成像衛星在軌智能處理技術研究進展

王兆魁，方青云，韓大鵬

(清華大學航天航空學院，北京 100084)

0 引 言

近年來，隨著遙感技術快速發展，一大批高分辨率、低重訪周期的成像衛星不斷涌現，能力不斷增強，在應用衛星中的地位日益凸顯。目前，遙感技術已經廣泛應用到港口與機場流量監測、交通監控與疏導、城市規劃與建設等眾多領域。然而，在火災監測報警、海上目標搜救和火山、地震自然災害評估等重大緊急任務中，采用地面離線處理星上傳回數據的方法，耗時長久，會耽誤抗震救災、人員搜救的黃金時間，因此星上在線處理將成為未來遙感技術的重要發展方向。利用人工智能(AI)技術，使成像衛星具備在軌自主判斷態勢、識別對象、實現處理與決策的能力并及時將有效信息傳回地面是完全可能的。

人工智能的目的就是讓機器也能夠像人一樣思考，去完成以往需要人的智力參與的任務，把人類從簡單、重復、枯燥和危險的工作中解放出來。近年來，大數據技術、高性能處理器的出現，特別是圖形處理器(Graphics processing unit,GPU) 的不斷優化升級，使得以深度學習為代表的新一代人工智能所需的海量訓練樣本集和大算力的硬件計算平臺得到滿足。深度學習是機器學習領域中一個新的研究方向，相比于傳統以特征工程和模板匹配為代表的機器學習而言，深度學習能通過復雜的網絡結構自動學習樣本數據的內在規律和表征層次。在這些學習過程中獲得的特征、信息,對諸如文字，圖像和聲音等數據的解釋有很大的幫助，并且效果遠超之前的相關技術。這使得深度學習在計算機視覺、機器翻譯、自然語言處理、數據挖掘、博弈決策生成等領域中開始接近或超越人類，具備了初步的感知和學習能力。在計算機視覺領域，2012年AlexNet以絕對優勢獲取當年ImageNet LSVRC分類挑戰賽的冠軍，引發了學術界和工業界對卷積神經網絡研究的浪潮，此后網絡不斷變“深”變“寬”。2015年微軟提出的152層深度殘差網絡ResNet在分類挑戰賽中取得了錯誤率3.57%的成績，首次超過了專業人員在ImageNet數據集上錯誤率5.1%的成績。

航天領域是人工智能技術應用最前沿也最具挑戰的領域之一。比如，美國好奇號火星車通過車載化學相機、導航攝像機以及智能軟件AEGIS就能獨立完成尋找巖石、土壤樣本的任務，從而解決了因距離太遠造成的指令時間等待漫長的問題。中國嫦娥五號探測器通過人工智能技術對月球著陸點進行自主選擇，在其軟著陸過程中，探測器會一直對著陸地點進行掃描，計算分析是否安全，并做出判斷和決策。根據航天器的智能化水平大致可以將其分為人工操作、自動化、有人地面智能推理、無人地面智能推理、在軌智能推理、自主思考六個階段。目前大多數航天器的智能化水平處于其中第二至第四階段，處于這幾個階段的航天器通常需要通過地面向其發送任務指令再開始工作，工作完成后衛星將信息傳回地面，最后地面再進行分析、處理和回應。

對于成像衛星來說，傳統地面參與的方式響應慢、時效性差，特別是對于災害救援、突發事件監控等緊急的任務。利用在軌智能技術，成像衛星在星上就可以在線識別特定目標，其中對于一些重要目標可以實時傳送包括成像時刻、目標經緯度、目標大小、目標屬性、速度以及方向等高價值信息，可以讓地面做出快速的應對措施。

近年來，世界各國的航天團隊都在向第五階段在軌智能推理努力。2020年9月，歐空局、英特爾公司和西班牙加泰羅尼亞理工大學合作研制的歐洲第一顆AI地球觀測衛星PhiSat-1成功發射。PhiSat-1衛星上裝備了一合新型高光譜熱像儀HyperScout-2，并借助英特爾的嵌入式AI加速器Movidius Myriad 2來進行成像判云操作，相比原來節約了30%的下行帶寬，顯著降低了鏈路成本，同時節省了地面人員大量無效處理時間。2019年12月，美國洛克希德-馬丁公司設計的智能衛星“小馬快車1號” (Pony Express 1)成功發射，目前該衛星正在開展在軌試驗，測試包括軟件定義任務、多核處理器工作性能及先進衛星網絡通信技術等。洛克希德-馬丁公司還計劃利用大量智能衛星搭建空間云計算平臺以實現空間網狀網絡通信。

國內眾多高校和研究所也正在開展在軌智能有關研究工作。長光衛星技術有限公司發射的“吉林一號”光譜01和02星已經開展了艦船、飛機等目標的在軌智能識別與和監測驗證;中科院軟件所發射的“天智一號”軟件定義試驗衛星進行了云判讀、高性能計算、軟件重構等多項在軌處理技術的驗證。

1 成像衛星在軌智能處理的主要技術難點

星上處理與地面處理相比，最大的難點在于計算資源受到衛星體積、質量、能源及成本的限制。這些限制對星上智能處理技術的推廣實現提出了更加苛刻的要求。因此，需要在保證核心任務的情況下，根據其他任務的重要性進行定量分析，從而對在軌智能處理資源進行合理的設計與分配。

具體而言，目前成像衛星在軌智能的限制主要體現在以下四個方面：

1)星上計算資源與衛星質量、功耗之間存在矛盾。受到衛星質量和功耗的限制，星上處理單元無法像地面一樣使用大功率、高性能的處理器。有限的計算能力會限制星上圖像分類、目標檢測等智能處理算法的準確率和實時性。

2)智能算法仍存在挑戰。成像衛星智能處理算法雖然近些年取得了令人矚目的進步，但目前在軌智能還有一些挑戰需要克服，比如遙感小目標識別、實時性和多源信息融合等。

3)缺少大規模數據集。相比通用自然圖像數據集，目前公開遙感數據集規模都偏小，并且遙感圖像的背景復雜度遠遠大于自然圖像。大規模數據集的缺少會降低算法的魯棒性，使其不能在突發情況下進行準確判斷，比如雨雪、大霧以及光線偏弱等較為惡劣拍攝環境。

4)高效能在軌計算平臺設計困難。設計在軌智能計算平臺需要在小功率下獲得大算力，還要應對高低溫等空間環境，因而高效能的在軌計算平臺設計是一項艱巨的任務。

總之，成像衛星在軌數據實時處理面臨數據量巨大、實時性要求高、智能算法復雜、星上資源少、算力弱的挑戰，高低溫、熱真空、強輻射等空間環境特性也會造成一定的困難。此外,諸如智能算法與硬件平臺的適配問題也亟需解決。硬件優化加速主要針對的是一些通用型的神經網絡，而經過軟件算法優化的網絡，其結構會發生一定的變化，使其無法充分利用硬件加速庫。

2 成像衛星智能處理算法研究進展

圖像分類和目標檢測作為計算機視覺領域內的兩個重要方向，隨著深度學習技術的快速發展，特別是深度卷積神經網絡的出現，取得了突破性的進展。其中，目標檢測的任務難度要大于圖像分類，其算法復雜度也普遍偏大。這兩類視覺任務共同的核心關鍵是特征提取，而深度學習能通過復雜的網絡結構和海量的數據，自動學習出最有效的特征，從而避免了傳統方法特征人工設計耗時久、泛化性差的缺點。

2.1 圖像分類

圖像分類算法在成像衛星應用中主要用于場景分類。場景分類任務即給定一張圖，判斷其類別，比如機場、港口、河流、森林、建筑用地等。目前場景分類一般用于國土資源監測、農作物測收、森林覆蓋率統計等。

光學遙感圖像場景分類常用的數據集包括UC Merced，Functional Map of the World(fMoW)，BigEarthNet等。其中UC Merced數據集是第一個公開的用于高分辨率遙感圖像場景分類的數據集。相比現在的數據集，該數據集規模偏小且缺少圖像變化和多樣性。fMoW數據集提供63個細粒度類別，并包含來自200多個國家/地區的超過100萬張圖像。

表1統計了目前用于場景分類的數據集，提供了包括場景類別數、每類的圖片數量、數據集規模、圖像空間分辨率、圖像尺寸和數據集發表年份的信息。

表1 場景分類數據集統計Table 1 Image classification data sets

目前，深度卷積神經網絡已經在大型自然圖像數據集上取得了一系列令人矚目的成果。經過預訓練的卷積神經網絡具備強大的泛化能力，因而可遷移到圖像場景分類用途。比如將VGG、GoogleNet等深度卷積神經網絡應用于光學遙感圖像場景分類。采用深度學習與機器學習相結合的方式，利用網絡學習得到深度特征，并利用傳統學習方法中的支持向量機、極限學習機等完成分類任務，最終實現場景的高精度分類。上述兩者都是基于單一網絡的深度特征完成的，還可通過融合多個網絡的深度特征，增加融合特征的信息，進而提高分類性能。

2.2 目標檢測

目標檢測是成像衛星應用中最為重要技術之一，它是指利用算法搜索到興趣目標并標記其類別，主要包括飛機、艦船、車輛、建筑物和橋梁等。目標檢測在城市規劃、災害檢測、丟失船只搜尋等領域有著廣泛的作用。同時,近年來高分辨率成像技術迅猛發展，WorldView系列、高分系列等成像衛星相繼發射，海量的高分辨圖像為遙感目標檢測技術發展帶來了新的機遇和挑戰。

目前，已經有一大批公開的遙感目標檢測數據集，它們是目標檢測發展的重要基石，同時更大、更具挑戰性的數據集的出現也推動了目標檢測技術的發展。表2給出了一些常用的公開光學遙感目標檢測數據集，并提供了包括目標類別、圖像規模、實例數目、空間分辨率、標注方式和發表年份的信息。其中TAS、ORIDS和DLR 3K Vehicle數據集用于檢測車輛。TAS和ORIDS的發布時間相對較久，規模偏小，圖像質量粗糙，由于遙感目標具有方向任意性，因此ORIDS數據集采用了旋轉框對目標進行標記;DLR 3K Vehicle則是2015年提出的大規模高分辨的遙感車輛檢測數據集，其圖像寬度接近6K像素;NWPU VHR-10是被廣泛使用的數據集之一，包含飛機、艦船和車輛等10種興趣目標;HRSC2016是艦船目標檢測數據集,其包括了海上及碼頭等各種場景，并且包含上到航母下到游艇的不同型號、大小、形狀的各種船只實例;UCAS-AOD數據集用于飛機和車輛兩種目標的檢測;DOTA是目前該領域中最為廣泛采用且最具挑戰性的數據集之一,相比之前的數據集，DOTA同時使用水平框和旋轉框標注，且目標實例數較多;xView是目前規模最大、最多樣化的遙感目標數據集，提供了超過百萬級的實例目標，數據來源于WorldView-3衛星拍攝，圖片覆蓋區域超過1400 km;DIOR數據集是最新提出的一個光學遙感圖像目標檢測數據集，比DOTA數據集規模更大，使用水平框標注。雖然DOTA、xView和DIOR數據集已經是規模較為龐大的數據集了，但是還無法與通用目標檢測領域的代表數據集PASCAL VOC和MS COCO比肩。此外，數據集的全面性也有待提升。規模足夠大、全面的數據集能夠極大推動該領域的發展，不僅能為模型訓練提供充足的樣本支持，也能為各個模型的評估和比較提供客觀公正的平臺。

表2 光學遙感目標檢測數據集Table 2 Optical remote sensing image data sets for object detection

相比可見光，合成孔徑雷達(SAR)具備透云、夜間觀測、受光照條件影響小等優勢。自從2017年第一個公開的專門用于SAR圖像艦船目標檢測的數據集SSDD開始，SAR圖像數據集不斷地涌現，但目前SAR數據集大多是針對遙感船只檢測的。后續還有SSDD+，與SSDD一致一共有1160幅圖像和2456個艦船，但從原先的水平框標注變成旋轉框。AIR-SARShip-1.0數據集包含31幅圖像，圖像尺寸約為3000×3000，空間分辨率包括1 m 和3 m，場景類型包含港口、島礁、不同等級海況的海面，目標覆蓋運輸船、油船、漁船等十余類近千艘艦船。SAR-Ship-Dataset以高分三號衛星SAR數據和Sentinel-1衛星SAR數據為主數據源，共采用102景高分三號和108景Sentinel-1 SAR圖像，共計43819個船舶實例。MSTAR是美國國防預先研究計劃局(DARPA)實測SAR地面靜止目標數據集，分辨率0.3 m，包含自行榴彈炮2S1、裝甲偵察車BRDM2、裝甲運輸車BTR60、推土機D7、坦克T62、坦克T72、貨運卡車ZIL131、自行高炮ZSU234等軍事目標。

除了星上資源少、算力弱、實時性要求高的困境外，遙感目標檢測還面臨背景復雜，目標寬范圍變化、方向任意、小目標識別的問題。遙感圖像相對自然圖片，在數千米的視野半徑范圍內存在各種復雜背景。這些復雜背景會對檢測器造成強烈的干擾。由于衛星拍攝高度和成像分辨率往往各不相同，即使是同一類物體,本身物理尺寸也可能大小差異巨大，比如空客A380飛機的長度大約73 m，而小飛機長度有的只有幾米，因此檢測器必須能適應目標寬范圍的尺度變化。由于采用俯視視角，興趣目標方向可以是任意的，因而要求檢測器具備方向魯棒性。此外，遙感圖像中需要檢測的目標大多為小目標，雖然目標本身物理尺寸可能很大，但相比于幾公里的拍照視野，檢測目標就顯得相對較小，往往不到整個畫幅的1%，而目前如何實現對小目標的精準識別是整個檢測領域最具挑戰性的問題之一。

與通用的目標檢測模型一樣，基于深度學習的遙感目標檢測模型也大致可以分成兩類，雙階段模型架構、單階段模型架構。圖1展示了兩種模型架構的檢測流程。雙階段檢測算法將目標檢測分為定位和識別兩個過程，相比單階段多了候選區域生成的步驟，實際上候選區域生成相當于粗粒度的檢測，然后再用檢測頭進行精細檢測，因而該類算法一般具有更高的檢測精度，比如R-CNN、Fast R-CNN、Faster R-CNN等檢測算法等。此外單階段算法,如RetinaNet、SSD、EfficientDet、YOLO等檢測器，利用回歸思想同時完成檢測與識別，相對第一類“雙階段”方法更追求一種精度和速度的平衡。表3提供了各類檢測器在目標檢測MS COCO數據集上的測試結果，其中檢測器列括號內的數字代表測試圖像輸入尺寸。

圖1 雙階段模型和單階段模型架構對比Fig.1 Comparison of two-stage model architecture and single-stage model architecture

目前最新的YOLOv4、YOLOv5檢測算法對原先的YOLO進行了大量優化，使其在匹配甚至超越雙階段精度的同時，保持比雙階段算法快十幾倍甚至幾十倍的速度。

在Faster R-CNN中首次提出的錨點機制雖然目前被廣泛應用，但是也存在一些缺點，如針對不同形狀、大小的目標需要設計一些超參數，這些超參數的值對最終的精度影響很大。此外，錨點機制會產生許多不包含目標的負樣本框，從而導致嚴重的正負樣本不平衡問題，同時大量的錨框增加了在計算交并比時計算量和內存占用。針對這些問題，FCOS采用逐像素檢測的思想，實現了無錨點的解決方案，并且提出了中心度的思想，同時,在召回率等方面表現接近甚至超過目前很多基于錨點的目標檢測算法。此外著名的無錨點模型還有CenterNet、CornerNet、ExtremeNet等。雖然目前無錨點方法在檢測中是一個熱點，但是模型在精度和速度方面還沒超越基于錨點的方法，因此這兩種方法將會共存很長一段時間。

表3 目標檢測器在COCO數據集上對比Table 3 Comparison of object detectors on COCO data set

目前，基于候選區域生成的雙階段算法是遙感目標檢測的常用算法，如AVPN、HRPN、MS-VANs、GlidingVertex和APE等。該類算法大多是在地面的高性能工作站、服務器上運行的，主要關注的是檢測精度，而忽略了算法的計算量、參數規模等,往往存在計算量大、檢測速度慢的缺陷，因此很難在資源受限、算力較弱的星上處理器上實現。未來能在星上在軌實現的智能算法必然需要兼顧精度和速度，因此單階段算法是未來天基遙感、偵察應用中較為合適的檢測器算法。YOLT借鑒YOLO的思想設計了新的檢測模型，旨在能在大范圍的遙感圖像中快速檢測感興趣目標，檢測速度能夠達到0.5 km/s以上。R3Det設計了特征細化模塊，通過特征插值實現特征重構和對齊，緩解了單階段方法中特征未對齊的問題，精度有了很大提升。作者團隊則提出了一種基于自適應殘差空間特征雙向融合模塊的特征金字塔網絡結構，該模塊融合了多層次、多尺度的語義信息和精細的空間特征，并能自動學習出最為有效的特征。實驗結果表明該模塊能大大增強檢測器對寬范圍變化目標的檢測精度，特別是對小目標的檢測有較大提升。

雖然上述網絡對小目標有一定的改進，但目前遙感小目標還是整個領域的難點，主要原因在于其包含的信息少，并且在網絡進行下采樣時，信息還會進一步丟失甚至完全丟失，導致檢測效果差。此外，可見光檢測還面臨云層遮擋、大霧天氣、夜晚無法工作等問題，這極大限制了檢測的適用范圍。

3 成像衛星在軌智能計算平臺

目前專門面向星上使用的人工智能硬件平臺還未見報道，已發射入軌的智能衛星使用的也是面向地面通用的人工智能硬件平臺，比如PhiSat-1搭載的是英特爾的Movidius Myriad 2模塊。

表4統計了目前國內外的一些嵌入式AI硬件平臺，并提供了AI算力、功耗等信息。英偉達的AI邊緣計算產品最多，技術支持也最完善。英特爾神經計算棒在性能和功耗上的表現都很亮眼，占據一定的市場。此外還有谷歌的AIY Edge TPU，搭配專門設計的深度學習框架Tensorflow Lite，達到了超高的能效比。國內也有一些公司設計了面向邊緣計算的硬件產品，比如瑞芯微和寒武紀等。值得注意的是，英特爾神經加速棒、谷歌的AIY Eege TPU和寒武紀的MLU220-M.2都是外置加速設備，需要插在樹莓派等開發平臺上。

表4 國內外邊緣AI硬件平臺統計Table 4 Edge AI hardware platform

此外由作者團隊研制的“清華科學衛星”于2020年8月6日成功發射，星上搭載了在軌智能處理模塊，負責星上的圖像分系統。目前該智能模塊已經進行了多項圖像處理任務在軌驗證,實現了高效能的智能計算，在小于10 W的輸入功率時，能達到每秒一萬五千億次浮點數運算。經過長期空間環境驗證，該模塊能在-30 ℃～90 ℃的工況下穩定工作，并支持輕量化檢測模型實現實時檢測，為之后的星上智能處理平臺提供硬件基礎。

太空中高低溫、熱真空、強輻射等環境特性也超出了地面通用平臺的設計工況，因此通用平臺在衛星上大規模的采用還需經過長時間的考驗。

4 智能算法加速技術

深度學習模型已經被廣泛應用，但模型“臃腫”，所需算力大，成為制約星上在軌智能實現的重要因素。深度學習的加速技術就是以“多、快、好、省”為目標，嘗試從計算優化、硬件適配優化等方面減緩星上處理器負擔的同時，加速算法的推理速度，以便于達到實時性要求。

計算優化主要是尋求精度和速度之間的均衡，在保證模型效果的同時，盡可能減少模型的計算量。目前業界計算優化方法大致可以分為四種，輕量化模型設計、模型剪枝、知識蒸餾和模型量化。

輕量化模型設計主要是采用計算量更小的新型卷積(如MobileNet v1-v3的Depthwise Convolution、Pointwise Convolution，ShuffleNet v1/v2的Group Convolution等)來代替標準卷積。輕量化模型的計算量通常僅有幾十兆到幾百兆浮點運算數，與傳統的VGG、Inception、ResNet等大型網絡動輒上千兆浮點運算數的計算量相比有明顯優勢，同時在一些分類、檢測等視覺任務上與大模型的準確率差距不大。作者團隊利用輕量化網絡代替原先的主干網，實現對遙感興趣目標的高效檢測，在相似精度的前提下，模型參數縮小了2.5倍，計算量縮小了3.2倍，內存讀寫量縮小了1.8倍，最終使得速度提升了50%～118%。

相比輕量化模型設計，模型裁剪通過對模型本身做“減法”，實現化大為小。核心思想是在保持剪裁前后模型精度差距不大前提下，設計網絡稀疏化機制，在某種粒度上篩選掉卷積中冗余的權重參數。其本質就是在各種粒度下尋找更為稀疏的模型表征，因此模型裁剪算法的關鍵在于權重篩選機制的設計以及篩選粒度的選擇上。

模型蒸餾或者知識蒸餾的目標是利用大模型Teacher Network提供的監督特征指導幫助小模型Student Network訓練學習，從而使得小模型既快又準。知識蒸餾的關鍵在于監督特征的設計，如采用Soft Target所提供的類間相似性，或使用大模型的中間層特征圖或Attention Map作為橋梁，對小網絡進行訓練。

深度學習模型在運行時,需要進行大量的浮點數乘加運算，一般默認浮點數位寬是32bit，但是實際上完全可以用更低的位寬來量化模型的權重和特征圖。目前業界廣泛采用的是16bit和8bit量化，在降低模型運行讀寫量的同時，提高模型的運算速度。量化技術的關鍵在于如何控制低位寬對模型帶來的精度損失。

硬件適配優化主要是利用推理引擎對模型進行優化加速，使AI算法能夠部署到嵌入式平臺上。目前主流的推理引擎有TensorRT、ncnn、MNN、TVM和TensorFlow Lite等。神經網絡圖優化和算子優化是推理引擎之所以能對網絡進行加速的核心關鍵。TensorRT通過對層間的橫向或縱向合并，使得神經網絡層數大幅減少。橫向合并可以把卷積(Convolution)、偏置(Bias)和激活層(ReLU)合并成一個CBR結構，只占用一個CUDA核心。縱向合并可以把結構相同，但是權值不同的層合并成一個更寬的層，也只占用一個CUDA核心。合并之后網絡的計算圖層數減少，占用的CUDA核心數也會減少，內存訪問次數和訪問量也隨之相應下降，因此整個模型結構會更小、更快、更高效。使用TensorRT后，一些檢測算法能達到幾倍的加速，效果十分客觀。不過TensorRT只能用在英偉達的設備上，對于基于ARM芯片的設備可以使用國內ncnn或者MNN推理引擎。相比TensorRT，國產的ncnn和MNN在性能優化和算子支持上都存在一定的差距。

計算優化和硬件優化仍存在適配問題，硬件優化主要是針對一些通用型的神經網絡，而經過計算優化的網絡，其結構會發生一定的變化，從而無法充分利用硬件加速庫。比如經過模型剪枝后,網絡的卷積核通道數不再是2的指數次冪，會造成因編譯器的內存對齊規則限制而導致的不必要的帶寬損失和算力浪費。另外,輕量化網絡中深度可分離卷積算子在推理引擎中的優化程度遠遠比不上普通卷積算子。因此,雖然深度可分離卷積算子相比普通卷積能節省8倍計算量，但最終的速度反而比不上普通卷積算子。

5 展 望

在軌智能技術將成為未來成像衛星的重點發展方向，也是提升天基遙感應用能力的關鍵。成像衛星遙感信息在軌智能處理還需克服處理數據大、識別精度高、實時性強的需求與星上資源受限、算力弱之間的矛盾，此外還需要考慮空間環境的特殊性。因此現階段成像衛星的在軌智能處理需要從智能算法、硬件平臺和兩者高效結合三個方面開展研究性工作。

星上智能算法應當兼顧速度與精度，使之適應弱算力平臺。由于小目標本身包含信息少，再經過網絡下采樣之后，信息還會進一步損失。因此解決這一問題的關鍵在于盡可能減少小目標的信息丟失，并能夠使用一些方法擴充其信息表示。此外,多顆成像衛星可通過集群飛行、星群組網等方式完成對同一區域多波段的監測，這就要求星上智能算法必須能綜合利用多源數據。通過有機地融合這些多源數據之間的互補信息，獲取多尺度、多維度的目標特征，進而在提升檢測的魯棒性同時，實現全天時、全天候的監測。但如何實現多源信息之間的高效融合，仍需要不斷探索。

成像衛星星上信息處理平臺可采用專用型智能芯片為主，通用型智能芯片為輔的多核異構的計算架構。針對航天需求優化的FPGA芯片或者ASIC芯片等專用型平臺完成成像衛星大部分強實時、低功耗需求的日常信息處理任務，同時利用CPU、GPU和NPU等通用型平臺實現較為龐大的智能算法，更好適應復雜的任務。還可通過地面軟件上注的方式及時更新通用平臺上的智能算法，提升成像衛星任務的靈活性。

智能算法與硬件平臺的高效結合是提升衛星任務整體效率的關鍵。利用緊湊網絡架構、知識蒸餾、模型剪枝、量化完成極小精度損失條件下模型計算優化。將優化后網絡模型進行加速設計部署到定制FPGA或者ASIC芯片上，通過神經網絡加速引擎進一步提速，滿足計算實時性需求。

6 結束語

成像衛星的在軌智能處理技術為實現對自然災害監測、丟失船只搜尋等重大突發任務的快速響應提供了新思路。星上資源受限、算力弱與智能算法復雜、實時性要求高之間的矛盾是制約成像衛星在軌智能處理發展的主要因素。針對這些矛盾，本文對智能算法、硬件平臺和兩者高效結合的三個方面進行了系統性分析，小目標識別、云霧及光線干擾、空間環境特殊、軟硬件優化適配是目前面臨的挑戰。未來，星上智能算法應當兼顧精度與速度，通過信息擴充技術克服小目標識別難題，通過設計多源信息高效融合機制克服可見光檢測缺陷。另外，星上信息處理平臺可采用專用型智能芯片為主，通用型智能芯片為輔的多核異構的計算架構，在保證日常任務需求的同時，提升靈活性。利用定制芯片來適配優化后的網絡，完成算法和硬件的高效結合，使其最終滿足實時性需求。