???人工智能技術已廣泛應用于目標檢測、環境監測、礦物勘探等領域，尤其是遙感圖像目標檢測，具有數據量大、特征維數高、計算復雜度高的特點，其高精度實時目標檢測與識別需求對無人機、衛星等部署平臺的人工智能芯片提出了極大的算力與功耗挑戰，亟需新型人工智能技術突破上述挑戰。
?????針對上述挑戰，中國科學院微電子研究所喬樹山研究員團隊提出了壓縮感知下多波段圖像信息有限分布理論（Restricted Distribution Property），該理論允許在不重建圖像的情況下，保留數據中的重要判別信息。基于該理論，團隊提出了基于Kullback-Leibler（KL）散度的光譜特征評價體系，以及廣義協方差保留特性（Sample Covariance Preservation）。團隊開發出基于Triplet Transformer的人工智能目標檢測算法，實現無需重建的快速目標識別。相比于傳統的快照式成像平臺上的處理，團隊提出的壓縮感知域目標檢測方法最多取得了21.1倍的延遲降低，90%的圖像特征維度降低以及0.9998以上的AUC(P_d,P_f)。該研究使得在不需要復雜數據重建的情況下實現實時檢測成為可能，對于算力與功耗受限的目標檢測與識別具有重要意義。
????基于上述研究成果的論文“Compressive Hyperspectral Target Detection With Restricted Distribution Property”（DOI: 10.1109/TGRS.2024.3392847），與“CS-TTD: Triplet Transformer for Compressive Hyperspectral Target Detection”（10.1109/TGRS.2024.3436084），均發表在中國科學院一區期刊IEEE Transactions on Geoscience and Remote Sensing。微電子所碩士研究生楊清耀兩篇文章的第一作者，微電子所王曉琴研究員為通訊作者。
圖 1.基于Triplet Transformer的壓縮感知域目標檢測
圖 2. (a) AVIRIS偽彩色圖像與目標檢測結果；(b) 壓縮感知域下ROC曲線?
綜合信息