人工智能技术已广泛应用于目标检测、环境监测、矿物勘探等领域,尤其是遥感图像目标检测,具有数据量大、特征维数高、计算复杂度高的特点,其高精度实时目标检测与识别需求对无人机、卫星等部署平台的人工智能芯片提出了极大的算力与功耗挑战,亟需新型人工智能技术突破上述挑战。
针对上述挑战,中国科学院微电子研究所乔树山研究员团队提出了压缩感知下多波段图像信息有限分布理论(Restricted Distribution Property),该理论允许在不重建图像的情况下,保留数据中的重要判别信息。基于该理论,团队提出了基于Kullback-Leibler(KL)散度的光谱特征评价体系,以及广义协方差保留特性(Sample Covariance Preservation)。团队开发出基于Triplet Transformer的人工智能目标检测算法,实现无需重建的快速目标识别。相比于传统的快照式成像平台上的处理,团队提出的压缩感知域目标检测方法最多取得了21.1倍的延迟降低,90%的图像特征维度降低以及0.9998以上的AUC(P_d,P_f)。该研究使得在不需要复杂数据重建的情况下实现实时检测成为可能,对于算力与功耗受限的目标检测与识别具有重要意义。
基于上述研究成果的论文“Compressive Hyperspectral Target Detection With Restricted Distribution Property”(DOI: 10.1109/TGRS.2024.3392847),与“CS-TTD: Triplet Transformer for Compressive Hyperspectral Target Detection”(10.1109/TGRS.2024.3436084),均发表在中国科学院一区期刊IEEE Transactions on Geoscience and Remote Sensing。微电子所硕士研究生杨清耀两篇文章的第一作者,微电子所王晓琴研究员为通讯作者。
图 1.基于Triplet Transformer的压缩感知域目标检测
图 2. (a) AVIRIS伪彩色图像与目标检测结果;(b) 压缩感知域下ROC曲线
