SpikeYOLO-Boost: импульсная нейронная сеть для обнаружения объектов на изображениях дистанционного зондирования земли на основе механизма внимания

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.

1. Wang 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.1000-1328.2022.03.001

2. Cheng 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.1807.07327

3. Li 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.2023.3316298

4. Cai 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.2510.09409

5. Luo 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.2407.20708

6. Xiao 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.2503.04223

7. Vaswani 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.1706.03762

8. Srinivas 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.2101.11605

9. Hu J., Shen L., Albanie S., Sun G., Wu E. Squeeze-and-Excitation networks. arXiv, 2019. https://doi.org/10.48550/arXiv.1709.01507

10. Long 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.2016.2645610

11. Xiao 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/10.1080/01431161.2014.999881

12. Panda 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.2020.00653

13. Horowitz 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