L., Liu X., Li L., Jiao L., Tang X. Deep adaptive proposal network for object detection in optical remote sensing images. arXiv, 2018. https://doi.org/10.48550/arXiv.1807.07327Li Y., Wang M., Hwang K., Li Z., Ji T. LEO satellite constellation for global-scale remote sensing with on-orbit cloud AI computing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2023, vol. 16, pp. 9369– 9381. https://doi.org/10.1109/JSTARS.2023.3316298Li Y., Wang M., Hwang K., Li Z., Ji T. LEO satellite constellation for global-scale remote sensing with on-orbit cloud AI computing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2023, vol. 16, pp. 9369– 9381. https://doi.org/10.1109/JSTARS.2023.3316298Cai C., Zhu Y., Sheng M., Li J., Shi Y., Zhou D., Xie Z., Zhang C. 3C resources joint allocation for time-deterministic remote sensing image backhaul in the space-ground integrated network. arXiv, 2025. https://doi.org/10.48550/arXiv.2510.09409Cai C., Zhu Y., Sheng M., Li J., Shi Y., Zhou D., Xie Z., Zhang C. 3C resources joint allocation for time-deterministic remote sensing image backhaul in the space-ground integrated network. arXiv, 2025. https://doi.org/10.48550/arXiv.2510.09409Luo X., Yao M., Chou Y., Xu B., Li G. Integer-valued training and spike-driven inference spiking neural network for high-performance and energy-efficient object detection. arXiv, 2025. https://doi.org/10.48550/arXiv.2407.20708Luo X., Yao M., Chou Y., Xu B., Li G. Integer-valued training and spike-driven inference spiking neural network for high-performance and energy-efficient object detection. arXiv, 2025. https://doi.org/10.48550/arXiv.2407.20708Xiao Y., Yuan Q., Jiang K., Huang W., Zhang Q., Zheng T., Lin C.-W., Zhang L. Spiking meets attention: Efficient remote sensing image super-resolution with attention spiking neural networks. arXiv, 2025. https://doi.org/10.48550/arXiv.2503.04223Xiao Y., Yuan Q., Jiang K., Huang W., Zhang Q., Zheng T., Lin C.-W., Zhang L. Spiking meets attention: Efficient remote sensing image super-resolution with attention spiking neural networks. arXiv, 2025. https://doi.org/10.48550/arXiv.2503.04223Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A. N., Kaiser Ł., Polosukhin I. Attention is all you need. arXiv, 2023. https://doi.org/10.48550/arXiv.1706.03762Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A. N., Kaiser Ł., Polosukhin I. Attention is all you need. arXiv, 2023. https://doi.org/10.48550/arXiv.1706.03762Srinivas A., Lin T.-Y., Parmar N., Shlens J., Abbeel P., Vaswani A. Bottleneck transformers for visual recognition. arXiv, 2021. https://doi.org/10.48550/arXiv.2101.11605Srinivas A., Lin T.-Y., Parmar N., Shlens J., Abbeel P., Vaswani A. Bottleneck transformers for visual recognition. arXiv, 2021. https://doi.org/10.48550/arXiv.2101.11605Hu J., Shen L., Albanie S., Sun G., Wu E. Squeeze-and-Excitation networks. arXiv, 2019. https://doi.org/10.48550/arXiv.1709.01507Hu J., Shen L., Albanie S., Sun G., Wu E. Squeeze-and-Excitation networks. arXiv, 2019. https://doi.org/10.48550/arXiv.1709.01507Long Y., Gong Y., Xiao Z., Liu Q. Accurate object localization in remote sensing images based on convolutional neural networks. IEEE Transactions on Geoscience and Remote Sensing, 2017, vol. 55, no. 5, pp. 2486–2498. https://doi.org/10.1109/TGRS.2016.2645610Long Y., Gong Y., Xiao Z., Liu Q. Accurate object localization in remote sensing images based on convolutional neural networks. IEEE Transactions on Geoscience and Remote Sensing, 2017, vol. 55, no. 5, pp. 2486–2498. https://doi.org/10.1109/TGRS.2016.2645610Xiao Z., Liu Q., Tang G., Zhai X. Elliptic Fourier transformation-based histograms of oriented gradients for rota­ tionally invariant object detection in remote-sensing images. International Journal of Remote Sensing, 2015, vol. 36, no. 2, pp. 618–644. https://doi.org/10.1080/01431161.2014.999881Xiao Z., Liu Q., Tang G., Zhai X. Elliptic Fourier transformation-based histograms of oriented gradients for rota­ tionally invariant object detection in remote-sensing images. International Journal of Remote Sensing, 2015, vol. 36, no. 2, pp. 618–644. https://doi.org/10.1080/01431161.2014.999881Panda P., Aketi S. A., Roy K. Toward scalable, efficient, and accurate deep spiking neural networks with backward residual connections, stochastic softmax, and hybridization. Frontiers in Neuroscience, 2020, vol. 14, art. 653. https://doi.org/10.3389/fnins.2020.00653Panda P., Aketi S. A., Roy K. Toward scalable, efficient, and accurate deep spiking neural networks with backward residual connections, stochastic softmax, and hybridization. Frontiers in Neuroscience, 2020, vol. 14, art. 653. https://doi.org/10.3389/fnins.2020.00653Horowitz M. 1.1 computing’s energy problem (and what we can do about it). IEEE International Solid-State Circuits Conference Digest of Technical Papers (ISSCC), San Francisco, 2014, pp. 10–14. https://doi.org/10.1109/isscc.2014.6757323Horowitz M. 1.1 computing’s energy problem (and what we can do about it). IEEE International Solid-State Circuits Conference Digest of Technical Papers (ISSCC), San Francisco, 2014, pp. 10–14. https://doi.org/10.1109/isscc.2014.6757323

The authors declare that there are no conflicts of interest present.